Consumer Beauty Consumption Preferences During Economic Downturns: Evidence, Mechanisms, and Managerial Implications
Notice bibliographique
Résumé
Economic downturns typically depress aggregate consumption, yet a subset of “affordable luxuries” in beauty often displays counter-cyclical resilience—a pattern popularized as the “lipstick effect.” This paper synthesizes multi-disciplinary evidence to examine how and why beauty consumption preferences shift during recessions. Building on evolutionary psychology and affect-regulation accounts, we review experiments and spending data that document elevated demand for attractiveness-enhancing goods (e.g., color cosmetics) when recessionary cues are salient, as well as retail-therapy mechanisms whereby making purchase decisions restores perceived control and alleviates negative affect. We then triangulate these mechanisms with macro/industry observations from the UK (e.g., 2023 sector growth despite macro headwinds) and with pandemic-era disruptions that reweighted category mix (skincare up, color cosmetics down under masking, followed by a partial rebound). We detail consumer heterogeneity (gender, life-stage, price–value calculus) and channel dynamics (e-commerce acceleration), and we translate these insights into a set of evidence-based managerial recommendations on assortment, pricing architecture, pack sizes, claims, messaging, and measurement. We conclude by specifying boundary conditions, mixed findings, and priorities for future research. Throughout, we privilege peer-reviewed studies and authoritative industry reports, aligning the discussion with the terminological and rhetorical preferences of the cited literature.
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 | 0,010 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».