The Influence of Food Truck Service Quality Perceptions on Word of Mouth and Customer Loyalty among Malaysian Food Truck Customers
Notice bibliographique
Résumé
Malaysia’s food truck industry has experienced remarkable growth, marked by creative culinary concepts and evolving business strategies. However, a noticeable gap exists in academic research exploring this emerging industry’s intricacies. This study aims to address this void, examining the relationship between perceived service quality in the food truck realm and its impact on customer loyalty, along with the potential for word-of-mouth marketing in the Malaysian setting. Service quality is undeniably crucial in today’s business landscape, impacting both service and product-oriented ventures. Food trucks, while primarily food-focused, also encompass service elements, particularly in customer interactions. Aspects like prompt service delivery can markedly shape customer experiences, influencing their decision to return or recommend the business. Though the hotel industry has seen significant research on service quality, smaller ventures such as street food outlets and food trucks are often overlooked. Yet, with the mounting competition in the food truck arena, there’s a pressing demand for these enterprises to enhance customer services for a strategic advantage. In essence, this research endeavors to deepen our understanding of how Malaysian consumers’ perceptions of food truck service quality influence their loyalty and propensity for word-of-mouth endorsements. The study casts light on the intricate ties between service quality perception, word-of-mouth referrals, and customer allegiance. Employing a quantitative method, data was collected from 500 regular food truck visitors in Kuala Lumpur. Initial results highlight a significant link between customers’ perceived service quality and their sustained loyalty. Intriguingly, word-of-mouth recommendations appear to moderate this connection.
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 | 0,001 | 0,004 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».