As comunidades virtuais e a segmentação de mercado: uma abordagem exploratória, utilizando redes neurais e dados da comunidade virtual Orkut
Notice bibliographique
Résumé
A existência de uma infinidade de dados, nos últimos anos, tem disponibilizado para a área de marketing novos horizontes para a definição e segmentação de mercados, auxiliada por bancos de dados, tanto privados e internos da organização, quanto públicos e externos. Um exemplo do segundo tipo são as comunidades virtuais, sendo o Orkut um dos seus expoentes. Este artigo, de caráter exploratório, tem o intuito de apresentar duas formas alternativas de segmentação de mercado (regressão logística e redes neurais), por meio de dados secundários coletados no Orkut, pressupondo que é possível prever determinadas atitudes de consumo explicitadas por membros das comunidades virtuais. Para tanto foram escolhidas duas comunidades autodenominadas eu amo cerveja gelada e eu odeio cerveja, das quais foram coletadas amostras probabilísticas aleatórias de 400 membros cada. Com o processamento e a análise dos dados desenvolvidos em três fases - limpeza de dados e seleção de variáveis de interesse, análise discriminante e análise através de redes neurais - confirmou-se a possibilidade de se determinar atitudes de consumo e, com isso, utilizar comunidades virtuais como bancos de dados para segmentação. As demais contribuições, limitações e implicações constam no estudo.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».