Jak mierzyć i badać efektywność marketingową reklam?

Jak mierzyć i badać efektywność marketingową reklam o to jest pytanie… W poniższym wpisie chciałbym poruszyć temat badania i pomiaru efektywności marketingowej reklam, ale nie pomiaru technikami płatnymi takimi jak śledzenie statystyk w panelach Analitics, FB, Freshmail itp. itd. Chodzi mi głównie o to, że niekiedy firma nie może pozwolić sobie na wpuszczenie kampanii marketingowej by sprawdzić ją w internetowych statystykach. W takich przypadkach byłaby wystawiona na ryzyko utraty wypracowanego latami pozytywnego wizerunku (np. kampania napoju Tiger z powstańcami wypuszczona 1 sierpnia (istny strzał w kolano)). Badanie efektywności marketingowej reklam jest szczególne ważne w przypadku kiedy budżet reklamowy jest duży, a pożądana efektywność kampanii marketingowej ma przynieść strategiczną zmianę skierowaną na skłonienie konsumenta do zakupu (Hryniewicz, 2018; Hryniewicz, Badzmirowski, & Borchet, 2019), podwyższenia chęci większej zapłaty za produkt (Lewis & Shoemaker, 2009; Lipovetsky, Magnan, & Polzi, 2011; Miller, Hofstetter, Krohmer, & Zhang, 2011) oraz zwiększenia postawy wobec samej reklamy oraz marki (Brown & Stayman, 1992; Chen, Chien, Wu, & Tsai, 2010; Hahn, Scherer, Basso, & dos Santos, 2016).

Jak mierzyć efektywność marketingową reklam w sposób chałupniczy, ale badać ją w naukowy sposób?

Nie ma nic prostszego niż testowanie tej efektywności metodami pomiaru psychologicznego w poszczególnych grupach eksperymentalnych różniącymi się kolejnymi wersjami reklamy. Metoda jest prosta. Pokazujemy reklamę i następnie dokonujemy określonego pomiaru interesującej nas cechy. Pod pewnymi względami pomiar ten jest niezwykle cenny, ponieważ zwraca informacje o świadomej ocenie reklamy przez konsumentów w poszczególnych grupach (powiedzmy, że mamy kilka wersji reklamy tego samego produktu jedną prezentowaną przez znanego influencera, drugą reżyserowaną, a trzecią animowaną).

Powołując się na teorię intencji (Ajzen & Kruglanski, 2019), czyli świadomego podjęcia decyzji o zachowaniu. Możemy z łatwością testować efektywność marketingową reklamy pod względem świadomej chęci zakupu produktu. Jest to cenna informacja która mówi wiele o tym jak reklama wpływa na konsumenta pod względem właśnie w sumie najważniejszego, czyli czy konsument jest skłonny do wydania pieniędzy na produkt. W celu zmierzenia tego konstruktu możemy wykorzystać następujące pozycje testowe dotyczące chęci kupna, w tym przypadku marchwi marki JANZOF:

Pomiar efektywności marketingowej reklamy – intencja zakupu (pomiar odpowiedzi na 5 stopniowej skali Likerta (1 – Zdecydowanie się nie zgadzam/ 5 – zdecydowanie się zgadzam)

– Chciałbym/abym spróbować marchwi JANZOF

– Kupiłbym/abym marchew JANZOF

– Na zakupach włożę do koszyka marchew JANZOF

Jak mierzyć i badać efektywność marketingową reklam pod względem chęci zapłaty za reklamowany produkt?

Często firmy są zainteresowane zmianą strategii cenowej (zazwyczaj podwyższaniem cen lub obniżaniem tylko o tyle, by była to ledwie dostrzegalna różnica) (Raab, Mayer, & Kim, 2009). Wydaje się bardzo interesujące to, czy nowa strategia reklamowania produktów ma wpływ na chęć zapłaty za produkt. W celu mierzenia tego aspektu efektywności marketingowej mamy kilka metod pomiaru. Najłatwiejszą jest zapytania konsumenta o to „Ile jesteś skłonny maksymalnie zapłacić za prezentowany wcześniej produkt/ usługę?. Trochę trudniejszą, ale chyba najbardziej skuteczną metodą jest wykonanie pomiaru wrażliwości cenowej (Lipovetsky et al., 2011). W tym przypadku określamy różne przedziały cenowe które dają nam informacje o punktach wrażliwości cenowej. By wykonać taki pomiar musimy zapytać się badanego o 4 progi cenowe:

1. Ile musiałby kosztować produkt byś stwierdził/a, że jest zbyt tani, a jego jakość jest podejrzana?
2. Ile musiałby kosztować produkt byś stwierdził/a, że jest tani i warty zakupu?
3. Ile musiałby kosztować produkt byś stwierdził/a, że jest drogi, ale warty zakupu?
4. Ile musiałby kosztować produkt byś stwierdził/a, że jest zbyt drogi by go kupić?

Jak badać efektywność marketingową reklam pod względem postaw wobec produktu, samej reklamy i marki?

Postawy, a także rzeczywiste zachowania! Naukowcy nie mają zgodności co do istnienia postaw. Jedni mówią, że one nie istnieją, a inni, że istnieją. Niezależnie od tego sporu, postawy są dominującą aktywnością podczas oceny innych ludzi, miejsc, obiektów. Postawy możemy zrównoważyć z wartościowaniem. Ludzie wartościują wszystko i prawie zawsze. Postawy wartościujące definiuje się na kontinuum od bieguna negatywnego do pozytywnego.  Jak badać efektywność marketingową reklam pod względem postaw? Jest to banalnie proste! Biorąc pod uwagę klasyfikację postaw według Allporta (1935). Możemy mówić o trzech wymiarach postaw wobec produtku, reklamy i marki (bądź jakiegokolwiek obiektu, człowieka, rzeczy czy zdarzenia). Wyróżnia on trzy komponenty takich postaw (poznawczą, emocjonalną i behawioralną). Wymiar poznawczy (przekonania) odzwierciedla otwartość i wiedzę osoby w relacji do produktu lub jego jakości. Ma on formę przekonań (poprawnych lub nie), które konsument ma o produkcie, reklamie marce lub usłudze. Komponenta emocjonalna (uczucia) odnoszą się do sentymentów i uczuć osoby w kierunku obiektu, które mogą być dobre lub złe, miłe lub niemiłe. Uczucia, wrażenia, afekt i emocje skierowane do produktu są częścią postawy. Trudno wyobrazić sobie lubienie czegoś lub kogoś jedynie na podstawie zimnych przekonań o nim. Pozostaje jeszcze komponenta behawioralna, czylil działanie w kierunku produktu lub ososby.  Odnosi się to do tendencji działaniowych lub intencji osoby do zachowania się wobec obiektu w pewien sposób. Często postawy behawioralne równoważy się z intencją (Ajzen, 1991). Jak badać postawy wobec reklamy? Jak określić jej efektywność pod tym względem? Poniżej przedstawiam pomiar postaw wobec reklamy (bez rozróżnienia na postawę poznawczą, emocjonalną i behawioralną).

