The Role of Micro-Influencers in Niche Digital Marketing Strategies in Africa: Impact on Consumer Engagement and Brand Loyalty
Notice bibliographique
Résumé
Globally, the growth of digital marketing has transformed consumer engagement strategies, with micro-influencers emerging as an essential force in niche markets. Influencers’ growing usage and effectiveness in digital marketing have captivated academic researchers and industry professionals. In Africa, a continent characterised by increasing digital penetration and fragmented consumer preferences, the role of micro-influencers in shaping engagement and loyalty necessitates a critical exploration. To elucidate the underpinnings and evolving patterns of this contemporary phenomenon, this paper employs a systematic literature review methodology to map out and synthesise key findings from existing studies where influencer marketing, consumer engagement, and brand loyalty are intertwined. By analysing 15 articles published between 2011 and 2024 in journals indexed by Google Scholar, Scopus, ResearchGate, and Web of Science, this study deconstructs the existing literature on influencer marketing by exploring various journals, articles, theories, methodologies, and themes. The study examines how micro-influencers contribute to the success of niche digital marketing strategies, specifically focusing on their impact on consumer engagement and brand loyalty. The findings underscore the potential of micro-influencers as strategic assets in digital marketing, who possess unique capacity to promote trust and interactions crucial in driving engagement within niche markets. However, African brands face challenges such as fragmentation and regional differences, discrimination, and lack of accessibility to data and analytics. Thus, the study recommends that African brands consider micro-influencers that fit their brand identity and market features while adopting data analytics tools. Additionally, brands should strive to build continuous relationships with micro-influencers to promote long-term brand loyalty while ensuring equitable and inclusive marketing approaches.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».