Growth drivers, characteristics, preference and challenges faced by Fast Moving Consumer Goods - A study with reference to Bengaluru
Notice bibliographique
Résumé
Fast Moving Consumer Goods (FMCG) is the 4th largest sector in India and provides employment to around 3 million people (ASSOCHAM, 2020). FMCG industry in India is growing at 9.4% in due quarter ending March, 2021 after a growth at 7.3% in the previous year. India’s robust economic growth and household incomes are expected to increase consumer spending to US$ 3.6 trillion by 2020. The retail market in India is expected to reach USD 1.1 trillion by 2020 from USD 840 billion in 2017 with a modern trade expected to grow at 20.25% per annum which is likely to boost revenue of FMCG (ibef.org.2018). The demand for packaged goods segment of FMCG grow by 7.8% in March quarter of 2020, compared to non-food categories which grew only 1.8% in value. This trend indicates people preferred panic buying and stockpiling of food items. Covid-19 impacted very much on FMCG sector and a change is observed not only in the consumer behaviour but also made the companies to reconsider strategies towards consumers acquisition, retention and value proposition (Rajeshwari, 2021). Money would not flow to consumers and thus consumers resort to conservative buying (Gaurav Shetty et al., 2020). The need at present arises more than previous about identifying changing consumer buying behaviour. The paper analyses demographic profile of respondents and its impact on FMCG buying, factors driving the growth of FMCG sector, characteristics, respondents preference of health and skincare brands, and challenges faced by FMCG industry. The data for this research work has been collected through questionnaire and findings have been theoretically presented. The survey reveals that respondents are aware of growth drivers of FMCG, characteristics, preferences and challenges faced by the industry.
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 | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».