Pomiar efektywności marketingowej reklamy – postawy wobec samej reklamy (pomiar odpowiedzi na 5 stopniowej skali Likerta (1 – Zdecydowanie się nie zgadzam/ 5 – zdecydowanie się zgadzam)

– Reklama produktu fajnie brzmi

– Reklama produktu jest chwytliwa

– Odbiór reklamy jest miły dla oka i ucha

– Reklama jest dobrze zrobiona

– Oglądanie reklamy było przyjemne.

Zobacz co może przynieść efekt wielokrotnego testowania efektywności moarketingowej reklam. Produkt jakim jest marchwe JANZOF nieistnieje, ale musiała zostać powołana do życia ze względu na to stawiane pytania badawcze 🙂

Kliknij by zobaczyć jak przebiega taki proces oceny reklamy w jednym z moich artykułów naukowych KLIK1, KLIK2

Bibliografia:

Ajzen, I. (1991). The theory of planned behavior. Orgnizational Behavior and Human Decision Processes, 50, 179–211. https://doi.org/10.1016/0749-5978(91)90020-T

Ajzen, I., & Kruglanski, A. W. (2019). Reasoned action in the service of goal pursuit. Psychological Review, (July). https://doi.org/10.1037/rev0000155

Allport, G. W. (1935). Attitudes. A Handbook of Social Psychology, 1, 798–844.

Brown, S. P., & Stayman, D. M. (1992). Antecedents and Consequences of Attitude Toward the Ad: A Meta-Analysis. Journal of Consumer Research, 19(1), 34. https://doi.org/10.1086/209284

Chen, Y.-H., Chien, S.-H., Wu, J.-J., & Tsai, P.-Y. (2010). Impact of Signals and Experience on Trust and Trusting Behavior. Cyberpsychology, Behavior, and Social Networking, 13(5), 539–546. https://doi.org/10.1089/cyber.2009.0188

Hahn, I. S., Scherer, F. L., Basso, K., & dos Santos, M. B. (2016). Consumer trust in and emotional response to advertisements on social media and their influence on brand evaluation. 13(4 OP-Brazilian Business Review. July-August, 2016, Vol. 13 Issue 4, p49, 23 p.), 49. https://doi.org/10.15728/bbr.2016.13.4.3

Hryniewicz, K. (2018). Efekt zbieżności obrazu produktu z charakterystyką konsumenta a intencją zakupu i chęcią zapłaty. Handel Wewnętrzny, 6(1), 223–234.

Hryniewicz, K., Badzmirowski, D., & Borchet, J. (2019). The Role of Self-convergence Effect in Purchasing Process vs Brand Familiarity on Example of Energy Drink Category in Polish Consumers Conditions. Marketing i Rynek, 1(6), 15–23. https://doi.org/10.33226/1231-7853.2019.6.2

Lewis, R. C., & Shoemaker, S. (2009). Price-Sensitivity Measurement: a Tool for Restaurant Menu Pricing. Journal of Hospitality & Tourism Research ·, (July 2016). https://doi.org/10.1177/1096348008329659

Lipovetsky, S., Magnan, S., & Polzi, A. Z. (2011). Pricing Models in Marketing Research. 2011(September), 167–174. https://doi.org/10.4236/iim.2011.35020

Miller, K. M., Hofstetter, R., Krohmer, H., & Zhang, Z. J. (2011). How Should Consumers ’ Willingness to Pay Be Measured ? An Empirical Comparison of State-of-the-Art Approaches. XLVIII(February), 172–184.

Raab, C., Mayer, K., & Kim, Y. (2009). PRICE-SENSITIVITY MEASUREMENT: A TOOL FOR RESTAURANT MENU PRICING. Journal of Hospitality & Tourism Research, 33(1), 93–105. https://doi.org/10.1177/1096348008329659

Jak raportować wyniki modelowania równań strukturalnych PLS?

Jak raportować wyniki modelowania równań strukturalnych PLS możemy zapytać siebie samych po przeprowadzeniu analizy. Niemniej tak jak jakakolwiek wielowymiarowa analiza statystyczna (J.F. Hair, Black, Babin, & Anderson, 2010) technika modelowania równań strukturalnych wymaga całościowego ocenienia finalnych wyników, czyli model musi zostać poddany ewaluacji. Słaba ewaluacja modelu strukturalnego i raportowanie tylko szczęści statystyk nie pozwala nam na dokładnie zapoznanie się z testowanym aspektem badanej rzeczywistości. Pod wieloma względami raportowanie wyników modelowania równań strukturalnych techniką PLS jest ciągle mocno pod wpływem raportowania wyników metody modelowania opartej na macierzy wariancji-kowariancji. Szczególnie podobieństwo to jest obserwowane w przypadku oceny modelu pomiarowego. Dzieje się tak dlatego, że model pomiarowy jest pod wpływem teorii zmiennej latentnej jako mechanizmu opartego wariancyjnie i kowariancyjnie.

Jak raportować wyniki modelowania równań strukturalnych PLS. Ocena modelu strukturalnego modelowania metodą PLS składa się z dwóch typowych etapów (niekiedy tylko z jednego, ale tylko w przypadkach kiedy zmienne mierzone są bez błędu pomiaru). Pierwszym etapem jest ocena modelu pomiarowego, czyli ocenia się to jak zmienne skonceptualizowane w modelu są dobrze mierzone. Drugim etapem jest ocena modelu strukturalnego, czyli ścieżkowych relacji między testowanymi zmiennymi (zmiennymi utworzonymi tak naprawdę w pierwszym kroku analizy PLS). W kroku pierwszym ocenie poddaje się rzetelność zmiennych, a także ich trafność zgodnie z kryteriami odnoszącymi się do konceptualizacji zmiennych reflektywnych i formatywnych. Ten krok polega na takiej logice, że jeśli nie jesteśmy pewni pomiarów zmiennych, to nie ma większego powodu do tego by wykorzystać je do badania relacji strukturalnych. Jeśli statystyki zmiennych latentnych są w porządku, to możemy analizować oszacowania modelu strukturalnego. Poniższa tabela przedstawia reguły kciuka odnoszące się do kryteriów oceny modelu pomiarowego i strukturalnego (Joe F. Hair, Ringle, & Sarstedt, 2011). Jak raportować wyniki modelowania równań strukturalnych PLS.

Ocena reflektywnego modelu pomiarowego zmiennych

– Wewnętrzna spójność/ wysoka rzetelność wskaźników (Cronbach, 1951). Rzetelność kompozytowa powinna wynosić więcej niż 0,70 (choć w badaniach eksploracyjnych wartość 0,6 – 0,7 jest rozważana jako akceptowalna (Fornel & Larcker, 1981; Joe F. Hair et al., 2011).

– Rzetelność wskaźników: Ładunki czynnikowe powinny być wyższe niż wartość 0,7.

– Trafność różnicowa: Wartość AVE (Average Variance Extracted) powinna być wyższa niż jakakolwiek korelacja innej zmiennej z konstruktem. Kryterium Fornela-Larckera (Fornel & Larcker, 1981)

– Ładunki czynnikowe danego czynnika powinny być wyższe dla czynnika korespondującego niż innego czynnika

Ocena formatywnego modelu pomiarowego zmiennych

– Wartości wag wskaźników (względna ważność) powinna być istotna statystycznie p<0,05

– Kiedy wszystkie wartości wag są istotne, to znaczy, że jest empiryczne wsparcie by pozostawić je wszystkie w modelu

– Jeśli ładunki i wagi są nieistotne, to znaczy, że nie ma empirycznego dowodu na ich pozostawienie w modelu

– Współliniowość powinna być mniejsza niż 5 przy każdej badanej zmiennej

Statystyki modelu pomiarowego

– wartości SRMR i SMAR powinny wynosić mniej niż 0,10-0,12 (Iacobucci, 2010; Kock, 2020)

– Test Chi Kwadrat powinien wskazywać na zbieżność macierzy empirycznej z macierzą teoretyczną

Ocena modelu strukturalnego

– Wartości R² 0,75, 0,50, 0,25 dla zmiennych wyjaśnianych mogą być opisane odpowiednio jako znaczne, umiarkowane, słabe

– Statystyka Paradoksu Simpsona powinna wskazywać brak paradoksów (najlepiej kiedy jest większa niż 0,7)

– Ocena przeciętnej współliniowości (współliniowość modelu strukturalnego). Statystyka ta powinna być niższa niż 5, a najlepiej niższa niż 2,5.

– Ocena całkowitej współliniowości (współliniowość całego modelu). Wartości wyższe niż 5 wskazują o występowaniu Common Method Bias (Kock, 2015; Podsakoff, MacKenzie, Lee, & Podsakoff, 2003)

– Statystyka statystycznej supresji powinna wskazywać podobieństwo między znakami ścieżek i korelacji między zmiennymi (najlepiej kiedy jest większa niż 0,7)

– Wykorzystanie techniki Bootstrapingu (lub inne metody szacowania błędów standardowych) do oceny istotności wartości ścieżkowych lub wygładzania wykładniczego (Kock & Hadaya, 2018)

– Ocena całościowej mocy predykcyjnej modelu (Goddness of Fit (Tenenhaus, Esposito, Chatelin, & Lauro, 2005))

– Ocena inwariancji pomiarów jeśli model jest testowany w grupach (Jorg & Ringle, 2016; Kock, 2017; Tailab, 2020)

Poniższa tabela przedstawia przykładowy zapis statystyk rzetelności reflektywnego modelu pomiarowego 

Tabela nr 1. Wyniki analizy rzetelności  i wyjaśnionej wariancji pomiarów wykonanych w obu warunkach testowanych reklam marchwi JANZOF.

Nota: ΔR² = Skorygowane ΔR²; CR = rzetelność kompozytowa (pożądana wartość współczynnika  > = .75) α = Alpha Cronbacha (pożądana wartość współczynnika > = .75); AVE = Przeciętna wydobyta wariancja (pożądana wartość współczynnika > = .50).

Table 3. Data fit coefficients for the tested models.

Note. AVIF = Average Variance Inflation Factor (accepted if AVIF < = 5.00, ideally AVIF < = 3.30); GoF = Goodness of Fit (low if GoF > =.10, moderate if GoF > = .25, high if GoF > = .36); SPR = Simpson’s Paradox Ratio (accepted if SPR > = .70, ideally SPR  = 1.00); SSR = Statistical Suppression Ratio (accepted if SSR  > = .70, ideally SSR = 1.00); SRMR = Standardized Root Mean Squared Residual (accepted if SRMR < = .12); SMAR = Standardized Mean Absolute Residual (accepted if SMAR < = .12); χ² = Chi Square; AG = Agentic Ad.; CM = Communal Ad.

*** p < .001.

Bibliografia:

Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555

Fornel, C., & Larcker, D. (1981). Evaluating Structural Equation Unobservable Variables and Error. Journal of Marketing Research, 18, 39–50.

Hair, J.F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). The Role of Theory in Structural Equation Modeling. Multivariate Data Analysis, 642–644.

Hair, Joe F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–151. https://doi.org/10.2753/MTP1069-6679190202

Iacobucci, D. (2010). Structural equations modeling: Fit Indices, sample size, and advanced topics. Journal of Consumer Psychology, 20(1), 90–98. https://doi.org/10.1016/j.jcps.2009.09.003

Jorg, C., & Ringle, C. M. (2016). Testing Measurement Invariance of Composites Using Partial Least Squares. International Marketing Review, 33(3), 405–431. https://doi.org/10.1108/IMR-09-2014-0304

Kock, N. (2015). Common method bias in PLS-SEM : A full collinearity assessment approach. 1–10.

Kock, N. (2017). WarpPLS User Manual: Version 6.0. Retrieved from http://cits.tamiu.edu/WarpPLS/UserManual_v_6_0.pdf#page=77

Kock, N. (2020). WarpPLS User Manual: Version 7.0 (7th ed.). Laredo: ScriptWarp Systems.

Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM : The inverse square root and gamma-exponential methods. 227–261. https://doi.org/10.1111/isj.12131

Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879

Tailab, M. M. K. (2020). Using Importance-Performance Matrix Analysis to Evaluate the Financial Performance of American Banks During the Financial Crisis. https://doi.org/10.1177/2158244020902079

Tenenhaus, M., Esposito, V. V., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205. https://doi.org/10.1016/j.csda.2004.03.005

Hasło reklamowe telefonu komórkowego na podstawie badań.

Reklama telefonu komórkowego? Jak efektywnie przedstawić konsumentom telefon komórkowy? Czy hasło reklamowe telefonu komórkowego wymyślone na podstawie badań może być kluczowe dla efektywności takiej reklamy? Skupienie firm produkujących telefony komórkowe jest zogniskowane głównie na sprzedaży urządzeń i akcesoriów. Niemniej skupienie te musi być w pewien sposób realizowane. Działania te to działania marketingowe, czyli wszelkiego rodzaju sposoby zachęcające konsumenta do wydania pieniędzy na konkretny produkt (Akturan & Bozbay, 2018; Barber, Kuo, Bishop, & Jr, 2010; Hryniewicz, Badzmirowski, & Borchet, 2019; Miller, Hofstetter, Krohmer, & Zhang, 2011). Jak wiemy sposobów i kanałów reklamowania produktów może być wiele. Poczynając od zwykłego stoiska z prezentacją produktu i nawoływaniem przechodniów do wypróbowania i kupna, przez wykorzystywanie influencerów w sieci, po masowe działania w mediach. W tym wpisie skupię się tylko na jednej formie marketingu jakim jest klasyczna reklama. Reklama jest wygodnym formatem. Jest krótka i o ile ma pewną jakość i zawiera odpowiednie treści, może się podobać i sterować zachowaniem konsumenta. Sterować, czyli kłaniać go bardziej do kupna niż do negatywnej oceny marki, produktu czy reklamy (Escandon-Barbosa & Rialp-Criado, 2019; Hryniewicz, 2018; Sirgy, 2015). Reklama

Jakie treści powinno zawierać hasło reklamowe telefonu komórkowego?

Na to pytanie najlepiej jest odpowiedzieć dzięki ilościowym badaniom naukowym i metodom statystycznym. Dzięki odpowiedniej metodologii badań, a także specjalnie dobranej obórce statystycznej zebranych danych można poznawać przeciętne tendencje występujące na rynku i ogólne oczekiwania konsumentów. Nie mówię tutaj, że badania i analizy statystyczne zrobią za nas reklamę i całą robotę, ale pomogą nam lepiej zrozumieć konsumencki sposób postrzegania rynku dóbr i usług. Wszyscy wiemy, że ludzie lubią usłyszeć to z czym się zgadzają, w co wierzą lub czego potrzebują. Najważniejsze w tym przedsięwzięciu jest to, co konkretnie i jak podać to czego rynek potrzebuje. Podglądając metodami naukowymi myśli i zachowania konsumentów, możemy dzięki wynikom badań dowiedzieć się na co wrażliwi są konsumenci i czego oczekują. Następnie pisarze, scenarzyści i specjaliści od narracji, bazując na prawdzie dotyczącej tendencji na rynku, mogą przygotować odpowiedni content. Niezależnie, czy to jest firma Samsung, Apple, czy Xiaomi. Ludzie od telefonów oczekują podobnych rzeczy. Oczywiście mogą być drobne różnice między oczekiwaniami klientów Apple a oczekiwaniami klientów Samsunga. Niemniej będą to tak subtelne różnice, że tylko w konkretnych okolicznościach (np. utrzymania spójności wizerunku) będą one stanowiły o zmianie wielkości sprzedaży/ wartościowania marki/ siły marki. Reklama telefonu komórkowego, jak ją badać?

Jak badać takie treści dla telefonów komórkowych?

Żeby zbadać to jakie treści powinno zawierać hasło reklamowe telefonu komórkowego nie potrzeba wiele. Wystarczy około 900 osób które przeszły przez 5 minutowe badanie polegające na odpowiedzi na kilka prostych pytań. Oto one:

• Co byś chciał/a oglądać na reklamach telefonów komórkowych?
• Jaki miałaby mieć przekaz taka reklama telefonów?
• Co chciałbyś/abyś by w takiej reklamie miało się dziać?
• Co byś chciał/a w niej zobaczyć?
• Jakie wartości/idee miałby być przekazane w takiej reklamie?

W tej metodzie badanym daje się swobodę w wypisaniu ich przemyśleń. Następnie wyniki (wyniki te są tekstem) można poddać statystycznej analizie tekstu. Ja do tego celu wykorzystałem metodę Text Mining w programie Orange Biolab (Biolab, 2018). Jest to metodą dzięki której można przetwarzać w sposób ilościowy słowa. Wynikiem tych analiz są różne rzeczy (począwszy od analizy wątków tematycznych, poprzez analizę kolejności słów, po analizę emocjonalności badanych tekstów), ale nas najbardziej interesuje to, co nasi badani wpisywali po prostu najczęściej. Musimy przyjąć pewne intuicyjne założenie, że im cześciej osoby wpisują dane treści, tym są ona dla nich ważniejsze i łatwiej dostępne w umyśle.

Czy hasło reklamowe telefonu komórkowego może czerpać z poniższego badania jakieś ciekawe dla siebie treści?

Spoglądając na poniższy rysunek możemy z przekonaniem powiedzieć, że tak. Dlaczego? Rysunek poniżej przedstawia treści które chcieliby zobaczyć ludzie w przekazie marketingowym na temat telefonu komórkowego/smartfona. Im większe jest dane słowo, tym częściej pojawiało się ono w deklaracjach ankietowanych osób. Możemy zobaczyć, że dla ludzi najważniejsze są zalety teleofnu, kamera, zdjęcia, przykłady, parametry itp. Mniej ważne, ale nadal kluczowe dla nich są ludzie, rodzina, opis, wartość, cena, jakość, wygląd. Jeszcze mniej ważne, ale w dalszym ciągu często pojawiające się treści, to spotkania i relacje z innymi, świat, kontakt, człowiek, przyjaciele, muzyka, bycie razem. Ciekawe co?

Co z takiego badania jest kluczowe dla marketerów którzy pracują nad hasłami reklamowymi dla telefonów komórkowych?

