A Study on the Influence Path of Corporate Marketing Strategies on Consumer Purchase Intention Based on XG Boost Algorithm
Notice bibliographique
Résumé
In order to satisfy consumers' needs, enterprises must conduct in-depth research on consumers' purchasing behaviours and design and develop marketing strategies based on the characteristics of consumers' needs.The article takes 4P marketing theory and SOR model as the guide, and establishes a consumer purchase intention model in combination with the consumer behaviour model.The questionnaire is designed from the product value, price range, channel optimisation, and promotional efforts of the enterprise marketing strategy, and the validity of the questionnaire is tested by principal component analysis.Then meta-analysis method was used to explore the correlation of each variable, and the SEM model was combined to explore the influence path of corporate marketing strategy on consumer purchase intention.The Q-value of the hypothesised relationship of consumer purchase intention ranges from 446.137 to 814.535 and is significant at 1% level, and the correlation coefficients of each variable in the model with consumer purchase intention are more than 0.35.The indicators of model fit, CMIN/DF and RMSEA, are 1.076 and 0.015 respectively, and the path coefficient of the value of the product in the marketing strategy on the purchase intention is the largest at 0.076.The path coefficient of product value on consumers' purchase intention in marketing strategy is 0.369, and the development of enterprise marketing strategy needs to actively expand marketing channels and design differentiated product and service programmes, so as to enhance consumers' recognition of the enterprise brand to stimulate their purchase intention.
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 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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».