Managers' understanding of artificial intelligence in relation to marketing financial services: insights from a cross-country study
Notice bibliographique
Résumé
Purpose Given that managers play a crucial role in developing and deploying AI for marketing financial services, this study was aimed at better understanding their awareness regarding AI and the challenges they are facing in providing the attendant technologies, as well as highlighting key stakeholders and their collaborative efforts in providing financial services. Design/methodology/approach Exploratory, inductive research design. The data was gathered through semi-structured interviews with 47 bank managers in both developed and developing countries, including the United Kingdom, Canada, Nigeria and Vietnam. Findings Managers are aware of the prospects of AI and are making efforts to address AI as a business need but find that there often exist certain challenges in accelerating AI adoption. The study also presents a conceptual framework of AI in relation to financial service marketing, which captures and highlights the interactions among the customers, banks and external stakeholders, as well as the regulators. Research limitations/implications Banks must understand their business objectives, the available resources and the needs of their customers. Managers should keep the ethical implications of their working relationships in mind when selecting a team or collaborating with partners. In addition, managers should be trained and assisted in comprehending AI in relation to financial services, while the regulators must be involved in the development of AI for financial service marketing. Finally, it is critical to communicate the prospects for AI to consumers. Originality/value This study provides empirical insight into the opportunities, prospects and challenges pertaining to the use of AI in the area of financial service marketing. It also specifically calls into question certain preconceptions regarding AI and its role in financial services, the chatbots adopted for financial service delivery and the role of marketing managers in developing AI.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».