Wgląd w treści związne jakie powinna zawierać reklama telefonu komórkowego. Głęboki wgląd w to co konsumenci chcą wiedzieć, widzieć i słyszeć na temat telefonów komórkowych. Dzięki tym informacjom twórczość i fantazja marketerów, kreatorów oraz innych specjalistów może iść w określonym kierunku, który jest prawdą (lub raczej pewnym przybliżeniem prawdy) na temat rzeczywistości rynkowej w którym głównym rozgrywającym jest jednak zawsze konsument. Warto się zastawić czy reklama zawierająca poszczególne treści z powyższego rysunku, będzie bardziej efektywna w odbiorze konsumenckim? Czy może bardziej efektywna będzie reklama pokazująca jakiś niezrozumiały dla nikogo przekaz np. Jakichś ludzi dziwnie tańczących do nierzozumiałej muzyki, a w tle jest zbiornik retencyjny? Być może, że taki „osobliwy” przekaz ma znaczenie dla wąskiej grupy odbiorców np. artystów (choć to też warto sprawdzić). Niemniej jeśli firma telefonów komórkowych chce prowadzić dobrą sprzedaż w skali makro, to lepiej żeby swym przekazem precyzyjnie wstrzeliwała się w zgeneralizowane oczekiwania konsumentów. W ich oczekiwania co do ich własnego życia, czyli ich dążenia do sprawnego działania i osiągania celów oraz nawiązywania i utrzymywania relacji społecznych z innymi ludźmi (Abele & Wojciszke, 2014; Bakan, 1966). Poniekąd te dwa fundamentalne dążenia są wyartykułowane w zaprezentowanej wyżej grafice. Reklama telefonu komórkowego powinna zawierać takie treści. Dzięki nim z łatwością uzyskamy zbieżność pomiędzy osobą klienta, a produktem, co skutkuje pozytywnym wartościowaniem produktu, reklamy, a także marki.

Chcesz zobaczyć czego oczekują konsumenci od czegoś co jeszcze nie istnieje, czyli od technologii samochodów autonomicznych? Zachęcam do zapoznania się z techniką analizy wątków (Topic Modeling) klik wkontekście marketingu samochodów autonomicznych. Nie jest to reklama teleofnu komórkowego ani, ale wyniki tego bedania są teoretycznie zbieżne z wynikami przedstawiającymi oczekiwania treści w reklamie smartfonów, a także są równie pouczające.

Bibliografia:

Abele, A. E., & Wojciszke, B. (2014). Communal and agentic content in social cognition: A dual perspective model. In Advances in Experimental Social Psychology (1st ed., Vol. 50, pp. 195–255). https://doi.org/10.1016/B978-0-12-800284-1.00004-7

Akturan, U., & Bozbay, Z. (2018). Attractiveness, Purchase Intention, and Willingness to Pay More for Global Brands : Evidence from Turkish Market. Journal of Promotion Management, 0(0), 1–18. https://doi.org/10.1080/10496491.2017.1408522

Bakan, D. (1966). The duality of human existence: An essay on psychology and religion. Chicago: Rand McNally & Company.

Barber, N., Kuo, P., Bishop, M., & Jr, R. G. (2010). Measuring psychographics to assess purchase intention and willingness to pay. https://doi.org/10.1108/07363761211237353

Biolab, R. (2018). Orange3 Text Mining Documentation.

Escandon-Barbosa, D., & Rialp-Criado, J. (2019). The impact of the content of the label on the buying intention of a wine consumer. Frontiers in Psychology, 9(JAN), 1–11. https://doi.org/10.3389/fpsyg.2018.02761

Hryniewicz, K. (2018). Efekt zbieżności obrazu produktu z charakterystyką konsumenta a intencją zakupu i chęcią zapłaty. Handel Wewnętrzny, 6(1), 223–234.

Hryniewicz, K., Badzmirowski, D., & Borchet, J. (2019). The Role of Self-convergence Effect in Purchasing Process vs Brand Familiarity on Example of Energy Drink Category in Polish Consumers Conditions. Marketing i Rynek, 1(6), 15–23. https://doi.org/10.33226/1231-7853.2019.6.2

Miller, K. M., Hofstetter, R., Krohmer, H., & Zhang, Z. J. (2011). How Should Consumers ’ Willingness to Pay Be Measured ? An Empirical Comparison of State-of-the-Art Approaches. XLVIII(February), 172–184.

Sirgy, M. J. (2015). The Self-Concept in Relation to Product Preference and Purchase Intention. Marketing Horizons: A 1980’s Perspective, (1969), 350–354. https://doi.org/10.1007/978-3-319-10966-4_94

Modelowanie równań strukturalnych PLS SEM i CB-SEM w badaniach zachowań konsumenckich

Modelowanie równań strukturalnych PLS SEM i CB-SEM w badaniach zachowań konsumenckich

Modelowanie równań strukturalnych (Structural Equations Modeling (SEM)) pojawiło się w literaturze na temat zachowań konsumenckich już we wczesnych latach 80 (Bagozzi & Warshaw, 1990; Fornel & Larcker, 1981), ale w ostatnich latach aplikowanie tej metody, w badaniach nad zachowywaniem się konsumentów, wzrosło bardzo dynamicznie i rozszerzyło się również na inne obszary nauki.

Modelowanie równań strukturalnych – dwa podejścia

Dążenie do testowania teorii i koncepcji jest jednym z powodów dla którego badacze wykorzystują modelowanie równań strukturalnych. Dla wielu badaczy zachowań konsumenskich modelowanie równań strukturalnych jest równoważne z wykonaniem modelowania opartego o macierz wariancji-kowariancji (CB-SEM/covariance based SEM) w programach Lisrel, M-PLUS, AMOS, pakiecie lvan (Arbuckle, 2010; Byrne, 2012; Haenlein & Kaplan, 2004; Rosseel, 2014). Niemniej modelowanie równań strukturalnych to również modelowanie metodą PLS (Partial Least Squares) (Garson, 2016; Henseler & Chin, 2010; Vinzi, Trinchera, & Amato, 2010). PLS-SEM jest przyczynowym podejściem do modelowania, mającym na celu maksymalizację wyjaśnionej wariancji zmiennych zależnych (konstruktów latentnych). W przeciwieństwie do CB-SEM, którego celem jest ocena odtworzenia teoretycznej macierzy wariancji-kowariancji, celem SEM-PLS jest właśnie maksymalizacja predykcji. Metoda SEM-PLS jest mniej popularna niż metoda CB-SEM. Niemniej wykorzystywanie metody SEM-PLS staje się coraz częstsze, szczególnie po roku 1999 (Hair, Ringle, & Sarstedt, 2011).  Tworzy to pewne trudności, ponieważ mniej zaznajomieni z metodą SEM badacze często wykorzystują tę metodę jako panaceum na wszystkie problemy w czasie badań zachowań konsumenckich. Szczególnie dzieje się to w przypadku kiedy zebrane w toku badania dane nie spełniają rygorystycznych założeń SEM-CB (Arbuckle, 2010). Warto dlatego zastanwoić się nad tym, którą metodę wybrać dla swoich danych rynkowych? Jaka metoda modelowania będzie najlepsza do weryfikacji modelu zachowania się konsumentó? Modelowanie równań strukturalnych PLS SEM i CB-SEM w badaniach rynku i ich kryteria wyboru są przedstawione poniżej.

