Digital marketing development trends
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The trends of development of digital marketing were investigated using statistical data on Internet users in U.S., obtained from a study performed by Pew Research Center at the beginning of 2019, and in Ukraine, obtained from a study performed by the research holding Factum Group Ukraine on the initiative of International Association of Ukraine in ІІІ quarter 2018 and 2019. The data were collected by the following criteria: age, gender, education, region and finances. Data analysis for the two countries showed the same result. The technological awareness of the society increases every year, which leads to more efficient management, sales, transportation and financial services for the consumers/clients of the enterprise. Indicators also show that both children and adults, people living in the city and in the countryside, people who are financially independent and people with both middle and low income, people with higher education and professional primary education, they all use the Internet. For communication, making purchases, doing research etc. Society has gone digital and businesses need to adapt by changing their management practices. Marketers are creating ways to promote businesses by leveraging new technology. Marketing plays a key role in the digital revitalization of any enterprise. It is through digital marketing that consumers and businesses learn about certain events (legal, economic, social, religious, etc.), and not only are they being informed, they can also inform others. Mobile devices, the Internet, local area networks, digital television and other media can also be used to collect information and conduct marketing research.
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle