Markkinaorientaation hyödyntäminen kuluttajalähtöisessä markkinassa – REKO-lähiruokarenkaat
Bibliographic record
Abstract
Vuodesta 2013 Suomessa on yleistynyt voimakkaasti uusi lähiruokaan ja paikallisuuteen nojaava ilmiö REKO (rejäl konsumtion). REKO-lähiruokarenkaat tarjoavat kuluttajille kanavan hankkia elintarvikkeita suoraan ruoan tuottajilta ja tuottajille mahdollisuuden parempaan tuottoon välikäsien jäädessä pois asiakkaan ja tuottajan väliltä. Tässä tutkimuksessa tarkastelun kohteena on sekä REKO ilmiönä että REKO-lähiruokarenkaissa toimivien tuottajien toiminta ja sen kehittämismahdollisuudet.\n\nTutkimus analysoi REKO-lähiruokarenkaita kuluttajalähtöisenä markkinana ja niissä toimivien tuottajien toimintaa markkinaorientaation avulla. Tutkimuksen primaariaineistona on viisi haastattelua REKO-lähiruokarenkaissa toimivilta tuottajilta sekä haastattelut REKO-verkoston alullepanijalta Thomas Snellmannilta ja REKO-lähiruokarenkaassa ylläpitäjänä toimivalta Ann-Sofi Ljungqvistilta. Aineistoa analysoitiin teoriasidonnaisen sisällönanalyysin menetelmin.\n\nTutkimus perehtyy REKO-ilmiöön ja tarjoaa sen kuvaamiseksi kuluttajalähtöisen markkinan perustalle rakennetun mallin. Mallista käy ilmi muun muassa, mitä toimijoita REKO-lähiruokarenkaissa toimii, minkälaisissa ympäristöissä toimitaan ja minkälaista toimintaa näissä ympäristöissä tapahtuu. Tutkimus selvittää REKO-lähiruokarenkaissa toimivien tuottajien markkinoinnillista toimintaa markkinaorientaation kautta sekä antaa ehdotuksia toiminnan kehittämiseksi. Tuottajahaastatteluista selvisi tuottajien pitävän asiakaskohtaamista tärkeänä, tuottajilla olevan kohtuullinen ymmärrys asiakkaistaan, kilpailijoistaan sekä toimintaympäristöstään sekä tuottajien toteuttavan yksinkertaisia markkinointi- ja muita toimia. Kehitysehdotuksiksi määriteltiin systemaattinen tiedon kerääminen, kerättyyn tietoon reagoiminen sekä suunnitelmallinen oman viestin esiin tuominen.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.010 |
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".