Opiskelijaedut sekä niiden hyödyt opiskelijalle ja yrityksille
Notice bibliographique
Résumé
Tämän opinnäytetyön tavoitteena oli ymmärtää Tampereen opiskelijoiden ostokäyttäytymistä, jotta toimeksiantaja saisi työkaluja kehittää opiskelijamarkkinointiaan. Tarkoituksena oli tutkia, miten opiskelijat hyödyntävät opiskelijaetuja ja alennuksia. Lisäksi haluttiin selvittää, minkä suuruiset edut houkuttelevat ja tavoittavat opiskelijat sekä minkä suuruisia etuja ja alennuksia opiskelijat toivoisivat saavansa. Kyselytutkimuksen saatujen tuloksien tarkoituksena oli luoda visuaalinen materiaali tukemaan toimeksiantajan myyntiä ja markkinointia. Toimeksiantajana opinnäytetyölle toimi Opiskelijan Tampere ry. \n \nTyön teoreettisessa viitekehyksessä käsitellään opiskelijan ostokäyttäytymistä ja ostoprosessiin vaikuttavia tekijöitä sekä miten digimarkkinointi, sosiaalinen media, hinta ja asiakaslähtöisyys vaikuttavat markkinointiin. Opinnäytetyöhön liittyvä tutkimus toteutettiin kyselytutkimuksena Google Forms alustalla ja kyselyn linkkiä jaettiin toimeksiantajan sekä yhteistyöjärjestöjen kanavissa Tampereen korkeakouluopiskelijoille. Opinnäytetyön määrällinen tutkimusaineisto kerättiin 15.10–5.11.2022 välisenä aikana ja kyselyyn vastasi 77 opiskelijaa. \n \nTutkimuksesta saatujen tuloksien mukaan eniten rahaa opiskelijoilla kuluu kahviloihin ja ravintoloihin. Muotiin sekä kulttuuriin ja vapaa-ajan viettoon kuluu keskimäärin 50–100 € kuukaudessa. Eniten opiskelija-alennuksia hyödynnetään ruokaan, julkiseen liikenteeseen sekä junamatkoihin ja 74 % opiskelijoista valitsevat tuotteen ja paikan alennuksien saatavuuden perusteella. Tuloksien perusteella yrityksien tulisi tarjota opiskelijoille 15–20 % alennusta, sillä 10 % alennus koettiin liian vähäiseksi. Opiskelijat kertoivat myös lähtöhinnalla olevan vaikutusta alennuksen houkuttelevuuteen. \n \nOpinnäytetyöllä haluttiin kehittää Opiskelijan Tampereen myyntiä ja saatujen tuloksien pohjalta pystyttiin luomaan myyntiä tukeva esite ja perusteluita opiskelijaetujen kehittämiseen.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,090 | 0,025 |
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 source (Gemma direct ou Codex distillé), 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 ».