Pankin vaihtamiseen vaikuttavat tekijät : case Nordea : markkinatutkimus
Bibliographic record
Abstract
Tämä opinnäytetyö käsittelee pankin vaihtamiseen vaikuttavia tekijöitä. Lisäksi työssä tutkitaan, millä tavoin pankki pystyy vaikuttamaan henkilöasiakkaiden vaihtohalukkuuteen. Toimeksiantajana opinnäytetyössä toimii Nordea Suomi Oyj:n Nastolan konttori. \n \nOpinnäytetyön teoriaosuus jakautuu neljään päälukuun. Ensimmäisessä luvussa käsitellään uusasiakashankintaprosessia. Toisessa luvussa selvitetään ostokäyttäytymistä ja ostopäätökseen vaikuttavia tekijöitä. Kolmannessa luvussa käydään läpi Suomen pankkimarkkinoiden tilannetta sekä pankkien asiakastyytyväisyyttä ja -uskollisuutta. Teoriaosuuden viimeisessä luvussa selvitetään kvalitatiivisen markkinatutkimuksen tekeminen teoriassa. \n \nOpinnäytetyön empiirisessä osassa tutkitaan pankin vaihtamiseen ja vaihtohalukkuuteen vaikuttavia tekijöitä kvalitatiivisen markkinatutkimuksen keinoin. Tässä osiossa käydään läpi tutkimussuunnitelma, tutkimuksen toteutus, \ntutkimustulosten analysointi ja tehdyt johtopäätökset. tutkimuksen tuloksista käy ilmi hinnan ja asiakaspalvelun laadun olevan tärkeimpiä vaihtohaluun vaikuttavia tekijöitä. Tutkimuksessa on myös tutkittu erikseen imagon ja lähipiirin vaikutusta vaihtamispäätökseen.
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) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.004 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".