How to Respond to Customer Complaints -from the Perspective of Argument Strength
Notice bibliographique
Résumé
In this era of rapid network technology development, more and more people are sharing or receiving complaints about products or companies via online platforms. Related research finds that negative electronic word of mouth is perceived as credible and will have an adverse impact on companies. The purpose of this study is to explore how company response strategies to negative reviews affect corporate image and purchase intention. We aim to provide appropriate processing mechanisms to help companies reduce the damage of negative word-of-mouth. This study used an experimental design method, manipulating the experimental situation so that the subjects had a simulated personal experience with a company. A questionnaire was provided to collect subjects’ opinions. There were 180 valid subjects. We utilized variance analysis to verify the hypotheses. This study had three primary findings: (1) Different response strategies to negative reviews will have different effects on corporate image and purchase intention. Among them, the accommodative strategy is significantly better than the other strategies – defensiveness and no action – for enhancing corporate image and purchase intention. (2) The impact of the response strategy on purchase intention will be moderated by the strength of the reviews’ arguments, especially for accommodative strategies; however, this moderating effect does not occurred with respect to the impact of response strategies on corporate image. (3) Corporate image has a positive impact on purchase intention. Managerial implications for marketing managers are also discussed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».