Is it easy to retain the customers online? - Deciphering customers
Notice bibliographique
Résumé
E-commerce is an ever-intriguing field of research for both businesses and academic researchers. The online medium makes it easy to set up the business, and hence the competition to make the customer stick to the website/app is immense. In this research paper, the effort is made to derive the factors known to cause the retention of the customer viz., Loyalty (both brand and App), pricing strategy, sales return ease and possibility, customer service, wrt age of the respondents. Exploratory Factor analysis was applied to the 4700 responses received, to derive the factors which help a website/app recognize what factors matter more for a particular age group. A Kaiser-Meyer-Olkin (KMO) with a value of.823 indicates that the adequacy of the sample for Factor Analysis and Bartlett's test of Sphericity is the chi-square value 4740 and df is 120 and p-value is less than.001 reveals that the sample was suitable for the EFA. Each age group is unique with its demands for the features that make them stay on the website and make repeated purchases. 18-24-year-old work on the simple mind mechanism, and that is, brand loyalty matters to them and is less demanding in terms of services compared to the other age groups. With most of the 25 - 34-year-olds being tolerant of all levels of customer service, e-commerce businesses are presented with an opportunity to maximize profits as consumers are less price and return policy sensitive. In these upper age ranges, this research furthers the idea that lenient return policies lead to a higher chance of retention; Respondents >45 years of age are brand Loyal and not App loyal. Variety is the key across all age groups. The study is unique in its derivation of factors relevant to the different age groups, which can be considered while making efforts to retain the customers.
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 | 0,006 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».