The Effects of Service and Consumer Product Knowledge on Online Customer Loyalty
Notice bibliographique
Résumé
Customer loyalty is a key driver of financial performance for online firms. The effect of service quality on customer loyalty has been well established. Yet, there is a paucity of research that has studied the cost of obtaining service quality during the service process and the service outcome influenced by such cost. We extend previous research and propose the 3S Customer Loyalty Model by integrating sacrifice and service outcome as additional important service dimensions together with service quality when predicting online customer loyalty, and examining how their influences on loyalty vary across customers with different degrees of product knowledge. Further, we theorize that service quality and sacrifice -- as service process dimensions -- influence service outcome, and we theorize how “live help” technology improves customer perceptions of service quality and sacrifice. The empirical results indicate that 1) customer loyalty increases with higher perceived service quality, lower perceived sacrifice, and better perceived service outcome, 2) service quality and sacrifice influence service outcome, 3) customer product knowledge negatively moderates the relationship between service quality and online customer loyalty and positively moderates the relationship between sacrifice and customer loyalty, and 4) live help technology enhances service quality and reduces sacrifice. These findings support the theoretical importance of including sacrifice and service outcome (parallel with service quality) as antecedents of online customer loyalty. Our study also advances the theoretical understanding of what service process consists of and how the service process (i.e. service quality and sacrifice) influences service outcome.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».