MétaCan
Menu
Retour à la cohorte
Enregistrement W2919723145 · doi:10.37535/101005220185

Perencanaan Komunikasi Pemasaran Wonderful Indonesia Sebagai Place Branding Indonesia

2019· article· en· W2919723145 sur OpenAlexaff
Fasya Syifa Mutma, Reni Dyanasari

Notice bibliographique

RevueCommunicare Journal of Communication Studies · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Marketing and Social Media
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésIndonesianTourismBusinessIndonesian governmentGovernment (linguistics)MarketingMarketing strategyMarketing communicationDestinationsAdvertisingPolitical science

Résumé

récupéré en direct d'OpenAlex

Tourism is a leading sector that became the foundation of the economy in Indonesia. As a leading sector, tourism plays an important role in increasing foreign exchange and expanding employment. Therefore, the government is focusing the tourism sector through marketing communication activities conducted by Kemenpar, one of them by using Wonderful Indonesia. Wonderful Indonesia is currently considered to have successfully promoted Indonesian tourism abroad. Because of the success, the researcher is interested to research about marketing communication planning conducted by Kemenpar by using qualitative approach and deep interview method. The results of this study indicate that Kemenpar performs all marketing communication planning steps covering three key resources, situation analysis, objectives, strategy, tactics, implementation and control that can support Indonesian place branding by fulfilling ten components in place branding. The findings in this research are Branding Advertising Selling (BAS) strategy which is always used for every marketing communication activity. In this strategy Kemenpar not only branding Wonderful Indonesia, but also tried to sell Indonesia tourism destinations. Keywords : Wonderful Indonesia, Marketing Communication Planning, Place Branding

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,362
Écart entre enseignants0,306 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCommunicare Journal of Communication StudiesMême sujetDigital Marketing and Social MediaTravaux en français237 207