MétaCan
Menu
Retour à la cohorte
Enregistrement W4400910731 · doi:10.1109/ic3se62002.2024.10592878

Adopting Big Data Analytics in Innovative B2B Marketing

2024· article· en· W4400910731 sur OpenAlexaff
Sundarapandiyan Natarajan, Somanchi Hari Krishna, Ippa Sumalatha, Nilesh Vitthal Limbore, B Rajalakshmi

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBig Data and Business Intelligence
Établissements canadiensHorizon College and Seminary
Organismes subventionnairesnon disponible
Mots-clésBig dataData scienceComputer scienceAnalyticsData analysisData mining

Résumé

récupéré en direct d'OpenAlex

In B2B connections, the article investigates the application of big data to innovation and market leadership. With the use of current case studies, it offers a framework for analysing the effects of big data. This study offers a framework for analysing the effects of big data in B2B marketing specially for Customer relationship management. The literature study that is now accessible shows how important customer satisfaction is to the global retail sector and how important it is to continuously monitor consumer feedback. Many research has been done on the many strategies for leveraging technology to enhance customer relationship management. Since the idea of combining Big Data and other analytical tools for CRM is still relatively new, not much research has been done on how Big Data Analytics might help modern Indian retail enterprises. The retail industry adds value to its products and services for customers, hence transforming businesses through its global business activities. Through a combination of disposal, significance, availability, and positive experience, it's a method of continuously offering high-quality lifelines. newline, newline Merchandising's purpose is to facilitate the uptake of goods and services. The product is made available in-store for organized retail newline. Retail establishments classified as unorganized include traditional Kirana stores, newline corner shops, and general stores, whereas organized retail includes department stores, supermarkets, and newline hypermarkets. Historically, single newline employees have managed retail businesses in a variety of areas. especially the Big Data Analytics SMAC framework, which combines social media, Mobility, Analytics, and Cloud newline. The impact of computing as a seamless component on retail business CRM techniques. In their innovation endeavours, B2B companies that function in markets during which their own offerings significantly influence how their B2B clients' products and services offer value to end users (B2C) ought to actively participate in the end-user B2C market alongside their B2B clients. This affects every aspect of life, including strategy and human resources.

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)0,010
score de la tête « metaresearch » (Gemma)0,015
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: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,015
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,009
Études des sciences et des technologies0,0020,006
Communication savante0,0150,018
Science ouverte0,0020,006
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,236
Tête enseignante GPT0,333
Écart entre enseignants0,097 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetBig Data and Business IntelligenceTravaux en français237 207