Notice bibliographique
Résumé
On a global scale, households are purchasing from meal kit delivery services like HelloFresh and Goodfood at an ever-growing rate. A meal kit promises beginner cooks and busy individuals an affordable, convenient, and approachable option for meal planning and preparation. This paper investigates how meal kit delivery services align and position themselves against other food industry players such as grocery stores, grocery delivery platforms, and online food delivery services, using HelloFresh as a case study. Meal kit delivery services are platforms which operate by intermediating between various parties and generate profit by the expansion of their customer bases through their networks. The goal of this paper is to explore the marketing strategies employed by HelloFresh to yield profit through platform growth and global dominance objectives. To pursue this goal, a walkthrough method on the HelloFresh user interface and a discursive analysis of various company reports and news articles from HelloFresh were conducted. By leveraging the benefits of convenience, affordability, and availability of meal kits, it was found that HelloFresh does not compete with its competitors, but rather with grocery stores, grocery delivery platforms, and online food delivery services. I argue that HelloFresh’s competition strategy successfully positions its services as a desirable alternative to consumers while capturing profit through various avenues and masking shortcomings with its competitors. The findings of this study aim to assist platform scholars with understanding the marketing strategies and multiple avenues of profit generation on meal kit platforms.
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 | 0,005 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».