Influence of Customer Perception Factors on AI-enabled Customer Experience in the Ecuadorian Banking Environment
Notice bibliographique
Résumé
This manuscript reviews the relationship between customer perception factors and AI-enabled customer experience in the Ecuadorian banking industry. The study employs a self-designed online questionnaire with five factors for customer perception (convenience in use, personalization, trust, customer loyalty, and customer satisfaction) and two categories for AI-enabled customer experience (AI-hedonic customer experience and AI-recognition customer service). The final valid dataset consisted of 226 questionnaires. The data analyses and the hypotheses tests were done using SPSS 26 and structural equation modeling, respectively. The main findings displayed that all five customer perception factors have a positive and significant effect on AI-enabled customer experience in the Ecuadorian banking industry. Study results are aligned with previous findings from other countries, particularly the banking environment in the United Kingdom, Canada, Nigeria, and Vietnam. The AI techniques involved in the financial sector increase the valuation of customer experience due to AI algorithms recollecting, processing, and analyzing customer behavior. This study contributes with a complete statistical and econometric model for determinants of AI-enabled customer experience. The main restriction of the study is the particular analysis of the most demanded AI financial services (not all services and products are included) and the inexistence of a customer perception index. For upcoming research, the authors recommend performing a longitudinal study using quantitative data to measure the effect of AI-enabled customer experience on the Ecuadorian banks’ performance.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».