MétaCan
Menu
Retour à la cohorte
Enregistrement W2404427794 · doi:10.1108/jstp-04-2014-0070

The impact of word of mouth on service purchase decisions

2015· article· en· W2404427794 sur OpenAlexaff
Peter Voyer, Chatura Ranaweera

Notice bibliographique

RevueJournal of Service Theory and Practice · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDigital Marketing and Social Media
Établissements canadiensWilfrid Laurier UniversityUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésConceptualizationPsychologyWord of mouthService (business)Risk perceptionCommunication sourceInterpersonal communicationPersuasionStructural equation modelingSocial psychologyConstruct (python library)Services marketingRecallAntecedent (behavioral psychology)PsychosocialMarketingApplied psychologyBusinessPerceptionCognitive psychologyComputer science

Résumé

récupéré en direct d'OpenAlex

Purpose – Primarily, the purpose of this paper is to investigate the interaction and direct effects of tie strength between sender and receiver of word of mouth (WOM) and the receiver’s service purchase decision involvement on WOM influence. A secondary aim is to investigate how a distinctive conceptualization of perceived risk, consisting of two types (outcome risk and psychosocial risk), affects service purchase decision involvement. A conceptual model incorporating these constructs and associated hypotheses is developed and tested. Design/methodology/approach – In a survey of actual service consumers, respondents were asked to recall a recent instance where they had received service purchase information via WOM, and relate their responses to this instance. Established scales were used to measure the constructs. The hypothesized model was tested using structural equation modeling. Findings – Principally, findings demonstrate a strong interaction effect between service purchase decision involvement and tie strength. Also, results highlight the complexity of the perceived risk construct, suggesting that it is appropriately modeled as two types: outcome risk, and psychosocial risk. Research limitations/implications – This research has contributed to the service marketing literature by testing a model that predicts WOM influence. Evidence confirmed that the effect of service purchase decision involvement on WOM influence is moderated by tie strength. Additionally, a conceptualization of two different types of risk associated with purchase decisions was suggested, together with empirical confirmation of their hypothesized antecedent effects on service purchase decision involvement. Findings have special implications for the literatures of persuasion, social and interpersonal influence, as well as consumer behavior in general. Practical implications – To harness the power of WOM, managers should understand who their target audience is and how consumers are related to each other (tie strength) and to the service purchase decision (service purchase decision involvement). Recommendations are made with specific illustrations of how firms can leverage tie strength under conditions of low service purchase decision involvement to enhance WOM influence. Originality/value – The formidable power of WOM wields substantial influence on consumers, particularly within a service (vs goods) purchase context, typically characterized by higher perceived risk and lower search qualities. The significant interaction between tie strength and service purchase decision involvement is a unique contribution to the service WOM literature.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,049
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,049
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,072
Tête enseignante GPT0,409
Écart entre enseignants0,337 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations65
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Service Theory and PracticeMême sujetDigital Marketing and Social MediaTravaux en français237 207