Opiskelijaedut sekä niiden hyödyt opiskelijalle ja yrityksille
Bibliographic record
Abstract
Tämän opinnäytetyön tavoitteena oli ymmärtää Tampereen opiskelijoiden ostokäyttäytymistä, jotta toimeksiantaja saisi työkaluja kehittää opiskelijamarkkinointiaan. Tarkoituksena oli tutkia, miten opiskelijat hyödyntävät opiskelijaetuja ja alennuksia. Lisäksi haluttiin selvittää, minkä suuruiset edut houkuttelevat ja tavoittavat opiskelijat sekä minkä suuruisia etuja ja alennuksia opiskelijat toivoisivat saavansa. Kyselytutkimuksen saatujen tuloksien tarkoituksena oli luoda visuaalinen materiaali tukemaan toimeksiantajan myyntiä ja markkinointia. Toimeksiantajana opinnäytetyölle toimi Opiskelijan Tampere ry. \n \nTyön teoreettisessa viitekehyksessä käsitellään opiskelijan ostokäyttäytymistä ja ostoprosessiin vaikuttavia tekijöitä sekä miten digimarkkinointi, sosiaalinen media, hinta ja asiakaslähtöisyys vaikuttavat markkinointiin. Opinnäytetyöhön liittyvä tutkimus toteutettiin kyselytutkimuksena Google Forms alustalla ja kyselyn linkkiä jaettiin toimeksiantajan sekä yhteistyöjärjestöjen kanavissa Tampereen korkeakouluopiskelijoille. Opinnäytetyön määrällinen tutkimusaineisto kerättiin 15.10–5.11.2022 välisenä aikana ja kyselyyn vastasi 77 opiskelijaa. \n \nTutkimuksesta saatujen tuloksien mukaan eniten rahaa opiskelijoilla kuluu kahviloihin ja ravintoloihin. Muotiin sekä kulttuuriin ja vapaa-ajan viettoon kuluu keskimäärin 50–100 € kuukaudessa. Eniten opiskelija-alennuksia hyödynnetään ruokaan, julkiseen liikenteeseen sekä junamatkoihin ja 74 % opiskelijoista valitsevat tuotteen ja paikan alennuksien saatavuuden perusteella. Tuloksien perusteella yrityksien tulisi tarjota opiskelijoille 15–20 % alennusta, sillä 10 % alennus koettiin liian vähäiseksi. Opiskelijat kertoivat myös lähtöhinnalla olevan vaikutusta alennuksen houkuttelevuuteen. \n \nOpinnäytetyöllä haluttiin kehittää Opiskelijan Tampereen myyntiä ja saatujen tuloksien pohjalta pystyttiin luomaan myyntiä tukeva esite ja perusteluita opiskelijaetujen kehittämiseen.
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 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.090 | 0.025 |
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".