MétaCan
Menu
Retour à la cohorte
Enregistrement W2954073452 · doi:10.1111/itor.12693

Manufacturer defensive and offensive advertising in competing distribution channels

2019· article· en· W2954073452 sur OpenAlexaff
Guiomar Martín‐Herrán, Simon Pierre Sigué

Notice bibliographique

RevueInternational Transactions in Operational Research · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensAthabasca University
Organismes subventionnairesConsejería de Educación, Junta de Castilla y León
Mots-clésOffensiveChannel (broadcasting)AdvertisingBusinessDistribution (mathematics)MarketingEconomicsComputer scienceTelecommunicationsMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract This paper investigates how two competing manufacturers should invest in defensive and offensive advertising in a two‐segment market and whether they should each adopt a decentralized or an integrated channel if their goal is to maximize total channel profits. We find that manufacturers in decentralized channels can exclusively undertake either of the two types of advertising or combine the two at the equilibrium. In integrated channels, they can either combine the two or exclusively undertake defensive advertising. When multiple equilibria exist, strategies that combine both types of advertising should be preferred to exclusive defensive advertising strategies, which are better than exclusive offensive advertising strategies. Also, total channel profits are higher in decentralized channels than in integrated channels when the brands are moderately or highly substitutable. Conversely, total channel profits of integrated channels are higher than those of decentralized channels in areas where the brands are relatively differentiated and the offensive advertising retaliatory capacity of the rival is stronger. Theoretical 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,040
Tête enseignante GPT0,331
Écart entre enseignants0,291 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations7
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Transactions in Operational ResearchMême sujetConsumer Market Behavior and PricingTravaux en français237 207