Changing Preferences of Indian Customers’ towards combinations of services offered through Credit Cards: A Conjoint Analysis
Notice bibliographique
Résumé

 Goals: Increasing competition and growing risks are major challenges. In a fiercely competitive industry, credit card issuers need to develop a loyal customer base and motivate their card holders to use their cards at a sufficient level to assure profitability.
 Objectives: The objectives of this article is to know the weightage given by the customer to the different attributes of the credit cards and to design a consumer model of credit card to retain customer loyalty.
 Results: It is a convenience sample of several cities and metros which shares almost major characteristics of Indian consumers. This study has identified four schemes like Medi-claim facility (M, Assigned Value-1), Insurance facility (I, Assigned Value-2), Discounts facility for purchases (D, Assigned Value-3) and Wide Acceptance in different sectors (W, Assigned Value-4) as independent variables that provides stability and sustainability to the firm-customer relationship. The loyalty model of customer has developed through the conjoint analysis by taking the utilities of different service factors associated with the credit cards. The highest service factor score was 25.891 and 20.274 at the different timings of (2002-05) and (2006-09) respectively.
 
 Conclusions: In order to develop sustainable relationships, marketers of credit cards should leverage involvement in their customers by employing strategies such as branding, positioning, and attractive and flexible service benefits to retain the customer loyalty. Further, credit card customers have an affinity towards high service quality with an affordable cost, therefore making value a prime consideration for achieving loyalty.
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».