MétaCan
Menu
Retour à la cohorte
Enregistrement W4385649803 · doi:10.1177/00222429231196575

Dual Branding by National Brand Manufacturers: Drivers and Outcomes

2023· article· en· W4385649803 sur OpenAlexafffund
Yu Ma, Kusum L. Ailawadi, Mercedes Martos‐Partal, Óscar González‐Benito

Notice bibliographique

RevueJournal of Marketing · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensMcGill University
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaMinisterio de Asuntos Económicos y Transformación Digital, Gobierno de España
Mots-clésDual (grammatical number)BusinessSupply chainMarketingScope (computer science)DyadDual roleAdvertisingIndustrial organizationPsychologyComputer science

Résumé

récupéré en direct d'OpenAlex

This article is the first generalizable empirical analysis of dual branding, that is, the supply of private labels (PLs) by national brand (NB) manufacturers. The authors compile a unique data set combining the identity of PL suppliers in over 260 packaged goods categories with multiple years of scanner data in the Spanish grocery market to offer several contributions. First, they provide new descriptive insights on the prevalence of dual branding in categories where the manufacturer does and does not have NBs, the longevity of PL supply arrangements, and the differences in PL sourcing across retailers. Second, they integrate the literature on motivators and dissuaders of dual branding and test the impact of relevant manufacturer, retailer, and dyad characteristics on PL supply in NB and non-NB categories. The results reveal a more nuanced empirical reality than is evident from prior research regarding the role of multicategory scope, fighter brands, NB differentiation, and size and positioning of the retailer's PL. Third, they examine the outcomes of PL supply for the NBs of dual branders and find that starting (terminating) PL supply to a retailer significantly benefits (hurts) the relative distribution depth but not the relative share of the dual brander's NBs at that retailer.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,445

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,250
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of MarketingMême sujetConsumer Market Behavior and PricingTravaux en français237 207