Season ticket holder segmentation in professional sports: an application of the sports relationship marketing model
Notice bibliographique
Résumé
Purpose The segmentation of customers into homogeneous groups is well researched, reflecting its importance to marketers. Specific to professional sports, published research on customer segmentation first occurred in the early 2000s, but no studies exist based on internal data from season ticket holders, an attractive and loyal customer group which is the most important customer for professional sports teams. Thus, the purpose of this research was to fill this gap in the literature through a sequential study of season ticket holders of a professional sports club. Design/methodology/approach Study 1 employed six focus groups ( n = 56) to determine the constructs, understand the issues, and sequentially inform the survey instrument for the second study. Study 2 used an online survey ( n = 1,007) to collect data on factors including socio-demographics, consumption, media engagement, fan satisfaction, future intentions and sports fan motivation. Findings The results identified the engagement factors and selection variables which drive season ticket holder purchase and allowed for the segmentation analysis, which identified fourteen unique fan segments for a professional sports club, generalizable to other clubs. Originality/value The identification of 14 segments of season ticket holders based on a sequential study framed by the sports relationship marketing model is a needed contribution for practice (i.e. a specific direction on how to efficiently allocate resources when marketing to season ticket holders) and advances our conceptual knowledge by applying the model to the context of the most loyal customers in professional sports season ticket holders.
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 | 0,016 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».