Markkinointiviestinnän toteutuminen asiakaskohtaamisissa : case: Vakuutusyhtiö X
Bibliographic record
Abstract
Tänä päivänä kilpailu Suomen vakuutusmarkkinoilla on kovaa, ellei jopa huipussaan. Vakuutusyhtiöt pyrkivät erottumaan kilpailijoistaan kaikin keinoin mahdollisin keinoin. Koska vakuutusyhtiöiden tuotteet ovat keskenään sisällöltään hyvin samankaltaisia, on yhtiöiden keksittävä muita tapoja, joiden avulla ne voivat erottua joukosta. Yksi merkittävimmistä keinoista, jolla yhtiöt voivat siinä onnistua, on markkinointiviestintä. Toimiva markkinointiviestintä vahvistaa positiivisia mielikuvia yhtiöstä ja sen toiminnasta sekä helpottaa uusasiakashankinnassa ja asiakaspidossa. Tämän opinnäytetyön teoriaosiossa keskityttiin siihen, mitä markkinointiviestintä tarkoittaa ja mitä se pitää sisällään sekä millaista on toimiva markkinointiviestintä. Lisäksi perehdyttiin siihen, mitä asiakaskohtaamiset ovat. Opinnäytetyön empiirisessä osassa tutkittiin sitä, miten hyvin markkinointiviestintä tällä hetkellä toteutuu Vakuutusyhtiö X:n asiakaspalvelussa. Tutkimus suoritettiin kaksivaiheisena, joista ensimmäisessä vaiheessa tutkittiin Vakuutusyhtiö X:n olemassa olevan materiaalin perusteella sitä, että sisältävätkö asiakaskohtaamiset toimintamallin mukaisia elementtejä. Toinen vaihe suoritettiin puhelinhaastatteluna ensimmäisessä vaiheessa valituille asiakkaille. Toisen vaiheen tarkoituksena oli verrata asiakkaalle jäänyttä mielikuvaa toteutuneeseen asiakaskohtaamiseen ja sen perusteella selvittää onko markkinointiviestintä saavuttanut asiakkaan. \nJo tutkimuksen ensimmäisessä vaiheessa selvisi, että vain todella pieni osa Vakuutusyhtiö X:n asiakaskohtaamisista sisältää käytössä olevan palvelumallin mukaisia elementtejä. Tämän vuoksi ei markkinointiviestinnän toteutumista aivan päästy selvittämään niin kuin oli ajateltu. Tulosten perusteella markkinointiviestintä tavoitti asiakkaat pääosin, mutta parannettavaa oli erityisesti myynnissä.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.005 | 0.005 |
| 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".