Predicting Product Uptake Using Bass, Gompertz, and Logistic Diffusion Models: Application to a Broadband Product
Notice bibliographique
Résumé
In today’s competitive environment, broadband companies innovate to stay competitive, retain existing customers, and attract new customers. A recent innovative product in this industry is the deployment of the gigabit Internet service over fiber optic networks as a solution to the growing bandwidth demands from consumers. One determinant of the decision to deploy such product is the expectation of a positive return on investment (ROI) determined among others by the penetration or take rate of the product or service. Like any product, the adoption of the gigabit Internet is influenced by the reaction of customers to this innovation. Some customers are early adopters of the product while others might not be interested in higher bandwidth Internet connections or will simply adopt the product at a later time. The purpose of this paper was to identify a model that best predicts future trends in the uptake of the gigabit Internet product over fiber-to-the home (FTTH). To that effect, this study implemented three different models: Bass, Gompertz, and logistic diffusion models; analyzed their predictive abilities; and determined the best fit model in a FTTH brownfield scenario. The data used for the study were split into two sets: the first or training set was used to create the models and the second was used to validate their predicting abilities. The data analysis used the ordinary least squares (OLS) method to select the best fit model. The results suggested that while Gompertz best fitted the training data, Bass had a better forecasting power. In other words, the Bass diffusion model was best at forecasting future uptake of the gigabit Internet service, while Logistic optimistically forecasted above the take rate and Gompertz pessimistically forecasted below. These findings present various implications for researchers and practicians. For example, future research could replicate the study for different industries and products, while practicians could anticipate realistic financial results from the implementation of the findings.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».