Big data w kreacji słabych reklam produktów i usług – po co to komu?

Wstąp w przestrzeń międzygalaktyczno-metafizyczną reklam, konsumenta i big data

Nie od dziś wiemy, że reklama jest dźwignią handlu. Nie od dziś wiemy również, że dobra reklama jest lepszą dźwignią handlu niż reklama słaba. Niemniej, dziś wiemy też, że są reklamy, które powinny być utajnione, zniszczone lub publicznie spalone. Niestety, tego typu reklamy ciągle wśród nas żyją i na dodatek pojawiają się ciągle nowe… Aczkolwiek, my, my specjaliści jednak chcemy robić dobre reklamy, chcemy robić dzieła sztuki, które będą zapamiętane jak Mona Lisa Leonarda lub Stworzenie Adama Michała Anioła! Chcemy też, by nasz klient otrzymywał od naszej marki to co najlepsze (Jak w reklamie Tchibo).

W tym wpisie pokażę kilka tajemniczych, ale prostych jak „drut bombki na szydełku”, podejść do procesu kreacji reklamy. Wszystko po to, by zmaksymalizować jej efektywność i zmienić postrzeganie produktu naszej marki. Odpowiem na metafizyczne pytania, które zadają sobie w nocy prawie wszyscy marketerzy, a pewnie i niektórzy buriaccy filozofowie, czyli „Jak uzyskać efektywność marketingową reklam?”. Tłumacząc to na nasze, można się zapytać „Jak za pomocą reklamy podnieść nasz opłakany nieraz wizerunek?”.

Opowiem trochę nudnych, ale wartościowych rzeczy na temat tego „Jak dzięki statystycznym metodom uczenia maszyn przetwarzać duże zbiory danych w poszukiwaniu odpowiedzi na to, jakie treści chcieliby widzieć konsumenci w reklamach?”. Także odpowiem nieco ogólniej na pytanie: jak zrobić taką reklamę, by z euforycznym spokojem powiedzieć do swoich ludzi w pracy: „Słuchajcie, wycisnęliśmy wszystkie soki z tej reklamy”, „Nasza reklama weszła cała na biało!” lub bez wstydu potwierdzić maksymę „In ads we trust!!!”?

W tym wpisie odpowiem na te pytania oraz przedstawię tani, jak kluski śląskie, przepis na wygenerowanie kreacji reklamy produktu oddolnie, czyli z uzyskanych danych, a nie odgórnie z głowy, nie zawsze dobrze poinformowanego, specjalisty marketera. Mała dygresja. Prawie każdy z nas zna takiego gwiazdora i gwiazdorkę marketera. Niemniej, kiedy trzeba powtórzyć przypadkiem uzyskaną efektywność z danej reklamy, okazuje się, że wynik najjaśniejszych gwiazd marketingu „znika” jak ósmy pasażer Nostromo.

W artykule wskaże również naukową metodę na to, by w sposób szybki (kilka dni) i powtarzalny tworzyć kreacje reklam, które zmieniają postawy wobec naszej marki, a także angażują konsumentów oraz zmieniają ich zachowanie wobec produktu.

