UPAYA MENINGKATKAN KINERJA PEMASARAN \nMELALUI ORIENTASI PASAR DAN ORIENTASI \nKEWIRAUSAHAAN DENGAN INOVASI SEBAGAI \nVARIABEL INTERVENING \n(Studi Empiris pada Usaha Mikro Kecil dan Menengah Kota Semarang)
Notice bibliographique
Résumé
Micro, Small and Medium Enterprises (MSMEs) have an important role \nfor the growth of the national economy. In the first quarter of 2014, the number of \nMSMEs in Central Java increased, reaching 53.951 business units. However, in \nline with the increasing number of MSMEs and increasing turnover generated by \nSMEs in Central Java until 2013, when analyzed the average turnover per \nMSMEs by dividing turnover per year divided by the number of SMEs, it is known \nthat the average turnover per MSMEs in Central Java in 2013 actually decreased, \nwhich decreased by 0.0102 billion from the year 2012. The purpose of this \nresearch was to determine the factors that can improve the marketing \nperformance of MSMEs. Empirical studies conducted in this research is on Micro, \nSmall and Medium Enterprises (MSMEs) of Semarang City. The reason is \nbecause Semarang is Capital City of Central Java and MSMEs of Semarang \ncontribute most to the GDP of Central Java province. \nThis study uses four variables: Market Orientation, Entrepreneurship \nOrientation, Innovation and Marketing Performance. Research hypothesis testing \nusing the data of 120 respondents MSMEs in Semarang City. The analysis \ntechnique used in this research is Structural Equation Model (SEM) of 21.0 \nAMOS program. \nThe research proves that in order to improve marketing performance on \nMSMEs can be via 4 process. However, the most influential on the increase \nmarketing performance in MSMEs is to innovate on products that are supported \nby market-oriented.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».