Dobre rady dla badaczy wykorzystujących modelowanie równań strukturalnych.

Dobrą radą dla badaczy zachowań konsumenckich jest zapoznanie się  z regułami decyzyjnymi dotyczącymi wyboru odpowiedniej metody modelowania równań strukturalnych (co nieco zostało napisane tytaj klik). Na podstawie udokumentowanych sugestii (Hair et al., 2011) prezentujemy wskazówki za i przeciw wykorzystania danej metody modelowania.

Cele badawcze:

– Jeśli celem badania jest przewidywanie kluczowych zmiennych serią zmiennych niezależnych to wybieramy PLS-SEM.

– Jeśli celem jest testowanie teorii, jej potwierdzenie lub porównywanie koncepcji teoretycznych, to wybieramy CB-SEM

– Jeśli badanie jest eksploracyjne lub rozszerzeniem istniejącej teorii strukturalnej np. model akceptacji technologii TAM (Shroff, Deneen, & Ng, 2011), wybieramy PLS-SEM

Specyfikacja modelu pomiarowego:

– Jeśli częścią modelu strukturalnego są konstrukty formatywne, wybieramy PLS-SEM. Konstrukty formatywne mogą być również wykorzystane w CB-SEM, ale zawsze wymaga to uwzględnienia względnie złożonych dodatkowych specyfikacji.

– Jeśli błędy pomiaru wymagają dodatkowej specyfikacji np. kowariancji, to wybieramy CB-SEM

Specyfikacja modelu strukturalnego:

– Jeśli model strukturalny jest bardzo złożony (np. wiele konstruktów i wiele wskaźników), to wybieramy PLS-SEM

– Jeśli model jest nierekursywny to wybieramy CB-SEM

Charakterystyka danych i algorytmu:

– Jeśli dane spełniają wymagania CB-SEM (minimalna próbka, założenia o rozkładzie i skali (które są w zasadzie trudne to utrzymania (Kock, 2020)) wybieramy CB-SEM, jeśli jest inaczej, to lepiej wybrać SEM-PLS które i tak jest w większości przypadków dobrym przybliżeniem oszacowań uzyskanych przy CB-SEM

– Jeśli wielkość próbki jest względnie niska, to lepiej wybrać PLS-SEM. Przy większych zbiorach wyniki obu metod są podobne

– Zazwyczaj danych jest mniej niż byśmy tego chcieli, dlatego jeśli danych jest mniej, by zaspokoić wymagania metody CB-SEM to lepiej wykorzystać metodę PLS-SEM. Minimalna próbka danych dla PLS-SEM powinna być wyliczana według wzorów KLIK (biorąc przy tym również pod uwagę skomplikowanie modelu (Kock & Hadaya, 2018; Sarstedt, Ringle, Smith, Reams, & Hair, 2014).

– Jeśli dane są do pewnego stopnia nienormalne hehe, to wybieramy PLS-SEM. Jeśli są normalne to obie metody zwracają podobne wyniki (niemniej oszacowania CB-SEM sa nieco bardziej dokładne)

– Jeśli założenia CB-SEM nie mogą być spełnione (np. specyfikacja modelu, jego identyfikacja, brak zbieżności, założenie o rozkładzie) wykorzystanie PLS-SEM jest dobrym przybliżeniem wyników CB-SEM

Ocena modelu

– Jeśli jest potrzeba wykorzystania zmiennych latentnych w innych analizach, to najlepszym podejściem do analizy statystycznej jest PLS-SEM

– Jeśli badanie wymaga oceny globalnych kryteriów dopasowania danych do modelu/modeli, to CB-SEM będzie preferowanym i w sumie koniecznym podejściem

– Jeśli jest potrzeba testowanie globalnego poziomu invariancji, to CB-SEM będzie do tego jedyną metodą weryfikacji (choć PLS-SEM całkiem dobrze sobie radzi z weryfikacją tego założenia (Jorg & Ringle, 2016; Kock, 2017, 2020; Tailab, 2020)

Podsumowanie

Dzięki tym sugestiom wybranie odpowiedniej metody statystycznego modelowania zachowań konsumenckich w badaniach rynkowych będzie stanowiło mniejszy problem dla badaczy. Za jakiś czas wstawimy kilka informacji na temat tego jak oceniać model pomiarowy i model strukturalny w metodzie PLS-SEM.

Bibliografia:

Arbuckle, J. L. (2010). Ibm Spss Amos 19. Methods, 635. https://doi.org/10.1111/j.1600-0447.2011.01711.x

Bagozzi, R. P., & Warshaw, P. R. (1990). Trying to Consume. Journal of Consumer Research, 17(2), 127–140. https://doi.org/10.1086/208543

Byrne, B. M. (2012). Structural Equation Modeling with M plus.

Fornel, C., & Larcker, D. (1981). Evaluating Structural Equation Unobservable Variables and Error. Journal of Marketing Research, 18, 39–50.

Garson, G. D. (2016). Partial Least Squares: Regression & Structural Equation Models. In G. David Garson and Statistical Associates Publishing. North Carolina: Statistical Associates Publishing.

Haenlein, M., & Kaplan, A. M. (2004). A Beginner’s Guide to Partial Least Squares Analysis. Understanding Statistics, 3(4), 283–297. https://doi.org/10.1207/s15328031us0304_4

Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–151. https://doi.org/10.2753/MTP1069-6679190202

Henseler, J., & Chin, W. W. (2010). A comparison of approaches for the analysis of interaction effects between latent variables using partial least squares path modeling. Structural Equation Modeling, 17(1), 82–109. https://doi.org/10.1080/10705510903439003

Jorg, C., & Ringle, C. M. (2016). Testing Measurement Invariance of Composites Using Partial Least Squares. International Marketing Review, 33(3), 405–431. https://doi.org/10.1108/IMR-09-2014-0304

Kock, N. (2017). WarpPLS User Manual: Version 6.0. Retrieved from http://cits.tamiu.edu/WarpPLS/UserManual_v_6_0.pdf#page=77

Kock, N. (2020). WarpPLS User Manual: Version 7.0 (7th ed.). Laredo: ScriptWarp Systems.

Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM : The inverse square root and gamma-exponential methods. 227–261. https://doi.org/10.1111/isj.12131

Rosseel, Y. (2014). The lavaan tutorial. The Lavaan Tutorial, 37. https://doi.org/10.1002/cd

Sarstedt, M., Ringle, C. M., Smith, D., Reams, R., & Hair, J. F. (2014). Partial least squares structural equation modeling (PLS-SEM): A useful tool for family business researchers. Journal of Family Business Strategy, 5(1), 105–115. https://doi.org/10.1016/j.jfbs.2014.01.002

Shroff, R. H., Deneen, C. C., & Ng, E. M. W. (2011). Analysis of the technology acceptance model in examining students ’ behavioural intention to use an e- portfolio system. Australasian Journal of Educational Technology, 27(4), 600–618. https://doi.org/10.14742/ajet.940

Tailab, M. M. K. (2020). Using Importance-Performance Matrix Analysis to Evaluate the Financial Performance of American Banks During the Financial Crisis. https://doi.org/10.1177/2158244020902079

Vinzi, V. E., Trinchera, L., & Amato, S. (2010). Handbook of Partial Least Squares (V. E. Vinzi, L. Trinchera, & S. Amato, eds.). https://doi.org/https://doi.org/10.1007/978-3-540-32827-8

Jak ustalić cenę dla kilograma marchwi?

Jak ustalić cenę? Wyliczanie wrażliwości cenowej dla kilograma marchwi jest zadaniem bardzo prostym o ile ma się do dyspozycji kilkaset dostępnych i chętnych do udziału badanych. Każdy kto chce wyliczyć wrażliwość cenową swojego produktu lub oferowanej usługi może zrobić to zadając 4 proste pytania. Te cztery proste pytania dotyczą właśnie ustalania granic wrażliwości odbiorców na cenę danego produktu co bezpośrednio wiąże się z oceną jego jakości (Lewis & Shoemaker, 2009; Lipovetsky, Magnan, & Polzi, 2011). Wspomnijmy, że ocena jakości, czyli tego jak dobry jest produkt w rozumieniu konsumenta, jest zupełnie innym wymiarem jego oceny niż wartościowanie produktu (Hryniewicz, 2018; Hryniewicz, Badzmirowski, & Borchet, 2019; Muraven et al., 2017; Sirgy, 1982) lub emocjonalna na niego reakcja (Brown & Stayman, 1992). Badanie wrażliwości cenowej silnie wiąże się z jakością samego produktu, ale również z wiedzą konsumenta o tego typu produktach na rynku (Alhabeeb, 2007; Hynes & Wilson, 2016; Moreau et al., 2001)

Pierwszy próg cenowy – cena zbyt niska przez co produkt wydaje się niewart zakupu

Pierwsze pytanie niezbędne do wyliczenia wrażliwości cenowej dla jakiegokolwiek produktu lub usługi dotyczy ustalenia ceny poniżej której badani konsumenci uznają, że produkt jest kiepskiej jakości i nie warty zakupu. Próg ten informuje nas o tym, że poniżej tej ceny konsumenci niechętnie kupią ten produkt. To co konsument ma w głowie w takiej sytuacji może wyglądać następująco „Takie tanie? Na pewno jest to jakiś gniot, badziewie lub oszustwo”. Żeby zbadać ile wynosi próg ceny poniżej której konsumenci nie chcą wydać pieniędzy na taki produkt (w naszym przypadku marchew) trzeba zadać pytanie 1) Ile miałaby kosztować marchew (1kg) żebyś uznał/a, że jest ona zbyt tania i nie warta wydania Twoich pieniędzy?

Drugi próg cenowy – cena niska, ale produkt jest już chętnie kupowany

Drugie pytanie dotyczy tego ile produkt miałby kosztować najmniej, by konsument chciał go chętnie kupić. W tym przypadku konsument jest w sytuacji kiedy rozpatruje relację ceny do jakości w kontekście słaba jakość produktu, ale za niską cenę. Nie rozpatrujemy tego, czy badany chciałby w tym momencie kupić produkt, ale sprawdzamy to ile musiałby taki produkt kosztować najmniej, by w ogóle rozpatrywać jego jakość. Tutaj trzeba zadać pytanie 2) Ile musiałaby kosztować marchew (1kg) byś uznał/a, że jest tania, ale jednak warta zakupu?

Trzeci próg cenowy – cena wysoka i produkt jest nadal chętnie kupowany

Trzecie pytanie dotyczy tego jak konsument wyobraża sobie cenę która jest wysoka, ale produkt jest nadal warty swojej ceny. W tym przypadku celem jest ustalenie ceny która pomimo swojej wysokości jest nadal do zaakceptowania przy zakupie. Jest to drugie najważniejsze pytanie z perspektywy wstrzelenia się w pole akceptacji cenowej produktu lub usługi. W przypadku ustalenia takiej ceny w przypadku marchwi musimy zapytać konsumentów 3) Ile musiałaby kosztować marchew (1kg) byś uznał/a, że jest droga, ale nadal warta zakupu? Do oceny wrażliwości cenowej potrzebujemy jeszcze tylko jednego pytania.

Czwarty próg cenowy – cena wysoka przy której produkt jest już niechętnie kupowany

Ta cena ustala nam próg przy którym jakość produktu jest niewspółmierna do jego ceny. Czyli cena produktu jest zbyt wysoka, by chętnie go kupić. Próg tej ceny zniechęca konsumenta do zakupu i wskazuje, że jakość produktu jest jednak już zbyt niska w stosunku do swojej ceny. Taka sytuacja cenowa jest nie do zaakceptowania. By ustalić ten próg musimy zapytać konsumentów: Ile musiałaby kosztować marchew (1kg) byś uznał, że cena jest zbyt wysoka by ją kupić?.

