MétaCan
Menu
Retour à la cohorte
Enregistrement W1996591699 · doi:10.1016/j.ausmj.2014.03.001

The Problem with Standardizing International Market Research: A Case Study from B2B Services

2014· article· en· W1996591699 sur OpenAlexaff
M. Sajid Khan, Earl Naumann, Matti Haverila

Notice bibliographique

RevueAustralasian Marketing Journal (AMJ) · 2014
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCustomer Service Quality and Loyalty
Établissements canadiensThompson Rivers University
Organismes subventionnairesnon disponible
Mots-clésMultinational corporationEquivalence (formal languages)MarketingBusinessOrder (exchange)Global marketingQuality (philosophy)Product (mathematics)Service qualityCustomer satisfactionStandardizationService (business)Political scienceMathematics

Résumé

récupéré en direct d'OpenAlex

One of the key issues for multinational corporations (MNCs) is whether to standardize their marketing approach across all countries or adapt their practices to fit each country. In order to make this decision, MNCs must determine if their marketing approach is cross-culturally appropriate and equivalent from country to country. Unfortunately, recent research indicates that the vast majority of academic studies do not adequately address the cross-cultural equivalence issue. The primary purpose of this article is to illustrate the problem of using a standardized, global, B2B research approach. The second goal is to show how cross-cultural equivalence can be identified and managed. The firm in this study is a Fortune 100 MNC that provides facilities management services in over 100 countries. This article compares the cross-cultural equivalence of customer satisfaction survey data from the US and from Japan. The results show that about half of the items typically used to measure dimensions of product and service quality as drivers of customer satisfaction lack cross-cultural equivalence. The implication is that the use of a fully standardized approach to global research must be questioned.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Communication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,638
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0190,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0040,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,303
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAustralasian Marketing Journal (AMJ)Même sujetCustomer Service Quality and LoyaltyTravaux en français237 207