Facebook-markkinoinnin kehittäminen: Horse & Rider Nordic Oy
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena oli kehittää Facebook-markkinointia asiakaslähtöisesti. Opinnäytetyön tavoitteena oli selvittää, mitkä asiat Facebook-markkinoinnissa tarvitsisivat kehittämistä. Työn toimeksiantajana toimi Horse & Rider Nordic Oy. \n \nHorse & Rider Nordic Oy on Keravalla toimiva hevostarvikeliike, josta löytyy erilaiset tuotteet hevoselle ja ratsastajalle sekä rehut ja lisäravinteet. Horse & Rider Nordic Oy:llä on myös verkkokauppa. \n \nTämän opinnäytetyön teoreettisessa viitekehyksessä syvennyttiin Facebook-markkinoinnin teoriaan, digitalisaation mahdollisuuksiin, asiakaslähtöisyyteen yrityksen strategiassa sekä miten yritykselle luodaan lisää kasvua ja tehokkuutta digitaalisen markkinoinnin avulla. Tämän opinnäytetyön tärkein teoreettinen viitekehys pohjautuu Jari Júslenin kirjaan Tee tulosta Facebook mainoksilla. \n \nOpinnäytetyön tutkimusongelmana oli selvittää, mitä jo olemassa olevat asiakkaat toivoisivat Horse & Rider Nordic Oy:n Facebook-markkinoinnilta. Tutkimus tehtiin kvalitatiivisena eli laadullisena tutkimuksena. Tutkimusmenetelmänä käytettiin teemahaastatteluja ja ne tehtiin neljälle hevosenomistajalle, jotka ovat jo Horse & Rider Nordic Oy:n asiakkaita. \n \nTutkimuksen tuloksista selvisi, että Horse & Rider Nordic Oy:llä ei ole merkittäviä kehityskohteita Facebook-markkinoinnissa ja asiakkaat ovat pääsääntöisesti tyytyväisiä yrityksen Facebook-markkinointiin. Haastateltavat toivoivat Horse & Rider Nordic Oy:n Facebook-markkinointiin kuitenkin lisää luentoja sekä tieteellisiä tutkimuksia. Haastateltavia kiinnostavat Facebook-mainoksissa eniten tuotteet, varsinkin uutuustuotteet sekä rehut ja lisäravinteet.
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 | 0.001 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.289 | 0.121 |
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".