PROCESSO DE DECISÃO DE COMPRA DOS CONSUMIDORES DE SERVIÇOS DE TV POR INTERNET: O CASO NETFLIX
Bibliographic record
Abstract
Este trabalho teve como objetivo compreender o comportamento dos consumidores em relação aos serviços streaming oferecidos pela Netflix no Brasil e nos Estados Unidos, utilizando o modelo do processo de decisão de compra proposto por Blackwell, Miniard e Engel (2011). Para alcançar os objetivos estabelecidos, foi realizada uma pesquisa qualitativa de caráter descritivo, com base em fontes bibliográficas, dados secundários e análise de 61 entrevistas em profundidade com assinantes da Netflix, sendo 38 entrevistados no Brasil e 23 nos Estados Unidos. Para a análise das entrevistas optou-se pela técnica de análise de conteúdo por categoria e comparativa entre os respondentes dos dois países. Os resultados obtidos mostraram que, comparativamente o comportamento dos consumidores dos Estados Unidos e do Brasil, percebe-se que existem diferenças que ocorreram principalmente na etapa do consumo, no que se refere à maneira com que os usuários utilizam o serviço e em relação a disponibilização de títulos diferenciada. As estratégias de marketing utilizadas pela Netflix para concorrer no mercado de entretenimento de TV, filmes e séries se concentram na maneira como o conteúdo é disponibilizado, no preço e na praticidade oferecida.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".