Profiling gifters via a psychographic segmentation analysis: insights for retailers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The aim of this study is to profile types of gifters via a set of psychographic consumption traits (frugality, gratitude, market mavenism and novelty seeking) and identify differences among the groups regarding their gift-purchasing behavior. Design/methodology/approach Based on the data from 193 participants, the authors seek to identify and profile unique consumer segments (gifters) generated from the four psychographic consumption traits. Second, once the segments are established, the authors analyze how the segments differ across 16 unique gift-purchasing behaviors. Findings The data generated four distinct consumer segments: experiential gifters, considerate gifters, convenience gifters and astute gifters. Across the segments, there were differences in their gift consumption behavior (e.g. time/effort spent, desire for customization, gift presentation, derived joy, purchasing frequency, eco-friendliness, seeking assistance, regifting and more). Research limitations/implications US-based sample was collected via an online panel in January; this may restrict the generalizability of the research, given that gift consumption customs may vary across different countries. Thus, future research should include participants from other geographic regions to increase the external validity of the research. Practical implications Retail managers can use this knowledge to devise marketing strategies focused on the gift-purchasing behaviors of each group. Originality/value Segmenting clusters based on differences in consumption traits provides insights to retailers looking to build a competitive advantage, particularly in a gift purchasing context.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle