MétaCan
Menu
Retour à la cohorte
Enregistrement W2122645103 · doi:10.5267/j.msl.2013.10.020

An empirical investigation on the effects of electronic banking on key customer relationship management

2013· article· en· W2122645103 sur OpenAlexvenueno aff
Kazem Chavoshi, Ali Ramezanzadeh, Sohrab Ahmadvand, Kianoush Nazari Amaleh, Behnam Rezaei

Notice bibliographique

RevueManagement Science Letters · 2013
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCustomer Service Quality and Loyalty
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésElectronic bankingKey (lock)BusinessCustomer relationship managementProcess managementEmpirical researchCustomer intelligenceComputer scienceKnowledge managementMarketingCustomer retentionService qualityService (business)The InternetComputer securityWorld Wide WebStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

In recent years, there has been good progress on information and communication technology influencing businesses with a new emerging concept called customer relationship management (CRM) and it has made significant changes in electronic banking. The primary objective of this paper is to survey electronic banking effects on key CRM components in one of Iranian banks in city of Tehran, Iran. The survey designs a questionnaire and distributes it among some experts in one of selected regions and the results are verified based on t-student and Freedman tests. Results show that all electronic banking services influence on CRM. In addition, that there are no significant differences among effects of electronic services on CRM but each CRM component has different effects on electronic services. In fact, according to freedman test, improving customer relationship process is the most important factor followed by providing appropriate service for each customer, providing appropriate service on appropriate time for each customer and providing appropriate service by appropriate channel for each customer.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,860
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,002
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,025
Tête enseignante GPT0,256
Écart entre enseignants0,231 · 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

Citations4
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManagement Science LettersMême sujetCustomer Service Quality and LoyaltyTravaux en français237 207