MétaCan
Menu
Retour à la cohorte
Enregistrement W4389202380 · doi:10.1177/00222437231220327

Canary Categories

2023· article· en· W4389202380 sur OpenAlexaff
Eric T. Anderson, Chaoqun Chen, Ayelet Israeli, Duncan Simester

Notice bibliographique

RevueJournal of Marketing Research · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueConsumer Market Behavior and Pricing
Établissements canadiensKellogg's (Canada)
Organismes subventionnairesnon disponible
Mots-clésStylized factAttractivenessMarketingBusinessAdvertisingProduct categoryEconomicsProduct (mathematics)PsychologyMathematics

Résumé

récupéré en direct d'OpenAlex

Past customer spending in a category is generally a positive signal of future customer spending. Analyses of historical data at two retailers demonstrate that there exist “canary categories” for which the reverse is true. Purchases in these categories are a signal that customers are less likely to return to that retailer. The authors propose an explanation for the existence of canary categories and then develop a stylized model that illustrates four contributing factors: the probability that a customer finds their favorite brand, customers’ willingness to substitute brands, the cost and attractiveness of visiting other stores, and expectations about future brand availability. The analysis uses both field data and experiments to investigate these factors. The findings suggest that canary categories exist (at least in part) because store assortments are not completely adjusted to local preferences. An implication is that canary categories are endogenous to each retailer; the same category may be a canary category at one retailer and a destination category at a competing 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)0,029
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
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 enseignants0,145
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0290,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,096
Tête enseignante GPT0,356
Écart entre enseignants0,260 · 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.

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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Marketing ResearchMême sujetConsumer Market Behavior and PricingTravaux en français237 207