Employees as influencers: measuring employee brand equity in a social media age
Notice bibliographique
Résumé
Purpose The practice of frontline employees articulating their brand voice and posting work-related content on social media has emerged; however, employee brand equity (EBE) research has yet to be linked to employees’ social media activity. This paper aims to take a methods-based approach to better understand employees’ roles as influencers. As such, its objective is to operationalize and apply the three EBE dimensions – brand consistent behavior, brand endorsement and brand allegiance – using Instagram data. Design/methodology/approach This qualitative research uses a case study of employee influencers at SoulCycle, a leading North American fitness company and examines 100 Instagram images and 100 captions from these influential employees to assess the three EBE dimensions. Findings Brand consistent behavior (what employees do) was the most important EBE dimension indicating that employees’ social media activities align with their employer’s values. Brand allegiance (what employees intend to do in the future) whereby employees self-identify with their employer on social media, followed. Brand endorsement (what employees say) was the least influential of the three EBE dimensions, which may indicate a higher level of perceived authenticity from a consumer perspective. Originality/value This research makes three contributions. First, it presents a novel measure of EBE using public Instagram data. Second, it represents a unique expansion and an evolution of King et al. ’s (2012) model. Third, it considers employees’ work-related content on social media to understand employees’ role as influencers and their co-creation of EBE, which is currently an under-represented perspective in the internal branding literature.
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 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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».