The role of insight teams in integrating diverse marketing information management techniques
Notice bibliographique
Résumé
Purpose The paper seeks to address the viability of planning and executing the integration of four often independent marketing information management techniques, i.e. competitive intelligence (CI), customer relationship management (CRM), data mining (DM) and market research (MR). Design/methodology/approach The research presented is a longitudinal, exploratory and descriptive case study, covering a three‐year period during a critical development phase of a medium‐size, national employer association which sought to improve the quality of marketing‐based insights to its strategic planning capability as well as improve economic outcomes. Findings It is possible to achieve profitable and capability enhancing integration of diverse marketing information management techniques. Successful integration and the use of a highly focused cross‐functional team generated better market strategies and bottom line benefits. Practical implications The need to generate greater insight from popular marketing information management and planning techniques is routinely experienced by marketing and other executive decision makers. This article provides a multi‐year roadmap of the successful execution of technique integration, including identifying barriers that arose as well as suggesting solutions for achieving progress. Originality/value There are very few case studies published that demonstrate the successful evolution and integration of CI, CRM, DM and MR into the enterprise's strategy‐making process. The unique element of this example is that it was achieved within the context of a medium‐sized, national, not‐for‐profit employer association.
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 | 0,049 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,015 | 0,011 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».