eSM-Liigan maksettu markkinointi: twitter markkinoinnin vaikutukset eSM-Liigan näkyvyyteen
Bibliographic record
Abstract
Suomen elektronisen urheilun liitolla oli tarve selvittää, miten maksettua markkinointia sosiaalisessa me-diassa voisi käyttää tarkoituksena lisätä eSM-Liigan näkyvyyttä. Tarkemmin maksettua markkinointia käy-tettiin Twitterissä. Tavoitteena oli siis eSM-Liigan näkyvyyden lisääminen maksetulla mainoksella valitussa kanavassa. Tehtävänä oli selvittää, millaisia tuloksia maksettu markkinointi saa aikaan ja mitkä ovat ne tekijät, joita tulee ottaa huomioon maksettua markkinointia tehdessä. Lisäksi selvitettiin, miten orgaani-nen ja maksettu mainonta eroavat toisistaan Twitterissä. \n \nOpinnäytetyö toteutettiin kehittämistyönä, jossa käytettiin myös määrällisen tutkimuksen menetelmiä. Kehittämistyö oli sopiva menetelmä, sillä tavoitteena oli kehittää Suomen elektronisen urheilun liiton maksettua markkinointia, eli tarve pohjautui liike-elämään. Maksettu markkinointi toteutettiin toimeksi-antajan toimesta Twitterin mainostyökalussa, maksetun markkinoinnin tiedot toteutti pääosin opinnäyte-työn kirjoittaja. Maksetun markkinoinnin tuloksia analysoitiin ja selvitettiin, onnistuiko maksettu markki-nointi, eli saatiinko näkyvyyttä lisättyä. Lisäksi orgaanisen ja maksetun markkinoinnin tuloksia verrattiin toisiinsa. \n \nMaksettu markkinointi Twitterissä antoi onnistuneita tuloksia. Mainos keräsi merkittävän määrän näyttö-kertoja, yli 100 000 ja sitä näytettiin yli 50 000 yksittäiselle ihmiselle. Mainostetulla twiitilla saatiin huomat-tavasti enemmän näyttökertoja kuin orgaanisella sisällöllä. Lisäksi maksetun markkinoinnin jälkeen, myös orgaaniset twiitit tavoittivat ihmisiä sekä toimintoja hieman enemmän kuin ennen maksettua markkinoin-tia. Myös eSM-Liigan seuraajamäärän kasvua seurattiin, tähän maksetulla markkinoinnilla ei ollut kuiten-kaan merkittävää vaikutusta. Todennäköisesti tämä johtui valitusta tavoitteesta, joka ei ollut seuraaja-määrän kasvuun optimaalinen. Haasteena tutkimuksessa todettiin maksetun markkinoinnin seurannan vähäisyys. Tutkimuksen avulla saatiin kuitenkin tärkeää tietoa, miten maksettua markkinointia tulisi jat-kossa toteuttaa, jotta se tuottaisi entistä parempia sekä tehokkaampia tuloksia. Toimeksiantaja on voittoa tavoittelematon organisaatio, joka toi mukanaan haasteita, kuten resurssipulaa. Tästä syystä maksetun markkinoinnin suunnitelmallisuuteen sekä seurantaan on tärkeä kiinnittää huomiota tulevaisuudessa.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.007 | 0.011 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.115 | 0.089 |
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".