Maahantuojalta viinilistalle – miten ravintola valitsee viininsä
Bibliographic record
Abstract
Suomalaisilla ravintoloilla on suuret valikoimat, mistä lähteä valitsemaan viinejä listalleen. Maahantuojia on monia ja näiden valikoimat vaihtelevat laidasta laitaan. Myös ravintoloiden liikeideoita löytyy lähes joka lähtöön.\n\nMillä perusteella ravintoloiden hankkijat valitsevat viinejä valikoimaansa? Onko ratkaisevina syinä viinin ominaisuudet, viinin brändi, houkutteleva etiketti tai pakkaus, hallitsevat trendit, liikeidea, hinta tai suhteet myyjän kanssa, vai useamman syyn yhteisvaikutus? Työn tavoitteena on kuvata, miten ravintolan viininvalintaprosessi etenee ja mitkä tekijät ovat ratkaisevassa asemassa valinnassa. Työn toimeksiantaja on suomalainen viinin maahantuonti- ja markkinointiyritys Vinetum Oy.\n\nTutkimus on toteutettu haastattelemalla neljää hankintapäätöksistä vastaavaa henkilöä, jotka työskentelevät kaikki yrityksessä, jonka alle kuuluu useampia ravintoloita. Haastattelut on tehty Helsingissä talvella 2013–2014. Ravintolat toimivat ympäri Suomen ja liikeideat vaihtelevat casual -ravintoloista tapahtumaravintoloihin ja enemmän fine dining -henkisiin ravintoloihin. Haastatteluilla pyrittiin selvittämään, onko viinissä itsessään, sen tuottajassa tai toimittajassa jotain tiettyä tekijää, minkä takia se erottuisi valintatilanteessa ja tekisi siitä erityisen halutun.\n\nTutkimuksesta ilmeni, että viinissä itsessään ei maun ja laadun lisäksi ole sellaisia ominaisuuksia, jotka yksin vaikuttaisivat ostopäätökseen. Sen sijaan ostopäätöksen takana on ajatus siitä, että viinin täytyy sopia mahdollisimman hyvin ravintolan liikeideaan ja ruokatuotteelle ja juuri siihen tilaisuuteen, jolle se on tarkoitettu. Viinin alkuperämaalla, brändillä tai hinnalla on merkitystä, jos se liittyy vahvasti ravintolan liikeideaan. Myös asiakkaan kautta ajatteleminen korostui vastauksissa. Tänä päivänä koetaan, että asiakas kiinnittää ensimmäisenä huomiota hintoihin, mutta kuuntelee myös henkilökunnan suosituksia.\n\nYrityksillä on myös pitkään hioutuneet suhteet päätavarantoimittajiinsa, mutta haastateltavat kokivat, että tarvittaessa korvaavia tuotteita saisi myös muiden toimittajien valikoimista.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.005 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.028 |
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; both teacher heads agree on what is shown here.
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".