MétaCan
Menu
Retour à la cohorte
Enregistrement W3124607469

Rebranding: The Effect of Team Name Changes on Club Revenue

2016· article· en· W3124607469 sur OpenAlexaffabout
Nola Agha, Michael Goldman, Jess C. Dixon

Notice bibliographique

RevueUSF Scholarship Repository (University of San Francisco) · 2016
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueSports Analytics and Performance
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésRebrandingClubLeagueAttendanceBrand equityContext (archaeology)MarketingAdvertisingBusinessRevenuePurchasingEconomicsAccountingGeography
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Research question: The purpose of this study is to explore the financial effect of four types of team name changes, three of which have not been previously studied. We do so in the context of development leagues where rebranding occurs with considerable frequency, thus affecting a great number of sport managers.Research methods: The effect of rebranding on club revenue was derived by combining the results of two analyses. The first used an economic demand equation to examine the attendance variations of 475 Minor League Baseball teams in 244 cities in the United States and Canada between 1980 and 2011 that engaged in one (or more) of four different types of name changes. The second examined changes in merchandise sales after a rebranding effort. Results and Findings: The results indicate that development teams fail to derive financial gains from adopting the names of their major league parent clubs. Instead, teams that abandon unique local names see large attendance decreases suggesting that local names generate greater brand awareness and brand image than their major league counterparts. The largest merchandise gains are generated by teams that adopt new, local names.Implications: These findings further our understanding of the outcomes of brand management and rebranding efforts by acknowledging that former and future names have varying levels of brand equity that have real effects on consumer purchasing behaviors and subsequent financial gains and losses.

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)0,003
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,010
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,188
Écart entre enseignants0,172 · 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'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

Citations0
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUSF Scholarship Repository (University of San Francisco)Même sujetSports Analytics and PerformanceTravaux en français237 207