MétaCan
Menu
Retour à la cohorte
Enregistrement W2952063691 · doi:10.1177/0022243719845000

Let the Logo Do the Talking: The Influence of Logo Descriptiveness on Brand Equity

2019· article· en· W2952063691 sur OpenAlexaff
Jonathan Luffarelli, Mudra Mukesh, Ammara Mahmood

Notice bibliographique

RevueJournal of Marketing Research · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Behavior in Brand Consumption and Identification
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesCass Business School, City University London
Mots-clésLogos Bible SoftwareLogo (programming language)Brand equityAdvertisingProduct (mathematics)MarketingBrand managementBrand awarenessDescriptive statisticsPsychologyService (business)BusinessMathematicsComputer scienceStatistics

Résumé

récupéré en direct d'OpenAlex

Logos frequently include textual and/or visual design elements that are descriptive of the type of product/service that brands market. However, knowledge about how and when logo descriptiveness can influence brand equity is limited. Using a multimethod research approach across six studies, the authors demonstrate that more (vs. less) descriptive logos can positively influence brand evaluations, purchase intentions, and brand performance. They also demonstrate that these effects occur because more (vs. less) descriptive logos are easier to process and thus elicit stronger impressions of authenticity, which consumers value. Furthermore, two important moderators are identified: the positive effects of logo descriptiveness are considerably attenuated for brands that are familiar (vs. unfamiliar) to consumers and reversed (i.e., negative) for brands that market a type of product/service linked with negatively (vs. positively) valenced associations in consumers’ minds. Finally, an analysis of 597 brand logos suggests that marketing practitioners might not fully take advantage of the potential benefits of logo descriptiveness. The theoretical contributions and managerial implications of these findings are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,029
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,495
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0290,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,091
Tête enseignante GPT0,362
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations110
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Marketing ResearchMême sujetConsumer Behavior in Brand Consumption and IdentificationTravaux en français237 207