MétaCan
Menu
Retour à la cohorte
Enregistrement W3214624962 · doi:10.5267/j.ijdns.2021.9.006

The role of digital marketing in mediating the effect of the COVID-19 pandemic and the intensity of competition on business performance

2021· article· en· W3214624962 sur OpenAlexvenueno aff
I Gusti Ayu Ketut Giantari, Ni Nyoman Kerti Yasa, Herkulanus Bambang Suprasto, Putu Laksmita Dewi Rahmayanti

Notice bibliographique

RevueInternational Journal of Data and Network Science · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSMEs Development and Digital Marketing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCompetition (biology)BusinessPandemicMarketingCoronavirus disease 2019 (COVID-19)Industrial organization

Résumé

récupéré en direct d'OpenAlex

This study aims to explain the role of digital marketing adoption in mediating the effect of the COVID-19 pandemic and the intensity of competition on business performance, which is seen from the perspective of financial performance and non-financial performance. This research was conducted on the culinary sector SMEs in Bali. The size of the sample used is 210 culinary sector SMEs with a purposive sampling approach, namely the culinary sector SMEs that have adopted digital marketing. The analytical tool used is SEM-PLS. The results of the study show that the effect of the COVID-19 pandemic and the intensity of competition has a negative and significant effect on business performance, both financial and non-financial performance. The adoption of digital marketing was unable to mediate the effect of the COVID-19 pandemic and the intensity of competition on financial performance, but the adoption of digital marketing was capable in mediating the effect of the COVID-19 pandemic and the intensity of competition on non-financial performance. Therefore, the adoption of digital marketing needs to be re-optimized to improve business performance, both financial and non-financial performance.

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)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,301
Écart entre enseignants0,280 · 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'étudeObservationnel
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

Citations65
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Data and Network ScienceMême sujetSMEs Development and Digital MarketingTravaux en français237 207