Intelligent customer complaint handling utilising principal component and data envelopment analysis (PDA)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this study, we consider customer to be a company's crucial asset. In order to have a fast, efficient decision-making process, it is vital that a customer relationship management (CRM) decision-maker condenses and abstracts the existing information. A questionnaire survey was conducted among respondents in order to obtain the required data. The questionnaire contains nine categories of satisfaction variables. To perform the analysis, we used principal component analysis (PCA) and data envelopment analysis (DEA). PDA has been utilised as an abbreviation for the integration of these two methods. To effectively analyse the procedure, PCA was utilised to assign a number to each category of questions related to each satisfaction variable. To achieve optimal precision, DEA was applied to the three categories of customers (‘most important’, ‘important’ and ‘ordinary’ customers) in order to determine the strengths and weaknesses of customer services from these customers’ perspectives. Customers were clustered and then DEA was used to determine their viewpoints. Using DEA, we have optimised our recognition of customers’ complaints and then provided recommendations and remedial actions to resolve the current issues in logistics and transport industry in general, and at Fremantle port in particular. The current study integrates soft computing and optimisation technique in order to build the CRM recommender system. It demonstrates the hybrid soft computing strengthens in area of CRM as the relevance solution. The significance of the proposed algorithm is three fold. First, it integrates soft computing and optimisation technique in order to build the CRM recommender system. Second, it utilises the most standard CRM variables in its decision making process. Third, it is an optimising algorithm because it integrates DEA with PCA technique.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| 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 découle