The Investigation of Preference Attributes of Indonesian Mobile Banking Users to Develop a Strategy for Mobile Banking Adoption
Notice bibliographique
Résumé
A new normal has been established as a result of the effects of the COVID-19 pandemic on social behavior, technology, and business. This has a significant effect on how technology is used, such as mobile banking services, which offer more hygienic and secure payment alternatives than cash. Mobile banking has been viewed as having the ability to enhance access to unbanked customers in developing economies such as Indonesia, where 100 million people remain unbanked. This study aims to develop strategies using importance-performance analysis (IPA) to improve adoption based on the perceived importance and performance of 1441 mobile banking users during the COVID-19 pandemic. Data were collected using an online questionnaire administered during the period of September 2022 to March 2023 using the mobile banking adoption attributes of Attitude, Perceived Usefulness, Perceived Ease of Use, Compatibility, Subjective Norm, Interpersonal Influence, External Influence, Perceived Behavior Control, facilitating conditions, self-efficacy, firm reputation, trust, disease risk, performance risk, financial risk, privacy risk, time risk, psychological risk, and perceived risk. IPA results were divided into four quadrants: “concentrate here”, “keep up the good work”, “low priority”, and “possible overkill” with a representation that respondents regard as important and well-addressed. The findings show that bank strategists seeking competitive advantage must push innovation efforts to protect users by improving privacy risk and financial risk and enhancing mobile banking security from potential cyberattacks. Digital banks and associated institutions need to educate mobile banking customers on the benefits of security measures for these services, which may improve confidence and trust, and consequently, accelerate mobile banking adoption.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».