Exploring how business improvement area (BIA) organizations engage customers
Notice bibliographique
Résumé
Business Improvement Area (BIA) organizations have evolved over the past 40 years and are now prevalent in Canada and worldwide. These organizations bring community stakeholders, partners, and members together to enhance a designated area in a specific region (TABIA, 2020). BIA organizations can range in size, budget, and focus depending on the community's needs (BIABC, 2020). BIA organizations pursue various initiatives, including capital improvements, enhancing the appearance, safety, and facilitating events that highlight the unique attributes of an area and bring people to the community (Giraldi, 2009). This study was conducted during the COVID-19 pandemic. An exploratory sequential mixed-method approach was used to explore how BIA organizations use events to enhance engage customers through hosting events and use social media to interact with customers. The events studied were produced prior to the pandemic. The thematic analysis provided insight into the BIA organization's perspective on how events are used to interact with customers and how social media is used during event production. The study used descriptive statistics, social network analysis, and content analysis to conduct social media analysis to validate the responses found in the interviews (Creswell, 2012). The findings confirmed that BIA organizations believe events and social media engagement can help foster relationships with customers. The research displays the importance of creating a partnership with community stakeholders and governments during event production. The findings suggest BIA organizations may not be using social media to it’s fullest potential and may have a simplistic view of customer engagement.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».