The effect of sponsored video customization on video shares: the critical moderating role of influencer and brand characteristics
Notice bibliographique
Résumé
Purpose This study aims to empirically test how sponsored video customization (i.e. the degree to which a sponsored video is customized for a sponsoring brand) affects video shares differently depending on influencer characteristics (i.e. mega influencer and expert influencer) and brand characteristics (i.e. brand establishment and product involvement). Design/methodology/approach This study uses a unique real-world data set that combines coded variables (e.g. customization) and objective video performance (e.g. sharing) of 365 sponsored videos to test the hypotheses. A negative binomial model is used to analyze the data set. Findings This study finds that the effect of video customization on video shares varies across contexts. Video customization positively affects shares if they are made for well-established brands and high-involvement products but negatively influences shares if they are produced by mega and expert influencers. Research limitations/implications This study extends the influencer marketing literature by focusing on a new media modality – sponsored video. Drawing on the multiple inference model and the persuasion knowledge theory, this study teases out different conditions under which video customization is more or less likely to foster audience engagement, which both influencers and brands care about. The chosen research setting may limit the generalizability of the findings of this study. Practical implications The findings suggest that mega and expert influencers need to consider if their endorsement would backfire on a highly customized video. Brands that aim to engage customers with highly-customized videos should gauge their decision by taking into consideration their years of establishment and product involvement. For video-sharing platforms, especially those that are planning to expand their businesses to include “matching-making services” for brands and influencers, the findings provide theory-based guidance on optimizing such matches. Originality/value This paper fulfills an urgent research need to study how brands and influencers should produce sponsored videos to achieve optimal outcomes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».