MétaCan
Menu
Retour à la cohorte
Enregistrement W4388106279 · doi:10.5267/j.ijdns.2023.10.019

The effect of social media agility to strengthen the business relationship: Evidence from pharmaceutical firms in Thailand

2023· article· en· W4388106279 sur OpenAlexaffvenue
Chayanan Kerdpitak, Napassorn Kerdpitak, Kai Heuer, Lee Li, SITDHINAI CHANTRANON

Notice bibliographique

RevueInternational Journal of Data and Network Science · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Marketing and Social Media
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésBusinessSocial mediaPromotion (chess)MarketingProduct (mathematics)Customer relationship managementNew product developmentIndustrial organizationPublic relations

Résumé

récupéré en direct d'OpenAlex

The firms and the industries still using the ways and means of promotion and publicizing the products have still not achieved the level of success as the modern means of social media is providing in creating a huge demand for their products. This study involves the modern means of communication agility promises success, development, and significance of the product in an efficient manner. Social media plays a vital role in creating a demand for the products by explaining the need of the product and a very effective source of creating a link among industries, firms, management, employees and especially the individual ones who come to know the skills and expertise. The impact of social media in strengthening the relationship with the customer has been very keenly observed and the findings show that such research has detailed that the use of social media has influenced the internal and the external capabilities. The data gathered in this study shows that the firms and the industries using the approach of social media have a revolutionary impact on building and strengthening the relationship between the customer and the management, employees. This study shows a strong bond between a firm and the customer using social media.

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)0,009
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 enseignants0,022
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0030,002
Communication savante0,0040,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
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 Opus0,095
Tête enseignante GPT0,409
Écart entre enseignants0,313 · 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

Citations5
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Data and Network ScienceMême sujetDigital Marketing and Social MediaTravaux en français237 207