Mikro ja pienet yritykset matkailumarkkinoinnin näkökulmasta : case: Asikkala ja Padasjoki, Lahti Travel Oy
Bibliographic record
Abstract
Opinnäytetyön tarkoitus on kartoittaa Lahti Travel Oy: lle mikro- ja pienten matkailuyritysten matkailumarkkinoinnin nykytilaa ja niiden tulevaisuuden toiveita. Lahti Travel oy panostaa ensi vuonna entistä enemmän Päijät- Hämeen alueen matkailumarkkinointiin. Yrityksellä ei ennestään ole tietoa matkailumarkkinoinnin nykytilasta ja tulevaisuuden toiveista mikro- ja pienten yritysten näkökulmasta. Tutkimus on tällä hetkellä ajankohtainen yritykselle, jotta matkailumarkkinointi onnistuisi ensi vuonna aiempaa paremmin. \nToimeksiantajan pyynnöstä matkailuyritykset on valittu työhön Päijänteen vesialueelta. Toimeksiantaja on määritellyt valittavat kunnat opinnäytetyöhön, ne ovat Asikkalan kunta ja Padasjoen kunta. Padasjoen kunnalta on tullut toiveet siitä, mistä yrityksistä he haluaisivat saada tietoa matkailumarkkinoinnin nykytilasta sekä tulevaisuuden toiveista. Tutkimukseeni olen valinnut juuri nämä yritykset. Asikkalan kunnasta valitsin mikro ja pieniä yrityksiä oman harkintani mukaan. \nTutkimusmenetelmä on kvalitatiivinen. Tutkimus on toteutettu ennakkoon sähköpostitse lähetetyllä haastattelulomakkeella. Viideltä yritykseltä sain vastaukset puhelinhaastattelulla. Yhdeltä yritykseltä sain vastaukset henkilökohtaisella haastattelulla. Kaksi yritystä vastasi kysymyksiin kirjallisesti sähköpostin välityksellä. \nTyön tuloksena on yrityksiltä saadut vastaukset, joita toimeksiantaja voi hyödyntää tulevaisuudessa kehittäessään yrityksensä markkinointia.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.011 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
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".