The Impact of Skin Care Product Sales in an Aesthetic Plastic Surgery Practice
Notice bibliographique
Résumé
BACKGROUND: Despite significant growth of the global skin care market, many plastic surgeons do not offer skin care products through their aesthetic practice. However, skin care products represent a significant potential revenue stream for plastic surgeons, not only by generating revenue from product sales but by improving patient retention over time and, in turn, generating additional surgical and nonsurgical revenue. OBJECTIVES: The purpose of this study was to determine the financial implications that skin care sales can have for an aesthetic surgery practice. Our hypothesis was that patients making skin care purchases would generate higher non-skin care revenue than patients not purchasing skin care products. METHODS: A retrospective chart review was performed of all purchases made within a single aesthetic surgery practice during a 6-year period (2012-2017). Pre-tax revenue ($CAD) from each category was recorded for any patient who made a purchase during the study period. RESULTS: A total 3785 patients purchased skin care products, 5088 patients purchased nonsurgical treatments, and 3504 patients underwent surgery. Average patient spending was $720.73 (skin care), $1272.63 (nonsurgical), and $10,048.34 (surgery), respectively. Overall, patients who purchased skin care generated more revenue from the purchases of nonsurgical treatments and surgery than patients who did not purchase skin care products. CONCLUSIONS: Skin care sales not only generate revenue, but over time these patients spend more on nonsurgical and surgical treatments than patients who do not purchase skin care. Skin care is an important adjuvant to nonsurgical and surgical treatments that should be considered by all aesthetic surgeons.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».