The effect of e-WOM on customer satisfaction through ease of use, perceived usefulness and e-wallet payment
Notice bibliographique
Résumé
Currently, streaming applications have been widely used by users to get comfort and pleasure in life. Users communicate with each other on social media related to the activities carried out. Communication is formed online as electronic word of mouth (e-WOM) between one user to another. The data distributed was 1238 respondents using streaming applications and 324 respondents in Indonesia who had used e-wallet payments as members. The analysis data was to answer all research hypotheses using partial least squares. The data processing results show that e-WOM impacts the perceived ease of use of e-wallets by 0.408. E-WOM positively impacts the perceived usefulness of the e-wallet by 0.270. E-WOM has an impact on e-wallet payment intention of 0.190. Perceived ease of use has an effect of 0.175 and perceived usefulness of 0.259 on e-wallet payment intention. Perceived ease of use influences perceived usefulness of 0.395. Perceived ease of use and perceived usefulness impact customer satisfaction in terms of 0.157 and 0.217. Finally, it was found that e-wallet payment intention has an impact of 0.173 on customer satisfaction. The results of this study contribute to e-wallet payment users and managers building two-way and effective communication through social media so that they can quickly and accurately solve user problems. The theoretical contribution is to enrich the theory of marketing behavior and technology acceptance models in electronic commerce.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».