Ein Datenprofil der Menschen, die Machine learning in Indien kaufen, verfolgen und schätzen — modelliert aus mehr als zwölf digitalen Signalquellen. Machine learning hat eine geschätzte Zielgruppe von 5,205,049 Personen in Indien.
Der durchschnittliche Machine learning-Fan in Indien ist 29.5 Jahre alt, eher männlich, und lebt vor allem in Maharashtra.
Die Zielgruppe konzentriert sich auf Maharashtra, Tamil Nadu, Uttar Pradesh.
Zu den Top-Markenaffinitäten zählen Harry Potter, XXXTentacion, hotstar, mit der stärksten Überindexierung bei Harry Potter (2.51× Landesdurchschnitt).
Demografisch ist die Machine learning-Zielgruppe eher männlich mit einem Durchschnittsalter von 29.5 Jahren und überindexiert bei Persönlichkeitsmerkmalen wie Early Adopter Mentality, Healthy Lifestyle.
Im Vergleich zur Landes-Basis zeigt diese Zielgruppe markante Muster über 20 Markenaffinitäten und 29 von Rascasse erfasste Regionen.
Der typische Machine learning-Fan in Indien ist eher männlich, etwa 29.5 Jahre alt, mit ausgeprägten Early Adopter Mentality-Tendenzen und einer deutlichen Affinität zu Harry Potter.
Die Kennzahlen, die das Machine learning-Profil in Indien charakterisieren.
31.3% sind weiblich, 68.7% männlich, Durchschnittsalter 29.5.
| Metrik | Wert |
|---|---|
| Weiblich | 31.3% |
| Männlich | 68.7% |
| Durchschnittsalter | 29.5 |
| Geschätzte Zielgruppengröße | 5,205,049 |
| Altersgruppe | Anteil | % |
|---|---|---|
| 16-19 | 43% | |
| 20-29 | 30% | |
| 30-39 | 13% | |
| 40-49 | 8% | |
| 50+ | 7% |
der weltweiten Machine learning-Zielgruppe entfallen auf Indien.
| Land | Anteil |
|---|---|
| United States | 17.4% |
| India | 11.1% |
| China | 4.5% |
Wo die Machine learning-Zielgruppe in Indien am stärksten ist.
| # | Region | Reichweite | Affinität | × |
|---|---|---|---|---|
| 01 | Andhra Pradesh | ~200K | 2.98× | |
| 02 | Tamil Nadu | ~300K | 2.64× | |
| 03 | Telangana | ~200K | 2.24× | |
| 04 | Karnataka | ~200K | 1.76× | |
| 05 | Maharashtra | ~400K | 1.42× | |
| 06 | Madhya Pradesh | ~100K | 1.32× | |
| 07 | Uttarakhand | ~30K | 1.26× | |
| 08 | Punjab (region) | ~80K | 1.16× | |
| 09 | Kerala | ~90K | 1.10× | |
| 10 | Haryana | ~70K | 0.98× | |
| 11 | Gujarat | ~100K | 0.94× | |
| 12 | Odisha | ~50K | 0.94× | |
| 13 | Uttar Pradesh | ~200K | 0.93× | |
| 14 | Himachal Pradesh | ~20K | 0.91× | |
| 15 | Chhattisgarh | ~30K | 0.87× | |
| 16 | Sikkim | ~2K | 0.87× | |
| 17 | West Bengal | ~100K | 0.85× | |
| 18 | Mizoram | ~3K | 0.77× | |
| 19 | Arunachal Pradesh | ~2K | 0.77× | |
| 20 | Goa | ~4K | 0.75× | |
| 21 | Nagaland | ~3K | 0.75× | |
| 22 | Jharkhand | ~30K | 0.74× | |
| 23 | Manipur | ~5K | 0.72× | |
| 24 | Rajasthan | ~80K | 0.69× | |
| 25 | Meghalaya | ~4K | 0.68× | |
| 26 | Tripura | ~5K | 0.65× | |
| 27 | Jammu and Kashmir | ~20K | 0.63× | |
| 28 | Assam | ~30K | 0.51× | |
| 29 | Bihar | ~50K | 0.50× |
Die stärksten Cross-Interessen der Machine learning-Zielgruppe — Marken, Themen und Personen kombiniert.