Metoda ustalania ceny i wyliczenia przedziałów dla progów cen

Jak ustalić cenę kilograma marchwi w 3 kwartale 2019 roku? W naszym przykładzie zapytaliśmy 331 konsumentów o poszczególne oszacowania cen. Były to wspomniane 4 pytania. Z zebranych informacji możemy dokonać prostych wyliczeń, które wskażą nam progi akceptacji i braku akceptacji cen za nasz przykładowy kilogram marchwi.*

*Dane były zbierane przy okazaji badania naukowego dotyczącego wartościowania produktu za pośrednictwem reklam nasyconych treścią sprawczą i wspólnotową KLIK.

Pierw, wyniki poddajemy wpierw eksploracji danych. Sprawdzamy, czy wszyscy badani zrozumieli pytania, wypełniamy braki danych i analizujemy przypadki odstające/nieprawodpodobne. Przeglądamy histogramy, by zobaczyć jaki charakter mają nasze pomiary cenowe. Ogólnie wykonujemy czynności statystyczne, które pozwolą nam na rozsądne przybliżenie się do obserwowanego wycinka rzeczywistości.

Następnie wyliczamy zwykłe średnie arytemetyczne. Możemy również wyrysować specyficzny wykres przecinania się krzywych, które dostarczają nam odrobinę więcej dokłądnych informacji na temat wrażliwości cenowej, niemniej jeśli chcemy rozpatrywać czynniki wpływające na wrażliwośc cenową np. charaketystyka produktu, typ konsumenta lub grupa docelowa pozostaje nam do wykorzystania pomiar surowy. Wspomniane średnie w jednoznaczny sposób poinformują nas o granicach akceptowalnych cen. Z tabeli nr 1 wynika, że cena przy której konsumenci niechętnie kupią marchew wynosi około 1,54 PLN, tanio i chętnie kupią od około 2,91 PLN, drogo i chętnie kupią przy około 4,95 PLN, ale zbyt drogą marchew i niewartą zakupu uznają powyżej około 8,10 PLN. Dodatkowo wykonana analiza wariancji wskazuje, że różnice pomiędzy progami cenowymi wyjaśniają około 70% zmienności cen (F(1,870) = 690,85; p < 0,001, η² = 0,70. Wskazuje to na bardzo silne różnice między progami cen pod względem wysokości deklarowanych cen. Na rysunku nr 1 są zaprezentowane słupki oszacowań wraz z błędami standardowymi średniej ceny przy danym progu.

Tabela nr 1. Wrażliwość cenowa dla kilograma marchwi JANZOF w ocenie 311 konsumentów

Rysunek nr 1

Jak ustalić cenę? Co z tych wyliczeń wynika?

Z powyższych obliczeń wynika wiele w kwestii ustalania ceny dla kilograma marchwi. Po pierwsze wiemy, że jeśli marchew będzie tańsza niż 1,54 PLN i droższa niż 8,10 PLN, to zwiększamy prawdopodobieństwo, że nam zgnije, bo nikt nie będzie jej chcieć. Po drugie wiemy, że kiedy cena za kilogram marchwi będzie pomiędzy 2,91 PLN a 4,96 PLN, to klienci ją zaakceptująi będą ją chętnie kupować. Granica ustalona przez te dwie wartości informuje nas, że konsumenci są skłonni kupić marchew za cenę pomiędzy tymi wartościami progowymi. Co mówią nam jednak granice między ceną 1,54 PLN i 2,91 PLN oraz 4,96 PLN i 8,10 PLN? Są to obszary niekonkluzywne. W obu przypadkach pomiędzy wartościami progowymi mamy do czynienia z chęcią i niechęcią kupna marchwi.

Wybór właściwej ceny na podstawie wyników powyższej metody zależy od jakości produktu, popytu, strategii sprzedażowej firmy, grupy docelowej itp. Niemniej gwarancą sprzedaży testowanej marchwi jest cena pomiędzy 2,91 a 4,96 PLN. Świadomość tego stanu rzeczy po stronie sprzedawcy może wpłynąć bardzo silnie na jego zyski ze sprzedaży takiej marchwi.

Bibliografia:

Alhabeeb, M. J. (2007). On consumer trust and product loyalty. International Journal of Consumer Studies, 31(6), 609–612. https://doi.org/10.1111/j.1470-6431.2007.00622.x

Brown, S. P., & Stayman, D. M. (1992). Antecedents and Consequences of Attitude Toward the Ad: A Meta-Analysis. Journal of Consumer Research, 19(1), 34. https://doi.org/10.1086/209284

Hryniewicz, K. (2018). Efekt zbieżności obrazu produktu z charakterystyką konsumenta a intencją zakupu i chęcią zapłaty. Handel Wewnętrzny, 6(1), 223–234.

Hryniewicz, K., Badzmirowski, D., & Borchet, J. (2019). The Role of Self-convergence Effect in Purchasing Process vs Brand Familiarity on Example of Energy Drink Category in Polish Consumers Conditions. Marketing i Rynek, 1(6), 15–23. https://doi.org/10.33226/1231-7853.2019.6.2

Hynes, N., & Wilson, J. (2016). I do it, but don’t tell anyone! Personal values, personal and social norms: Can social media play a role in changing pro-environmental behaviours? Technological Forecasting and Social Change, 111, 349–359. https://doi.org/10.1016/j.techfore.2016.06.034

Lewis, R. C., & Shoemaker, S. (2009). Price-Sensitivity Measurement: a Tool for Restaurant Menu Pricing. Journal of Hospitality & Tourism Research ·, (July 2016). https://doi.org/10.1177/1096348008329659

Lipovetsky, S., Magnan, S., & Polzi, A. Z. (2011). Pricing Models in Marketing Research. 2011(September), 167–174. https://doi.org/10.4236/iim.2011.35020

Moreau, C. P., Markman, A. B., Lehmann, D. R., C. Page Moreau, Arthur B. Markman, Donald R. Lehmann, … Donald R. Lehmann. (2001). “What is it?” categorization flexibility and consumers’ responses to really new products. Journal of Consumer Research, 27(4), 489–498. https://doi.org/10.1086/319623

Muraven, M., Tice, D. M., Baumeister, R. F., Warner, L. M., Schüz, B., Wolff, J. K., … Wright, R. A. (2017). User Manual. Journal of Personality and Social Psychology, 32(1), 1–13. https://doi.org/10.1002/ejsp

Sirgy, J. M. (1982). Self-Concept in Consumer Behavior: A Critical Review. Journal of Consumer Research, 9, 287–300. https://doi.org/10.1086/208924