5 obszarów, w których Big Data rewolucjonizuje marketing

Efektywność marketingowa to cel każdej reklamy

Efektywność marketingowa reklam jest obszarem badań wielu dziedzin nauki. Głównie zarządzania, marketingu oraz psychologii. Najczęściej, pod pojęciem efektywności marketingowej reklam, badacze skupiają się na kilku kluczowych parametrach reklamy, głównie chodzi o pieniądze i pewne zachowania konsumentów. Reklamy bada się pod tym względem, jak wpływają na chęć kupna produktu, zmianę postaw konsumenckich (z negatywnych lub neutralnych na pozytywne) wobec produktu, samej reklamy, marki i producenta (MacKenzie et al., 1986). Niekiedy, oceną jest również humor, a także różne emocje wywoływane przez reklamę (Eisend, 2009). Rzadziej jest oceniana chęć zapłaty za dany produkt po zobaczeniu reklamy (Didier & Lucie, 2008; Hryniewicz et al., 2019; Kim & Kim, 2016), a także wrażliwość cenowa chęci zapłaty za produkt (Hollebeek et al., 2007; Lipovetsky et al., 2011). Ogólnie można powiedzieć, że wysiłki badaczy skupionych nad wyjaśnianiem efektywności marketingowej dotyczą maksymalizacji wizerunku marki, a także wzrostu jej wyniku ekonomicznego. Wydaje się jasnym jak słońce, że im lepszy wizerunek uzyska marka w oczach klientów, tym chętniej będą oni jej ufać i ją kupować, a to przyczyni się do wzrostu sprzedaży, a także sukcesu ekonomicznego i wizerunkowego firmy. Teraz przejdziemy do metafizyki, czyli granic poznania. Jakie pytanie trzeba sobie postawić przed przystąpieniem do kreowania efektywnej reklamy? Czy pytamy o to „Co konsumenci chcieliby widzieć w reklamie produktu/usługi?”, czy pytamy „W co cool jazzy trendy ubrać naszego celebrytę, by ludzie klikali i kupowali więcej i więcej?”?

Jakieś naturalne prawidłowości w odbiorze treści reklam? Panie! Daj Pan spokój! Nie w tych czasach! Kiedyś to były czasy! Teraz to nie.

W rynkowych obszarach zachowań konsumenckich przyjmuje się różne założenia na temat zachowania się ludzi i dynamiki procesów społecznych. Przykładowo, w analizie ryzyka kredytowego przyjmuje się założenie, że przeszłe zachowania konsumentów (Pan Zbyszek zawsze mówił dzień dobry) przewidują przyszłe zachowania (Pan Zbyszek będzie mówić dzień dobry zawsze). Brzmi to mądrze, dlatego aktualnie jest całkowita zgodność co do takiej teorii, gdzie przeszłość równa się przyszłości. Stała się ona już aksjomatem w bankowości (aksjomaty to twierdzenia, których prawdziwości nie trzeba udowadniać). Wracając do tematu ryzyka kredytowego. Na podstawie przeszłości wnioskuje się o przyszłości, czyli z danych historycznych buduje się system scoringowy oceniający jak poszczególne cechy konsumentów w przeszłości sprzyjały spłacie kredytu. Dzięki temu banki i instytucje finansowe mogą spać spokojnie i przyznać kredyt osobie o określonych cechach (np. wykształconej mężatce w wieku 36 lat z miasta jeżdżącej perłowym Range Roverem) lub z dużą pewnością nie przyznać komuś innemu (np. 18 letniemu kawalerowi ze wsi z wykształceniem podstawowym i 4 dzieci, który jeździ 20 letnim i dwukolorowym Passatem kombi z 1.9 TDI). Nieco inne, ale nadal pewne założenia możemy przyjąć w obszarze oczekiwań konsumenckich wobec reklam. Tak, tak, konsumenci mają swoje potrzeby i oczekiwania, które niezaspokojone wywracają markę do góry portkami. Wiemy przecież, że jeden niezadowolony konsument to dramat, a kilka tysięcy takich klientów to poważna statystyka, z którą trzeba się liczyć. Brzmi znajomo?

Reklamy, reklamy… przejdźmy do reklam! Jeśli przyjmiemy za pewnik, że jeśli coś jest podobne do nas, to bardziej to lubimy i tego chcemy, to wiemy, w jaki sposób zmienić postrzeganie ocenianego obiektu np. innego człowieka (Byrne et al., 1966; Byrne & Griffitt, 1966) lub produktu (Sirgy, 1982). Przykładowo, skoro wiemy, że nasz dziadek jest za pewną partią polityczną, to może i dostaniemy od niego ze 100 zł, jeśli przy wieczornych wiadomościach krzykniemy do telewizora „Dobrze robią, tak! To są rządy!!!”. Przyjmujemy zatem, że jeśli wiemy co ktoś chce zobaczyć i mu to pokażemy, to możemy oczekiwać pozytywnej reakcji na zaprezentowany w ten sposób obiekt (np. osobę lub produkt). Np. jeśli przeciętny konsument chce zobaczyć jakość robionych zdjęć przez nowy smartfon, a także żywotność jego baterii, funkcje i parametry, to oczywistym jest, że doceni reklamę, która opowie mu historię o właściwościach i skuteczności telefonu (trochę więcej na temat tego, czego oczekują konsumenci od reklamy telefonu komórkowego można znaleźć tutaj KLIK). Oczywiście jedni konsumenci będą chcieli zobaczyć tę historię w różnych kontekstach np. w podróży (bo nie lubią innych ludzi) lub na spotkaniach rodzinnych (bo kochają być z ludźmi). Aczkolwiek, to są detale do dopracowania na etapie analizy segmentów psychograficznych.

