Customer participation risk management: conceptual model and managerial assessment tool
Notice bibliographique
Résumé
Purpose Customer participation (CP) has received considerable interest in the service literature as a way to improve the customer experience and reduce service providers' costs. While its benefits are not in question, there is a paucity of research on potential pitfalls. This paper provides a conceptual foundation to address this gap and develops a comprehensive model of the risks of customer participation in service delivery, integrating research from the marketing, operations and supply chain management, strategy, and information technology fields. Design/methodology/approach The model is derived deductively by integrating insights from research in marketing, operations and supply chain management, strategy, and information technology. Findings This paper identifies three categories of potential risks of CP (i.e. market, operational, and service network) and discusses ways that firms can mitigate these risks. Building on the model, it develops a CP risk assessment tool that managers can use when evaluating increases in CP. Research limitations/implications The conceptual model proposed in this paper can serve as a robust basis for future research in customer participation, particularly in such areas as sharing economy services, service delivery networks, and experiential services. The risk assessment tool offers clear guidelines for managers who are considering an increase in customer participation in their service. Originality/value This is the first attempt to conceptually define customer participation risk and develop a comprehensive model of its drivers and strategies to mitigate it. This paper develops a straightforward method for managers to evaluate CP risk.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 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 ».