Bibliographic record
Abstract
O cartão de crédito está sendo cada vez mais utilizado, substituindo gradativamente o uso de cédulas, moedas e cheques nas transações entre compradores e vendedores. As Instituições financeiras, bancos e muitas lojas oferecem a seus clientes cartões com múltiplas funções e que podem ser utilizados pelos consumidores na compra de um grande número de bens e serviços. A ABECS - Associação Brasileira das Empresas de Cartão de Crédito e Serviços (2011) apresenta dados estatísticos que demonstram o crescimento do mercado de cartões. Com base neste mercado, que está em constante crescimento, as Instituições financeiras desenvolvem cartões destinados a atender e fidelizar seus clientes. No presente trabalho, destacam-se os cartões para o segmento de clientes de Alta renda Private, um público multi-bancarizado e com potencial de consumo elevado, e por isso mesmo público alvo de estratégias de marketing. Este trabalho buscou formular um Plano de marketing para auxiliar a aumentar a utilização de cartão de crédito numa base de clientes Private de uma Instituição Financeira. Para a coleta de dados, foram utilizadas pesquisa documental, pesquisa bibliográfica e pesquisa qualitativa com entrevistas em profundidade semi-estruturadas. Com base nas pesquisas realizadas, foi estruturado o Plano de marketing, as questões estratégicas e propostos três planos de ação. Verificou-se que para aumentar a utilização de cartão de crédito, os gerentes devem divulgar para todos seus clientes os benefícios e as vantagens da utilização do cartão, e estes contatos devem ser feitos de forma sistemática e regular para cada cliente.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.004 | 0.002 |
| Insufficient payload (model declined to judge) | 0.484 | 0.145 |
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".