Vaikuttajamarkkinoinnin hyödyntäminen Twitch-livestriimauspalvelussa
Bibliographic record
Abstract
Tämä opinnäytetyö tutkii vaikuttajamarkkinoinnin hyödyntämistä Twitch-livestriimauspalvelussa. Työn tavoitteena oli selvittää millaisia vaikuttajamarkkinoinnin keinoja yritykset voivat käyttää Twitchissä sekä tuottaa käytännön ohjeita ja ideoita yrityksille, jotka harkitsevat vaikuttajamarkkinoinnin hyödyntämistä Twitchissä. Tämän lisäksi työn tavoitteena oli edistää yleistä ymmärrystä vaikuttajamarkkinoinnista Twitchissä niin yritysten kuin vaikuttajien näkökulmasta. \n \nOpinnäytetyö on ajankohtainen, sillä Twitchin suosio kasvaa jatkuvasti, ja yritykset etsivät uusia tapoja tavoittaa kohdeyleisöjään. Vaikuttajamarkkinointi tarjoaa potentiaalia luoda vahvoja yhteyksiä brändien ja kuluttajien välillä Twitchin kautta. \n \nTämä työ on rajattu ainoastaan vaikuttajamarkkinointiin Twitchissä eikä käsittele muita mainonnan keinoja Twitchissä. Tutkimus on rajattu niin, että se tarkastelee aihetta vain vaikuttajien näkökulmasta, eikä brändien. Tutkimus rajautuu myös alueellisesti ainoastaan suomalaisiin vaikuttajiin. Rajaukset tehtiin, jotta tutkimustulokset olisivat mahdollisimman hyödyllisiä suomalaisille Twitch-striimaajille, sekä brändeille, jotka ovat kiinnostuneita Twitch-vaikuttajamarkkinoinnista. \n \nTyö alkaa teoriaosuudella, joka toimii tietoperustana empiiriselle osuudelle. Teoriaosuuden alussa tarkastellaan vaikuttajamarkkinointia osana sisältömarkkinointia, jonka jälkeen käsitellään aiheita vaikuttajat, henkilöbrändi ja kohderyhmän tavoittaminen vaikuttajamarkkinoinnissa. Teoriaosuudessa tarkastellaan myös livestriimausta ja Twitchiä, jonka jälkeen syvennytään vaikuttajamarkkinointiin Twitchissä. Teoriaosuuden lopussa käsitellään yksityiskohtaisesti Twitchissä vaikuttajien käyttämiä mainosmuotoja. \n \nOpinnäytetyön empiirinen osuus toteutettiin kvalitatiivisella eli laadullisella tutkimusmenetelmällä. Tutkimuksen aineisto kerättiin 2023 lokakuussa haastattelemalla neljää eri suomalaista henkilöä, jotka toimivat vaikuttajina Twitchissä. Kaikilla haastateltavilla oli kokemusta yhteistöistä yritysten kanssa. Heidän kauttansa sain näkemyksiä siitä, miten vaikuttajat valikoituvat yritykselle ja mitä yritysten tulee huomata valikoidessaan Twitch-vaikuttajaa. \n \nTutkimuksen tulokset osoittavat, että onnistuneessa vaikuttajakampanjassa korostuvat luottamus, yhteisten arvojen jakaminen ja sisällön aitous. Tutkimuksesta käy ilmi, että vaikuttajien ja brändien välisessä kommunikaatiossa ja tavoitteiden asettamisessa on parannettavaa, mikä vaikuttaa suoraan kampanjan onnistumiseen. \n \nTutkimuksen perusteella voimme todeta, että vaikuttajamarkkinointia hyödynnetään Twitch-livestriimauspalvelussa, mutta sen täydellistä potentiaalia ei ole vielä tavoitettu. Tutkimuksen tulokset auttavat brändejä sekä vaikuttajia ymmärtämään Twitch-striimaajien potentiaalin vaikuttajamarkkinoinnissa.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.063 | 0.021 |
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".