Digital Innovation and Pop-Up Ad Dilemma: Unraveling How Social Media Drives Gen Z's Decision Shopping
Notice bibliographique
Résumé
This study aims to determine the effect of pop-up ads and digital innovation on online purchase intention among Generation Z in Indonesia, and the mediating role of social media. This study collected 260 samples using purposive sampling technique. The data collection method used a questionnaire with a Likert scale of 1-5. The data test in this study used SEM PLS on 260 collected responses to examine the proposed hypotheses on the relationships among pop-up ads and digital innovation on online purchase intention Generation Z in Indonesia. The results showed that pop-up ads significantly influenced online purchase intention, but the effect is negative. This suggests that the effect is negative, as people perceive them as intrusive. In contrast, digital development significantly influences online purchase intention by improving user experience and transaction efficiency. Furthermore, social media was identified as a key mediator, which is able to drive from pop-up ads and digital developments to online purchase intentions. Marketers and entrepreneurs should be aware of the importance of implementing suitable methods to utilise pop-ups and leverage digital technologies in order to increase user engagement and purchase intentions. Marketers should be careful with pop-up ads to prevent user annoyance and prioritise digital innovations that improve user experience. A wide variety of studies have contributed to evaluating the direct impact of social media on purchase intent. However, other researchers have ignored the impact of mediating variables. This study investigates how social media marketing is able to mediate the effect of pop-up advertising on consumer purchase intentions, especially among Gen Z consumers. Furthermore, this study incorporates digital innovation as a determinant of influence.
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 | 0,001 | 0,004 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».