W jaki sposób zebrać dane na temat reklam do analiz statystycznych, by były nieco big data?

Tutaj opowiem o moim niedawnym badaniu dotyczącym reklamowania marchwi. Metoda mojego badania treści w reklamach była prosta. Aczkolwiek, dzięki tej prostocie uzyskałem dane do analiz statystycznych o rozmachu big data. Zadałem 1500 osobom 5 pytań, na które mieli odpowiedzieć, wpisując słowa, jakie przyszły im do głowy. Łącznie zebrałem około 6 tysięcy zdań, które stanowiły dane wejściowe do statystycznej analizy tekstu (ang. text mining). Badani pozostawili po sobie w zbiorze danych około 30 tysięcy słów odpowiadając na poniższe proste pytania:

• Pytanie 1: Co byś chciał/a oglądać na reklamach marchwi?
• Pytanie 2: Jaki miałaby mieć przekaz reklama marchwi?
• Pytanie 3: Co chciałbyś/abyś, by w reklamie marchwi się działo?
• Pytanie 4: Co byś chciał/a w takiej reklamie zobaczyć?
• Pytanie 5: Jakie wartości lub idee miałaby przekazywać reklama promująca marchew?

Zadawano jeszcze inne pytania mające na celu określenie segmentu psychograficznego, w którym jest zagnieżdżona osoba. Takie segmenty wykonują również analizy statystyczne np. analizy skupień lub latentne algorytmy grupowania. Takie psychograficzne doprecyzowanie kontekstu konsumenckiego pozwala na nieco bardziej zniuansowane modelowanie i analizy statystyczne dotyczące poznania oczekiwań konsumentów. Przykładowo, jakie treści wpisują osoby o niskim kapitale kulturowym, a jakie osoby mające pragmatyczne podejście do życia. Aczkolwiek, o tym napisze kiedy indziej.

Jak statystycznie analizować dane dotyczące treści reklam w „big” sposób?

Uwaga!!! Tu trzeba się nieco skupić!!!

Do mojej analizy statystycznej danych tekstowych została wykorzystana metoda analizy wątków (ang. topic modeling). Technika ta umożliwia analizę dokumentów tekstowych (w mojej analizie dokumentem był zestaw odpowiedzi tekstowych każdego z 1500 respondentów), wykrywanie wzorców w słowach i frazach, a także grupowanie grup słów i podobnych wyrażeń, które optymalnie charakteryzują zbiór dokumentów (czyli odpowiedzi badanych na temat tego, co chcieliby zobaczyć na reklamie marchwi). W niniejszej analizie został wykorzystany algorytm Latent Dirichlet Allocation (LDA). Jest on stosowany w big data w sytuacjach, w których nie ma znaczenia składnia zdań, bo zbiór dokumentów jest raczej rozpatrywany pod kątem częstości i współwystępowania różnych słów (Asmussen & Møller, 2019; Brookes & McEnery, 2019). W takiej sytuacji analitycznej nie ma znaczenia poprawność gramatyczna, spójność słownictwa lub podobieństwo różnych dokumentów. Liczą się tylko same słowa! Ponad to, ten sprytny algorytm zakłada też, że wszystkie słowa w danym dokumencie można przypisać z jakimś prawdopodobieństwem do jakiegoś ogólnego tematu (wątku). Przykładowo, słowa krew, zbrodnia, policja i morderca wiążą się bardziej z wątkiem kryminalnym, a pustynia, puszcza, woda i słońce bardziej z wątkiem egzotycznego podróżowania. Tym samym, celem tego niesamowitego algorytmu w badaniu treści reklamy jest określenie tego, jaka jest optymalna liczba tematów poruszanych w odpowiedziach badanych osób na temat marchwi, a także z jaką siłą słowa w tych wypowiedziach wiążą się z danym tematem. Metoda ta została już wykorzystana w nauce do kreacji reklam dotyczących akceptacji technologii autonomicznych samochodów (Hryniewicz & Grzegorczyk, 2020), a także z powodzeniem do innych celów niż badanie efektywności marketingowej (Asmussen & Møller, 2019; Brookes & McEnery, 2019; Liu et al., 2012).

