PURCHASE DECISION ANALYSIS IN SHOPEE THROUGH MARKETPLACE AND CREDIBILITY
Notice bibliographique
Résumé
Transactions with online sellers for customers will consider uncertainties and risks as compared to traditional buying and selling transactions. Buyers are given limited opportunities to see the quality of the goods and test the desired product through the media provided by the seller. When a customer makes a purchase from an unknown seller's website, they cannot see the quality of the goods and services being offered. Previous research (Doney, Cannon and Mullen (2003); Eden (1988); Kim, Silvasailam, Rao (2004) shows that trade, trust are very significant factors in explaining the online shopping process. Factors that can increase buyer's trust in online shopping, among others, buyers' knowledge of technology, good quality websites, and good company quality.Technology knowledge here is defined as the extent to which a person believes in himself that he can carry out a specific task or do something. Young and Dan (2005) ) explained that knowledge of Internet technology is very influential on the results expected by users in online shopping transactions. Indonesia is one of the trending countries with online shops or online shops, this can be seen from the many online stores such as Lazada, olx, tokopedia, JDid, Bukalapak, hijup, Zalora and many more that can be found easily according to the merchandise category will be sought or purchased. One of the online shops that is quite developing in 2017 is Shopee. Keywords: Purchasing Decision, shopee, markeplace and credibility
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 | 0,007 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».