Media sentiments and firm’s sales growth: the moderating role of offering characteristics
Notice bibliographique
Résumé
Purpose Although the interest in firm media sentiment has been increasing, the impact of news media sentiments on consumers’ perception of firms’ offerings and, subsequently, their sales remain unknown. This study aims to address this research question in this study. Furthermore, the authors consider the role of two boundary conditions, i.e., offerings’ similarity and offerings’ service ratio, that moderate the main relationship. Design/methodology/approach Using a comprehensive and novel data set of over 900 firms between 2009 and 2019 from multiple sources, this study addresses the research questions. The authors use a fixed effects panel regression model to estimate the model. Findings A firm’s news media sentiments can influence consumers’ perception of the corporate brand, thereby driving sales growth. This study finds that when a firm’s offerings are not differentiated from its competitors, news media sentiments become more important and so does when a firm offers more services than a product. Research limitations/implications To the best of the authors’ knowledge, this study is the first to assess customers’ responses as manifested in the sales growth of a firm’s offerings, using both primary and secondary data and analysis. Practical implications The findings provide actionable insights to managers by identifying specific offerings-related attributes – similarity and service ratio – where media sentiments play a critical role in influencing sales growth. Originality/value While existing studies in marketing have primarily considered user-generated social media sentiments, this study departs from this literature by investigating earned media sentiments through traditional media outlets such as newspapers and business magazines, which have rarely been studied in marketing.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».