Mobile application adoption in business by the unorganized retailers and expanding the con-structs by using TAM, DOI, TOE theories
Notice bibliographique
Résumé
In this paper, the authors proposed a new framework for Mobile application adoption by unorganized retailers. Unorganized retail is a renowned retail business in India. Unorganized retail is a so-called low-cost retail format where some of the retail stores are Kirana store, Grocery store, provisional store, ready to eat store, mom & pop store, peddlers, Hawkers, and stationery store. Retailers face stiff competition from omnichannel, multi-channel retailers, and e-tailers. To counter this competition, unorganized retailers adopt some Mobile applications which are relevant to their business. While some of the Mobile Applications are WhatsApp business, Facebook page, telegram, blogs, google maps Mandi app, Udaan app, Katha book app, OK credit, Dukan app, and just dial. This paper explains a deep discussion about unorganized retailers, unorganized retailers' contributions to the economy, the Digital India program, and Mobile Application. A new comprehensive framework has been proposed for mobile application adoption by the unorganized retailer after getting insights from theories like Technology Adoption Model (TAM), Extension of Technology Adoption Model (TAM), Technology, Organization and Environment (TOE), and Diffusion of Innovation (DOI). In this research, the author segments three major clusters which influence mobile technology adoption. The three major clusters are Technology, Organization, and Environment. These clusters had 10 constructs that influence mobile technology adoption. This research elaborately discussed the drivers of technology adoption in an unorganized retail context. We close by concluding that mobile application adoption by the unorganized retailer and reshaped the unorganized retail.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».