Opieraj się o big data, a dobrze na tym wyjdziesz? A po co to komu?

Teraz, drogi czytelniku, też musisz się jeszcze trochę skupić. Wynikami analizy statystycznej, jaką jest analiza wątków metodą LDA, są oszacowane prawdopodobieństwa występowania danego słowa w danym wątku. Przedstawiam poniżej 3 sposoby prezentacji wyników takiej analizy (od podstawowego sposobu do zaawansowanego). Dodam, że wykonano dwie analizy statystyczne, które zostały wykonane dwojako. W pierwszym podejściu testowane pewną teorię, dlatego ustalono w niej tylko 2 wątki. Natomiast w drugim podejściu algorytmicznie testowano liczbę wątków i przy tym procesie maszyna wyliczyła rozwiązanie 5 wątkowe. Wygląda to następująco:

Sposób 1
Słowa i liczby w 2 i 5 wątkach tematycznych

Poniżej znajduje się sposób prezentacji wyników analizy statystycznej tekstu za pomocą liczb w 2 wątkach tematycznych (model 1). Prezentacja wyników poniżej jest wyrażona za pomocą prawdopodobieństwa występowania danych słów w danym wątku:

1. Wyniki uzyskane dla modelu testującego dwa wątki tematyczne w wypowiedziach badanych na temat reklamy marchwi (model 1)

   Topic: 0
   Words: 0.136*”meal” + 0.119*”benefit” + 0.100*”vitamin” + 0.091*”family” + 0.086*”juice” + 0.082*”fresh” + 0.074*”child” + 0.072*”tasty” + 0.064*”positive” + 0.059*”value” + 0.058*”diet” + 0.057*”interest”

   Topic: 1
   Words: 0.150*”field” + 0.143*”grow” + 0.142*”farmer” + 0.130*”process” + 0.099*”crop” + 0.085*”polish” + 0.081*”natural” + 0.078*”nature” + 0.065*”cultivation” + 0.019*”value” + 0.004*”vitamin” + 0.000*”fresh”

2. Wyniki uzyskane dla modelu testującego 5 wątków tematycznych w wypowiedziach badanych na temat reklamy marchwi (model 2)

   Topic: 0
   Words: 0.291*”family” + 0.271*”vitamin” + 0.237*”child” + 0.139*”positive” + 0.056*”fresh” + 0.000*”juice” + 0.000*”diet” + 0.000*”field”

   Topic: 1
   Words: 0.470*”meal” + 0.249*”tasty” + 0.223*”fresh” + 0.052*”diet” + 0.000*”juice” + 0.000*”vitamin” + 0.000*”process” + 0.000*”interest”

   Topic: 2
   Words: 0.431*”benefit” + 0.280*”value” + 0.208*”interest” + 0.075*”positive” + 0.000*”diet” + 0.000*”cultivation” + 0.000*”grow” + 0.000*”vitamin”

   Topic: 3
   Words: 0.177*”juice” + 0.175*”process” + 0.157*”natural” + 0.154*”grow” + 0.115*”nature” + 0.090*”diet” + 0.088*”cultivation” + 0.041*”vitamin”

   Topic: 4
   Words: 0.242*”field” + 0.230*”farmer” + 0.160*”crop” + 0.137*”polish” + 0.102*”grow” + 0.064*”process” + 0.032*”cultivation” + 0.030*”nature”.

Zaprezentowane wyniki nie są zbyt atrakcyjne z punktu widzenia interpretacji dla laika, a także prezentacji przed zarządem. Dlatego można przedstawić jest w nieco inny sposób dzięki technice nr 2. Chmury słów? Te takie fancy chmurki z motywacyjnymi słowami? Nie, to chmury słów z Pythona!!!

