Brand love and customer brand engagement for masstige: a cross-cultural perspective
Notice bibliographique
Résumé
Purpose Masstige (mass-produced and affordable luxury) goods are receiving increasing literature-based attention. However, despite existing advances, insight into how different cultural backgrounds shape consumer perceptions, attitudes and behaviors toward masstige goods remains tenuous. Correspondingly, this study aims to examine the association of masstige luxury with customers’ love for and brand engagement with masstige products across cultures. Design/methodology/approach This study used a sample comprising 342 Indian and 354 Canadian masstige customers. Partial least squares structural equation modeling was used to analyze the data. Findings The results corroborate brand prestige and identification as key antecedents to customers’ love for masstige brands, which in turn impact their brand engagement. Surprisingly, the authors find that the effects of brand prestige and brand identification on brand love and customer brand engagement do not significantly differ between Indian and Canadian customers. However, the positive effect of brand identification and brand love on customer brand engagement is stronger for Indian customers than for Canadian customers. Research limitations/implications This study addresses an important literature-based gap in understanding how cultural backgrounds shape consumer perceptions of masstige brands. It offers key theoretical and practical implications for masstige marketing. Practical implications Identifying differential effects among Indian and Canadian customers provides a foundation for tailoring marketing approaches in the masstige sector. Originality/value This study addresses a critical literature-based gap in understanding how cultural backgrounds shape consumer perceptions of masstige brands, offering key theoretical and practical implications for masstige 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 | 0,004 |
| 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 | 0,003 | 0,004 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».