An emotion-based segmentation of bank service customers
Notice bibliographique
Résumé
Purpose Emotional and affective responses are experienced during service use that determine customer behavior; and for this reason, bank services require an better understanding of the emotions customers feel in service experiences. This research aims to examine whether different customer segments exist in the bank services industry, based on the emotions they experience when using the service. Design/methodology/approach The factors were examined through confirmatory factor analysis (CFA). Then, two-step clustering analysis was developed for customer segmentation on data from 451 bank service customers. Finally, an Anova test was conducted to confirm the differences among the obtained customer segments. Findings Our findings show that the emotion-based segmentation is meaningful in terms of behavioral outcomes in bank services. Further, research findings indicate that bank service customers cannot be perceived as a homogenous group, since four customer clusters emerge from our research namely “angry complainers”, “pragmatic uninvolved”, “emotionally attached customers” and “happy satisfied customers”. Research limitations/implications Our findings show that the emotion-based segmentation is meaningful in terms of behavioral outcomes in bank services. Further, research findings indicate that bank service customers cannot be perceived as a homogenous group, since four customer clusters emerge from our research namely “angry complainers”, “pragmatic uninvolved”, “emotionally attached customers” and “happy satisfied customers”, being the “angry complainers” the most challenging customer group. Originality/value The study is the first one to specifically segment bank customers based on the emotions they experience when using the service.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».