Sposób 2
Wielkość słów w 2 i 5 wątkach tematycznych

Sposób prezentacji analizy statystycznej za pomocą wielkości słów jest nieco fajniejszą opcją zajrzenia w percepcję konsumentów. Prezentacja wyników za pomocą wielkości słów wskazuje na treści, które są bardziej prawdopodobne, a które nie. Większa czcionka oznacza większe prawdopodobieństwo występowania danego słowa w danym wątku. Wyniki przedstawiają poniższe rysunku (nr 3 i nr 4).

Prawdopodobieństwo występowania danych słów w wątku nr 0 i wątku nr 1. Im większe słowo, tym większe prawdopodobieństwo jego wystąpienia w danym wątku.

Prawdopodobieństwo występowania danych słów w wątku nr 0, 1, 2, 3 i 4. Im większe słowo, tym większe prawdopodobieństwo jego wystąpienia w danym wątku.

Sposób 3
Wielkość piktogramów w 2 i 5 wątkach tematycznych

A teraz totalny sztos! Zapraszam! Jeśli szykujesz się na poważne negocjacje swojej koncepcji marketingowej, to lepiej zobacz, co się tutaj dzieje! Ten sposób wizualizacji wprawi wszystkich kreatywnych w podziw i zachwyt! Nie uwierzą, jeśli nie przetrą oczu! Sposób prezentacji analizy statystycznej w reklamie za pomocą piktogramów? Ale jak to? Tak to, za pośrednictwem skalowalnych piktogramów! Taka prezentacja wyników analizy statystycznej za pomocą skalowalnych piktogramów wskazuje to, które znaczenia są bardziej prawdopodobne w danym wątku, a które nie. Większy piktogram oznacza większe prawdopodobieństwo występowania danej treści w danym wątku. Dzięki takiemu sposobowi wizualizacji wyników nie tylko znamy treść wypowiedzi, ale mamy wstępną wizualizację obrazów, którymi się posługują konsumenci w percepcji marchwi. Taki sposób przekonywania jest o wiele lepszy niż suche liczby, słupki lub chmury słów.

Prawdopodobieństwo występowania danych znaczeń w wątku nr 0 i wątku nr 1. Im większy piktogram, tym większe prawdopodobieństwo wystąpienia tej treści w danym wątku.

Prawdopodobieństwo występowania danych znaczeń w wątku nr 0, 1, 2, 3 i wątku nr 4. Im większy piktogram, tym większe prawdopodobieństwo wystąpienia tej treści w danym wątku.

Jak nie zniweczyć dotychczasowych wysiłków? Trzeba na spokojnie posiedzieć i pomyśleć.

Interpretacja wyników analizy statystycznej treści reklam i ich transformacja na brief

Teraz trochę poważniej, bo to jest bardzo ważny etap procesu tworzenia. Jeśli nie wykonaliśmy błędu w poprzednich krokach pracy nad danymi, to teraz możemy zlizywać słodką śmietankę z czubka tortu. Uzyskane wyniki dają nam pewne informacje, które są kluczowe do wyciągnięcia odpowiednich wniosków na temat oczekiwań konsumentów. Można je traktować jako pewne stałe zestawy treści, jakie konsumenci chcieliby widzieć w reklamie marchwi. Dzięki temu możemy wyciągnąć jakieś ogólniejsze wnioski np. że pierwszy model mówi nam trochę o tym, jakie cele chce osiągać konsument za pomocą marchwi (wątek 0), a także na ile produkt jest zatroszczony/bezpieczny (wątek 1).

1. Cechy korzystne dla siebie (topic: 0), czyli ogólnie rozumiane możliwości wykorzystania marchwi w życiu celach konsumenta. Wskazują to słowa: posiłek, korzyść, witamina, sok, świeży, smaczny, wartość, dieta.
2. Treści korzystne dla innych (topic: 1), czyli cechy produktu, które sprawiają, że konsument z większą ufnością i spokojem podejdzie do zakupu. W przypadku marchwi jest to przywiązanie do naturalnego pochodzenia produktu i troski o niego przez rolnika/producenta. Wskazują to słowa: pole, rosnąć, rolnik, proces, plon, polskie, naturalne.

