Customer Preferences for Restaurant Technology Innovations
Notice bibliographique
Résumé
When restaurateurs evaluate whether to adopt technology-based service innovations, they must consider not only the costs and benefits of that technology, but also customers’ reactions to the procedural changes accompanying the innovation. Technology that damages customer satisfaction may not be worthwhile, no matter how much it reduces labor costs. In this report we present the results of a national survey on customers’ perceptions of eleven restaurant technologies, as well as whether respondents use those technologies and the value they see in them. The technologies are pagers for table management, handheld order taking while waiting in line, internet-based ordering, kiosk-based payment, kiosk-based food ordering, online reservations, payment via SMS or text message, payment via (RFID) smart card, payment via cell phone using NFC technology, virtual menus available tableside with nutritional information, and virtual menus online with nutritional information. These technologies are categorized in the following five categories: kiosk, menu, online usage, payment-based service innovations, and queuing. Using a research technique called best-worst choice analysis, the study found that the technologies used most commonly were pagers and online reservations, while cell-phone payment was used hardly at all. The results show that the perceived value of a specific technology increases after the customers have had the opportunity to use it, and different demographic segments valued the technologies differently. Frequent technology users visited restaurants more often than infrequent technology users did.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».