Postulating consumers : how marketers conceptualise consumers in the era of big data analytics
Notice bibliographique
Résumé
The proliferation of big data analytics in marketing appears to be having significant effects on the field, such as changing how marketers perceive their consumers and how they act on them. As I discuss in my research, marketers are not satisfied to work solely with approximate, imagined conceptualisations of consumers as a basis for advertisements and offers. Instead, they are looking for exact virtual data doubles of existing and potential consumers, which is something they hope to achieve through big data analytics. In my thesis, I explore the question of how and why marketers conceptualise consumers differently when using big data analytics compared with traditional market and consumer research methods. This is embedded in the theory of the co-production of knowledge and empirically relies on interviews with marketers and data analysts, case studies, and participant observations at industry conferences. In my research, I show to what extent the idea of the data double consumer conceptualisation is considered an ideal case for marketers, and that it is believed to be made possible through big data analytics, which is expected to create an exact knowledge about consumers. However, my findings show that in practice, big data analytics should be considered a sociotechnical assemblage that produces knowledge which contains inaccuracies, errors and uncertainties. Knowledge about consumers is not just discovered – neither through traditional market and consumer research methods nor through big data analytics. Instead, it is the outcome of a co-production that involves different steps, individuals, teams, normativities, and technologies. Hence, knowledge about consumers is never an exact representation of reality, irrespective of its methods of production. Consequently, consumer conceptualisations expected to be exact data doubles cannot be attained. Instead, postulations are established that are believed to be accurate, without having actual proof. Yet, my findings show that knowledge resulting from big data analytics has a higher credibility and epistemic authority amongst the participants, explaining the persistence of the data double consumer conceptualisation in digital marketing.
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 | 0,022 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,044 |
| Communication savante | 0,021 | 0,055 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».