MétaCan
Menu
Retour à la cohorte
Enregistrement W4242959832 · doi:10.1504/ijlsm.2018.089171

A combined approach integrating gap analysis, QFD and AHP for improving logistics service quality

2018· article· en· W4242959832 sur OpenAlexaff
Anjali Awasthi, Reza Sayyadi, Ali Khabbazian

Notice bibliographique

RevueInternational Journal of Logistics Systems and Management · 2018
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueQuality Function Deployment in Product Design
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésQuality function deploymentAnalytic hierarchy processService qualityProcess managementService (business)Quality (philosophy)Computer scienceBusinessCustomer satisfactionOperations researchMarketingEngineering

Résumé

récupéré en direct d'OpenAlex

Managing logistics service quality is vital to achieving higher levels of customer satisfaction and gaining productivity. In this paper, we address the problem of logistics service quality management considering multiple stakeholders point of view namely shippers, customers, municipal administrators, city residents, traffic managers, etc. A hybrid approach based on gap analysis, QFD and AHP is proposed. The purpose of gap analysis is to identify service quality gaps based on customer expectations and perceptions. QFD is used to model technical requirements to fulfil identified service quality gaps. AHP is used to evaluate service quality improvement initiatives and recommend the best one(s) for implementation. A numerical application is provided. Sensitivity analysis is conducted to determine the influence of input parameters on stability of modelling results. The strength of the proposed approach is that it takes into account multiple stakeholders point of view in determining service quality attributes. Besides, certain criteria that have become more relevant in modern times particularly those related to sustainability such as eco-friendliness, human resources, and technological soundness are also part of our study.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,013
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0070,006
Études des sciences et des technologies0,0020,001
Communication savante0,0020,002
Science ouverte0,0020,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,089
Tête enseignante GPT0,317
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Logistics Systems and ManagementMême sujetQuality Function Deployment in Product DesignTravaux en français237 207