e 스토토사이트 온라인 라이브 스트리밍 대 현장 소비 : 관중 동기와 시장 세분화 비교

인용

Kim S & Hong HJ (2024) eSports 온라인 라이브 스트리밍 대 현장 소비 : 관중 동기와 시장 세분화 비교.유럽 스토토사이트 관리 협회 2024, 프랑스 파리, 03.09.2024-06.09.2024.

Abstract
목표 및 연구 질문 : 이 연구의 초점은 전자 스포츠 영역 (일반적으로 "e 스포츠") 이벤트 관리 및 소비자 행동 (즉, 우리의 맥락에서 e 스포츠 팬)의 영역입니다. eSports는 독특한 범주의 스포츠 행사로서 엄청난 인기를 얻었으며 YouTube Live 및 Twitch와 같은 라이브 스트리밍 플랫폼을 통해 도시와 온라인으로 수백만 명의 관중을 직접 끌어 들였습니다. 더 큰 시장은 더 많은 기회를 의미 할뿐만 아니라 더 미묘하고 정교한 마케팅 전략을 요구하는 과제를 제시합니다. 또한 eSports 이벤트 관리 및 소비자 행동에서 온라인 시청률과 현장 관중을 이해하는 데있어 지식의 차이가 있습니다. 기존의 지식은 전통과 e 스포츠 관중 동기 (예 : Pizzo et al., 2018) 또는 스 트리머 및 청중 행동 (Li et al., 2020)의 비교로 제한됩니다. 격차를 메우기 위해 첫 번째 목표는 효과적인 마케팅이 종종 고객 세분화로 시작하기 때문에 eSports 팬의 다양한 세그먼트를 식별하고 분류하는 것입니다. 두 번째 목표는 관중의 동기 부여 욕구 (성능 차원, 사회적 차원 및 공연자 차원), 그리고 흐름 경험과 행동 의도 (이벤트에 계속 참석하기위한) 사이의 관계를 탐구하는 것입니다. RQ1. Esports 이벤트 (시장 세분화)에 누가 참석 했습니까? RQ2. 관중의 동기 부여 욕구 ([A] 공연 차원, [B] 사회적 차원 및 [C] 공연자 차원)는 흐름 경험 및 주관적인 복지와 어떻게 관련이 있습니까? RQ3. 시장 세분화 및 구조 모델 측면에서 온라인 라이브 스트리밍과 현장 관중의 차이가 있습니까? 이론적 배경 및 문헌 검토 : 현재 문헌은 eSports Spectatorship에 대한 우리의 이해에서 주목할만한 격차를 보여줍니다. Rietz와 Hallnamm (2022) 은이 주제에 대한 연구가보다 질적이고 설명적인 방향으로 향해야한다고 주장했다. 이러한 동기가 행동 결과를 효과적으로 예측할 수 있기 때문에 e 스포츠 관중의 동기를 이해하는 것이 중요합니다 (Hamari & Sjöblom, 2017). eSports의 소비자 행동과 동기에 대한 많은 연구는 플레이어 소비에 중점을 두어 관중들이 상대적으로 탐구되지 않은 상태로 남겨둔다 (Lee & Schoenstedt, 2011). 결과적으로,이 연구의 주요 목표는 유량 경험의 메커니즘을 이해하는 데 중점을 둔 현장 및 온라인 모두에 대한 e 스포츠 출석의 소비자 행동의 심리학을 밝히는 것입니다. 우리는 주관적 복지, 행동 의도 및 충성도와 같은 많은 긍정적 인 결과를 가지고 있기 때문에 흐름 경험을 종속 변수로 삼았습니다 (예 : Kim & Kim, 2020). 따라서이 연구는 변수들 사이의 경험적 연구에 기초한 가상의 관계를 확립합니다. 연구 설계, 방법론 및 데이터 분석 : 이 연구의 데이터 수집은 5 월 동안 공식 웹 사이트 및 소셜 미디어 채널을 활용하여 KESPA (Korea Esports Association)와 협력하여 수행됩니다. 편의 샘플링은 데이터 수집을 용이하게하기 위해 사용됩니다. 이 연구는 Trail et al.에 의해 개발 된 스포츠 소비의 동기 척도 (MSSC)를 바탕으로 10 개의 e 스포츠 관중 동기를 평가합니다. (2003). 또한 흐름 경험의 측정은 Kim and Kim (2020)에서 수정됩니다. 이 연구에 사용 된 연구 방법은 (1) K- 평균 클러스터링 기술 (RQ1을 해결하고 첫 번째 연구 목표를 달성하기 위해) 및 (2) 구조 방정식 모델링 (RQ2 및 RQ3에 응답하여 두 번째 및 세 번째 연구 목표를 달성하기 위해)입니다. K- 평균 클러스터링은 지정된 속성을 기반으로 별개의 클러스터를 탐지하고 그룹화하도록 설계된 데이터 마이닝에서 널리 채택되지 않은 비 감독 학습 알고리즘입니다. K- 평균 클러스터링은 응답자가 가능한 한 서로 가까이있는 그룹으로 데이터를 분류하는 동시에이 그룹이 서로 구별되는 것을 보장하는 것을 목표로합니다. 우리의 연구에서, 우리는 (a) 연령 (b) 성별 (c) 연간 소득 및 (d) e 스포츠 팬의 길이를 분석 할 것입니다. 부분 최소 제곱 구조 방정식 모델링 (PLS-SEM)은 동기, 흐름 및 행동 의도 중에서 확립 된 가설의 직접적이고 간접적 인 효과를 테스트하는 데 사용하는 것입니다. 이 연구는 변수를 평가하기 위해 심리적으로 검증 된 확립 된 측정 척도를 사용합니다. 그런 다음 두 가지 다른 소비자 그룹 간의 모델 비교가 수행됩니다. (a) 온라인 라이브 스트리밍 관중 및 (b) 현장 (장소) 관중.

키워드
eSports