| # | · | Interesse | Kategorie | Affinität | × |
|---|---|---|---|---|---|
| 01 | Big data | Business & Career | 3.20× | ||
| 02 | Data analysis | Technology & Electronics | 2.93× | ||
| 03 | Programming language | Technology & Electronics | 2.75× | ||
| 04 | Computer programming | Technology & Electronics | 2.52× | ||
| 05 | Harry Potter | Movies & TV | 2.51× | ||
| 06 | K (anime) | Literature | 2.45× | ||
| 07 | BTS | Music & Radio | 2.39× | ||
| 08 | ONEUS | Music & Radio | 2.28× | ||
| 09 | hotstar | Movies & TV | 2.22× | ||
| 10 | Artificial intelligence | Technology & Electronics | 2.03× | ||
| 11 | Information technology | Business & Career | 1.93× | ||
| 12 | Web development | Business & Career | 1.91× | ||
| 13 | Sunrisers Hyderabad | Sports | 1.74× | ||
| 14 | Gemini | Technology & Electronics | 1.73× | ||
| 15 | XXXTentacion | Music & Radio | 1.72× | ||
| 16 | Zomato | Food & Beverages | 1.69× | ||
| 17 | Tamil language | Politics & Society | 1.58× | ||
| 18 | Indo-Aryan languages | Politics & Society | 1.58× | ||
| 19 | Game of Thrones | Movies & TV | 1.51× | ||
| 20 | Colors (TV channel) | Movies & TV | 1.51× |
Werte über 1,00× liegen über dem Landesdurchschnitt, Werte darunter entsprechend darunter.
| Merkmal | Cluster | Abweichung | Wert |
|---|---|---|---|
| Early Adopter Mentality | POWER | 1.40× | |
| Healthy Lifestyle | BALANCE | 1.39× | |
| Urban Lifestyle | OPEN | 1.34× |
| Merkmal | Cluster | Abweichung | Wert |
|---|---|---|---|
| Extroversion | THRILL | 0.83× | |
| Price Sensitivity | PREMIUM | 0.91× | |
| Community Orientation | OPEN | 0.92× |
Machine learning hat eine geschätzte Zielgruppe von 5,205,049 Personen in Indien, konzentriert auf Maharashtra und Tamil Nadu.
31.3% der Machine learning-Fans sind weiblich, 68.7% männlich, das Durchschnittsalter liegt bei 29.5 Jahren.
Machine learning-Fans zeigen die stärkste Markenaffinität zu Harry Potter (2.51×), XXXTentacion (1.72×) und hotstar (2.22×) gegenüber dem Landesdurchschnitt.
Machine learning-Fans in Indien konzentrieren sich vor allem auf Maharashtra (Reichweite ~400K), Tamil Nadu (Reichweite ~300K) und Uttar Pradesh (Reichweite ~200K). Diese drei Regionen stellen den größten Teil der aktiven Zielgruppe.
Über Machine learning hinaus überindexiert die Zielgruppe bei XXXTentacion (1.72×), hotstar (2.22×), Gemini (1.73×) und Artificial intelligence (2.03×) im Vergleich zum Indien-Durchschnitt.
Verwandte Profile, Rankings und dieselbe Zielgruppe in anderen Märkten.
Die Zielgruppengröße ist die geschätzte Zahl der Menschen in Indien, die aktiv nach Machine learning suchen. Affinität ist ein Überindexierungs-Verhältnis: 2,0× bedeutet, die Zielgruppe interessiert sich doppelt so wahrscheinlich für diese Marke oder dieses Merkmal wie der Landesdurchschnitt. Reichweite ist die geschätzte Zahl der Zielgruppenmitglieder in einer Region. Die Tabellen sind vom stärksten zum schwächsten Signal sortiert.
Dieses Zielgruppenprofil wird von Rascasse aus anonymisierten Suchverhaltens-Signalen in Indien erstellt. Zur Methodik siehe Methodik. Affinitätswerte sind Überindexierungs-Verhältnisse gegenüber dem Landesdurchschnitt (1,0 = Basis). Zielgruppengrößen sind Schätzungen, keine Messungen.
Von globalen Massenmarken bis zu lokalen Nischensegmenten — entdecken Sie die vollständige Bibliothek und die enthaltenen Intelligence-Schichten.