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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».