A INFLUÊNCIA DAS ESTRATÉGIAS DE MARKETING DIGITAL DIRECIONADAS PARA O COMPORTAMENTO DO CONSUMIDOR
Bibliographic record
Abstract
O presente tema aborda como as empresas utilizam ferramentas e técnicas digitais para moldar as atitudes e decisões de compra dos consumidores. Com o avanço das tecnologias digitais e o aumento do uso da internet, o comportamento do consumidor tem se tornado cada vez mais influenciado por estratégias como publicidade online, marketing de conteúdo, redes sociais, e-mail marketing, e otimização para motores de busca. Essas estratégias são projetadas para atrair, engajar e reter consumidores, aproveitando dados e análises para personalizar a experiência de compra. Assim o objetivo do artigo é analisar a influência das estratégias de marketing digital direcionadas para o comportamento do consumidor, e, para isso, fez-se pesquisas bibliográfica, descritiva e exploratória de ordem qualitativa. A segmentação do público-alvo, o uso de influenciadores digitais e a criação de conteúdos relevantes são táticas eficazes para aumentar o engajamento e a conversão. O marketing digital também permite uma comunicação mais direta e imediata com o consumidor, influenciando suas escolhas de maneira mais eficiente do que os métodos tradicionais. O comportamento do consumidor, nesse contexto, é afetado por fatores como a conveniência, a confiança nas marcas, as recomendações online, e a percepção de valor. As estratégias digitais também promovem um ciclo contínuo de interação e feedback, o que contribui para um relacionamento mais próximo entre consumidores e marcas. Assim, as estratégias de marketing digital costumam ter relevância no comportamento de compra dos consumidores, possibilitando uma abordagem mais personalizada e eficaz para as empresas, principalmente após as mudanças geradas pela pandemia de COVID-19.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.028 | 0.004 |
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".