Sprejemanje mobilnega trženja s strani porabnikov
Bibliographic record
Abstract
UVODV zadnjem desetletju je mobilni telefon postal naš stalni spremljevalec in večina ljudi si ne zna predstavljati življenja brez njega.Mobilno trženje je opredeljeno kot vsaka oglaševalska dejavnost, ki spodbuja prodajo izdelkov ali storitev preko mobilnih naprav (Kenton, 2023).Ustvarilo je pomembne spremembe v poslovnem svetu z zagotavljanjem enostavnega dostopa do prilagojenih sporočil, ne glede na čas in lokacijo.To področje je eno najhitreje rastočih v tehnološko usmerjenem trženju.S pomočjo mobilne tehnologije je mogoče izmenjati različne vrste vsebin, kot so videoposnetki, zvočni posnetki, fotografije, pisanje blogov, brskanje po internetu in komuniciranje z ljudmi po vsem svetu (Bayas, Bayat & Yasar, 2019).Obstaja veliko različnih oblik mobilnega trženja, kot so mobilne aplikacije, družbena omrežja, e-pošta, SMS sporočila in koda QR.Vsaka prinaša porabniku različne prednosti in se torej med seboj razlikujejo.Porabnikom mobilno trženje prinaša številne prednosti, kot so priročnost in enostavnost, personalizacija, interakcija, številne prilagojene ponudbe in popusti ter odzivnost.Pomembno je omeniti, da porabniki pričakujejo, da bo njihova varnost osebnih podatkov zaščitena in zaupanje je zelo pomemben dejavnik pri njihovem sprejemanju mobilnega trženja (Salem, Althuwaini & Habib 2017).Večina prejšnjih raziskav temelji na točno določenem obravnavanem sklopu pri sprejemanju mobilnega trženja.V raziskavi Ching Kiat, Samadi in Hakimian (2017) se poglobijo v dejavnike mobilnega trženja in kako jih porabniki sprejemajo, medtem ko raziskava Salem, Althuwaini in Habib (2017) analizira različne primere sprejemanja mobilnega trženja in porabnikove odzive nanj.Sama se bom osredotočila na najpomembnejše osnovne podatke, ki vplivajo na porabnikovo sprejemanje mobilnega trženja.Namen zaključne naloge je teoretično in empirično preučiti sprejemanje mobilnega trženja s strani porabnikov.S pomočjo teorije bom prikazala različne plati mobilnega trženja, kasneje pa na podlagi tega izvedla empirično raziskavo z anketno metodo.V anketnem vprašalniku želim raziskati porabnikovo mišljenje o mobilnem trženju.Zaključna strokovna naloga je sestavljena iz treh poglavij.V prvem poglavju opredelim mobilno trženje in njegove učinkovitosti ter predstavim ključne faktorje, kot so lokacija, zabava, družbeni vpliv, zaupanje in kompatibilnost.Nato preučim osnovne prednosti in slabosti mobilnega trženja.V drugem poglavju podrobno opišem pet različnih oblik mobilnega trženja, in sicer trženje preko SMS sporočil, trženje preko e-pošte, družbena omrežja, mobilne aplikacije in QR kodo.V tretjem poglavju predstavim empirično raziskavo sprejemanja mobilnega trženja s strani porabnikov, postavim hipoteze, opišem metodologijo, predstavim analizo podatkov ter interpretiram podatke.Pri empiričnem delu se bom osredotočila na slovenske porabnike in s pomočjo ankete preverila raziskovalne
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.010 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.032 | 0.007 |
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".