Fintech and the Future of the Payment Landscape: The Mobile Wallet Ecosystem - A Challenge for Retail Banks?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Technological innovation, recent regulatory initiatives and mass consumers’ changing expectations are quickly re-shaping the payments’ sector, paving the way to a more open environment where even non-banking players see a huge opportunity to gain momentum and disrupt the incumbents, namely the financial institutions. Fintech startups, high-tech firms but also mobile network operators are indeed challenging the status quo with their innovative propositions, trying to disintermediate banks from their traditional function of payment service providers. In the payments market, mobile wallets represent one of the innovations with highest potential of growth in the consumer-to-business segment. Payment market is a large and profitable segment for retail banking. Besides revenue streams from card payment transactions, new sources of revenueas and value creation have been unleashed by digital payments. This paper contributes to provide a better understanding of the mobile wallet ecosystem, also analyzing a set of four business cases so to identify potential sources of competitive advantage for retail banks in a market characterized by an increased non-bank competition. Mobile wallet platforms can be a powerful tool for banks to cope with the customer-centric approach. The structure of the paper analyse the recent trends in the financial services industry, involving the entry of new players (Fintech); the evolution of payments in the market; the concept of ecosystem applied to the new payment landscape; and it outlines the banks’ roles in the new mobile payment environment.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle