How B2B social media content strategies generate engagement across different social media platforms
Notice bibliographique
Résumé
Social media (SM) has become an essential means of engaging key stakeholders for business-to-business (B2B) firms. As a result, academic research has paid increasing attention to the factors that drive SM engagement in business markets. Although studies have examined the types of SM content that generate higher engagement in B2B contexts, current research lacks deeper insight into message strategies across different social media platforms (SMPs). We address this knowledge gap by examining whether the use of SM content strategies by B2B firms varies across platforms and whether their effectiveness in generating engagement varies across SMPs. In doing so, we build a new SM content strategy framework focused on messaging functions that capture a broad set of message stakeholders. Using advanced Random Forest modeling, we analyze 1700 SM messages and related engagement data from 18 of the largest Canadian B2B companies based on their revenues. We advance current research knowledge by demonstrating how different message strategies across SMPs achieve higher engagement levels. The findings offer concrete insights for practitioners to effectively engage diverse stakeholders across different SMPs. • The engagement of stakeholders in social media is a strategic issue for B2B firms. • No research has studied the effectiveness of content strategies across SM platforms. • Study creates a new broadened functional SM content strategy conceptualization. • We analyze 1700 SM messages and their engagement data with random forest modeling. • We find that both content strategy use and effectiveness differ across SM platforms.
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 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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».