Notice bibliographique
Résumé
Beryl is a leading brand in China's goji berry market that has stayed ahead of the competition quality-wise and is the only one to build a name for itself both offline and online. Beryl made a foray into e-commerce in 2015 and quickly outperformed rivals with low-priced berries. However, its success came at the expense of brand image. In 2018, Beryl repositioned itself by axing lucrative low-price products that brought the company ￥70 million in sales and accounted for 70% of total e-commerce sales. It shifted focus to new goji berry snacks to satisfy the demand for health products among younger generations. In 2020, the Covid-19 outbreak dealt a severe blow to Beryl's offline retail. As a bulwark against the pandemic, Beryl decided to embrace internet retail and make livestream marketing a strategic priority. Beryl cooperated three times with Viya, a top-tier livestreamer on Taobao, quickly boosting its best-selling product—first-crop goji berries. The three Viya livestreams in the first half of 2020 contributed 18% of total sales revenue on Beryl's Tmall flagship store. Nevertheless, given record low livestream prices and factoring in the livestreamer’s commissions and slot fees, Beryl failed to generate profits from them. In terms of goji berry juice and premium Suo Xian berries, the company failed to establish partnerships with top-tier livestreamers. It relied on celebrities and second-tier livestreamers, with a negligible impact on sales. In addition, Beryl organized a series of in-house livestreams but still found it difficult to attract the necessary new customers and convert them into purchasers. The Beryl was faced a conundrum: should the company focus on developing livestream e-commerce to hit its 2020 sales target of ￥130 million? How could it maximize profit from its three major product lines—first-crop berries, berry juice, and Suo Xian berries—through livestreams?
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».