The Roles of Marketing Breadth and Competitive Spread on Product Life Cycle (CEIBS Working Paper, No. 015/2020/MKT, 2020)
Notice bibliographique
Résumé
Understanding the patterns of demand evolution for a new innovation is critical for firms to effectively manage capacity planning, market and service operations, and research and development. The objective of this paper is to analyze how marketing at the industry level affects the evolution of primary demand in different stages of the product life cycle. We empirically analyze the growth and different types of marketing spending for product categories in the pharmaceutical industry across 7 countries. Our literature review leads to the identification of two constructs that characterize the pattern of competitive marketing spending over time: marketing breadth and competitive spread. The first construct reflects the spread of spending across different marketing instruments at the industry level, and the second construct reflects the spread of spending across different firms. Even though both construct measures a certain kind of spending spread, we find that they have qualitatively different (opposite) impact on market growth. An econometric model making use of the hierarchical nature of time observations within countries is estimated for each category. First, we find that high degrees of spending breadth impede market growth when the number of competitors is small (the category is young) but accelerate market growth when the number of competitors is higher (the category is maturing). Second, we find that high levels of competitive spread decrease category growth when spending levels are relatively low. However, as spending levels increase, the negative effect of competitive spread on demand growth all but evaporates.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».