Próba stworzenia pierwszej wersji kreacji reklamy na podstawie danych

Teraz już naprawdę musimy wstrzymać oddech i zabezpieczyć proces poprawnego rozumowania nad problemem efektywnej reklamy. Dzięki powyższym wynikom analiz statystycznych możemy próbować zaaranżować kreację reklamy w kierunku konkretnej narracji. Na tym etapie od nas zależy wszystko to, co będzie dalej. Uzyskane dane dają nam tylko pewne przybliżenie oczekiwań konsumenckich. Natomiast wykonanie odpowiedniej kreacji, która trafia w te oczekiwania jest zależne od nas. To typowo ludzka robota, której maszyny nigdy za nas nie zrobią. Nigdy (na szczęście)! Na podstawie uzyskanych wyników dotyczących występowania danych treści w poszczególnych wątkach musimy przedstawić nasz produkt. Możemy na przykład opowiedzieć historię, w której np. pracowity polski rolnik na swoim polu, naturalnymi sposobami pielęgnuje proces wzrostu roślin, po to, by osoby je kupujące miały co jeść z korzyścią dla nich i ich rodzin, mogły dostarczyć witamin, świeżego i smacznego soku dzieciom, a także pozytywnych wartości swoim bliskim. Powiedzmy, że to nas nie zadowala. Wiadomo, pierwsze pomysły są przeważnie słabe.

W takim razie możemy postawić w kreacji kolejny krok i stworzyć nieco zniuansowaną kreację, np. pracowity polski rolnik jadący zawsze o 5:15 na swoje pole, dogląda uważnie pomarańczowe marchewki i dba o każdą bez wyjątku. Posługuje się swoimi mądrymi metodami, by rośliny były naturalne i zdrowo wzrastały. Z namiętnością i troską chroni je przed warunkami atmosferycznymi i zmianą klimatu. W następnej scenie marchewki rolnika trafiają do kuchni, w której mała dziewczynka niezdarnie rozciera marchewki na sok. W końcu udaje się jej zrobić dwie pełne szklanki pomarańczowego płynu, które dzielnie zanosi swojemu dziadkowi, który wycieńczony siedzi na kanapie po skończonej pracy w polu. Nagle znikąd pojawia się cała rodzina. Ktoś podkreśla smukłą sylwetkę mamy, ktoś zauważa piękną skórę córki, tata z dziadkiem z dumą obserwują swoją rodzinę, a babcia z wnukiem zapraszają do pysznej i gorącej kolacji. Wszystkiemu towarzyszy pozytywny i ciepły klimat.

Czy oczami wyobraźni widzimy jak po zobaczeniu takiej reklamy zmienia się stosunek do danej marki, partii, fundacji w kryzysie wizerunkowym? Czy czujemy to pozytywne oddziaływanie w skali makro? No właśnie. Coś w tym jest.

To, jaką jakość i narrację nada się obrazowi reklamy na podstawie danych, a także kogo się zatrudni do jej wykonania (aktorzy, zespół filmowy, specjaliści od obrazu i dźwięku), pozostaje kwestią budżetu, a także znajomości i możliwości agencji reklamowej. Niemniej, stabilnym rdzeniem treści danej reklamy są oczekiwania co do marchwi wypowiedziane przez 1500 konsumentów uczestniczących w badaniu. Przypomnę! Na warsztacie statystycznym było analizowanych około 30 000 słów. Ich odpowiedzi zostały uśrednione i podsumowane dzięki statystycznym metodom analizy big data. Oczywiście hasło „big data” jest tutaj nieco na wyrost, ponieważ big data to np. 150 000 pomiarów rys na wiertle mierzonych co 1 sekundę podczas wiercenia 2 metrowego otworu. Aczkolwiek, przetworzenie zestawu około 30 000 tys. słów nie zdaje się należeć do przedsięwzięć małego formatu.

Konkluzje na do widzenia!

