A time series projection model of online seasonal demand for American wine and potential disruption in the supply channels due to COVID-19
Notice bibliographique
Résumé
Purpose This study statistically examines the shifting distribution channels in the American wine industry based on the growth trajectory of sales, seasonality and disruption due to consumers switching to online platforms. The purpose of this paper is to design a model that will have general applicability beyond the wine industry. Design/methodology/approach The research uses regression-based additive decomposition of time series data to predict the trajectory of the market share for the digital distribution channel. The study develops a statistical prediction model using time series data between 2007 and 2020, inclusive, sourced from US Annual Wine Reports and Bureau of Alcohol, Tobacco and Firearms databases. Findings The results show an increasing trajectory of wine sales through the online distribution channel with predictable seasonality. The disruptive effects of consumer switching behavior point to a steady increase in sales due both to increasing demand and accelerating switching. Nevertheless, the model shows that bricks and mortar purchases will remain strong and continue to account for the bulk of wine sales. COVID-19 has caused a step function increase in online sales but this should moderate after the crisis subsides and can be tested further. Originality/value This study is original in developing a model for an industry where bricks and mortar sales are growing and are expected to remain strong while there is still identifiable switching to online sales. The wine industry presents a classic case of accelerating switching behavior where there is still a strong franchise for in-store purchases. The model should have general applicability to distribution channels beyond the wine industry where steady growth, marked seasonality and disruptive consumer switching are in evidence.
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 | 0,002 |
| 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 | 0,000 | 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 ».