Research on Factors Affecting Performance Indicators of Telemarketers Based on Talk Time in the Life Insurance Market: The Case of Korea
Notice bibliographique
Résumé
The telemarketing industry is gradually expanding its area as the telecommunication industry has rapidly developed. Especially the telemarketing sector of the insurance companies has been showing the most outstanding growth. They not only increase investment to achieve good telemarketing performance, but also benchmark practice of other competitors and aim for further improvement via their own knowhow. According to the survey by American Report, expenses related to the telemarketers comprise 62% of the telemarketing cost. This indicates that effective management of telemarketers is more important than deployment of system equipment and various solutions. There are correlations between the effective management of telemarketers and the amount of their average income generated as well as their turnover due to resignation and/or moving to another company. Savings in payment to telemarketers in advance may be interpreted also as a performance indicator for insurance companies. Then, the performance indicators of insurance companies can be expressed in detail into commissions of telemarketers, cases of new sales, and amount of first premiums. In this study, we analyzed actual data related to telemarketing performance indicators to assess such performance indicators. Multiple regression analysis was applied, based on one year records, after confirming correlations among talk time, experiences, contact time, sex, age, and education all of which are telemarketing performance indicators. It is shown that there is a meaningful correlation between commissions, first premiums and new sales cases which are the business achievement of telemarketers, and total talk time and work experiences which are determinants of performance. Talk time, experiences, contact were turned out to be significant, while personal characteristics were not. In order to improve the total talk time based on this analysis, we propose to manage performance indicators by working month and training, and to introduce improved so called
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».