Widzimy jak na dłoni, że pomoc pewnych założeń teoretycznych co do prawidłowości zachowywania się ludzi, metod badawczych, a także analiz statystycznych z zakresu text miningu w lekkim formacie big data daje nam możliwości kreowania treści reklamowych skłaniających konsumenta do pozytywnej oceny produktu, reklamy, a także oceny intencji producenta. Oczywiście w kwestii sukcesu reklamy wiele zależy od tego, jak reklama będzie ostatecznie wyglądała po całym procesie kreacji. Aczkolwiek, sam wgląd w percepcję przeciętnego konsumenta dzięki metodom badawczym i zaawansowanej analizie modeli statystycznych dostarcza pewnych niezmiennych treści w reklamie, które są przez przeciętnego konsumenta pozytywnie wartościowane.

Oczywiście, metody algorytmiczne, analizy statystyczne, teorie i badania nigdy nie zastąpią prawdziwego artysty od marketingu i reklamy. Są ludzie, którzy robienie wielkich dzieł mają we krwi. Niemniej, co mają począć zwykli rzemieślnicy tacy jak ja czy Ty?

 

Bibliografia

– Asmussen, C. B., & Møller, C. (2019). Smart literature review: a practical topic modelling approach to exploratory literature review. Journal of Big Data, 6(1). doi.org/10.1186/s40537-019-0255-7
– Brookes, G., & McEnery, T. (2019). The utility of topic modelling for discourse studies: A critical evaluation. Discourse Studies, 21(1), 3–21. doi.org/10.1177/1461445618814032
– Byrne, D, Clore, G., & Worchel, P. (1966). The effect of economic similarity-dissimilarity as determinants of attraction. Journal of Personality and Social Psychology, 4, 220–224. doi.org/10.1037/h0023559
– Byrne, Donn, & Griffitt, W. (1966). A DEVELOPMENTAL INVESTIGATION OF THE LAW OF ATTRACTION. Journal Personality and Social Psychology, 4(6), 699–702. doi.org/10.1007/BF02886547
– Didier, T., & Lucie, S. (2008). Measuring consumer ’ s willingness to pay for organic and Fair Trade products. 32, 479–490. doi.org/10.1111/j.1470-6431.2008.00714.x
– Eisend, M. (2009). A meta-analysis of humor in advertising. Journal of the Academy of Marketing Science, 37(2), 191–203. doi.org/10.1007/s11747-008-0096-y
– Hollebeek, L. D., Jaeger, S. R., Brodie, R. J., & Balemi, A. (2007). The influence of involvement on purchase intention for new world wine. Food Quality and Preference, 18(8), 1033–1049. doi.org/10.1016/j.foodqual.2007.04.007
– 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. doi.org/10.33226/1231-7853.2019.6.2
– Hryniewicz, K., & Grzegorczyk, T. (2020). How different autonomous vehicle presentation influences its acceptance: Is a communal car better than agentic one ? PLoS ONE, 1–28. doi.org/10.1371/journal.pone.0238714
– Kim, S. (Ange), & Kim, J. (2016). The influence of hedonic versus utilitarian consumption situations on the compromise effect. Marketing Letters, 27(2), 387–401. doi.org/10.1007/s11002-014-9331-0
– Lipovetsky, S., Magnan, S., & Polzi, A. Z. (2011). Pricing Models in Marketing Research. 2011(September), 167–174. doi.org/10.4236/iim.2011.35020
– Liu, H., Christiansen, T., Baumgartner, W. A., & Verspoor, K. (2012). BioLemmatizer: A lemmatization tool for morphological processing of biomedical text. Journal of Biomedical Semantics, 3(1), 1–29. doi.org/10.1186/2041-1480-3-3
– MacKenzie, S. B., Lutz, R. J., & Belch, G. E. (1986). The Role of Attitude Toward the Ad as a Mediator of Advertising Effectiveness: A of Competing Explanation. Journal of Marketing Research, 23(2), 130–143. doi.org/10.2307/3151660
– Sirgy, J. M. (1982). Self-Concept in Consumer Behavior: A critical Reviev. Journal of Consumer Research, 9, 287–300. doi.org/10.1086/208924