Understanding Sparkling Wine Consumers and Purchase Cues: A Wine Involvement Perspective
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Research on sparkling wine (SW) consumers, their market segmentation, and how they use purchase cues is relatively sparse compared to that for table wine, despite the substantial growth in sparkling wine in recent years. We address these gaps and particularly how the importance of SW purchase cues varies with wine involvement in an online survey of SW consumers from Ontario, Canada (n = 1011). Thirty intrinsic and extrinsic purchase cues were rated for importance (n = 609), and wine involvement was determined using the shortened version of the wine involvement scale. Overall, consumers rated (in descending order) price, flavour, quality, country, and sweetness level as the most important purchase cues, whereas several extrinsic factors, including bottle colour and shape, awards won, and vintage were of low importance. Females were 1.4 times more likely than males to cite target end use as the most important purchase cue. We further show that SW consumers can be segmented into three wine involvement categories (low, medium, high) which vary across multiple demographic, consumption, knowledge, and preference measures (n = 1003). Notably, the importance of six purchase cue categories (manufacture, price, endorsements, parentage, prestige/reputation, and place) varied with wine involvement (n = 609). These findings provide timely guidance for marketers and retailers seeking to align their products and communications with the needs and perceptions of SW consumers.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 découle