How customer relationship management and social media business profiles drive customer retention of MSMEs
Notice bibliographique
Résumé
This study examines the impact of customer relationship management (CRM) practices and social media marketing (SMM) activities on customer retention among MSMEs in Aceh. It considers the dual role of social media in relationship management (CRM) and business engagement (SMM). Recognizing the widespread use of social media, the study explores different stages of its adoption and utilization in business. A formalized social media business profile is used as the moderating variable, defined by a firm's formal allocation of responsibility, outsourcing, funding, governance of social media, and broader changes to structure, processes, leadership, training, and culture. Data was collected from 565 MSMEs using questionnaires and analyzed with partial least squares structural equation modeling (PLS-SEM) and multi-group analysis. The results demonstrated a high predictive power of the model on customer retention. Within CRM, the findings indicated a significant difference in the effect of key customer focus on customer retention, with higher effects observed in MSMEs that do not formalize their social media business profiles. Additionally, technology-based CRM showed significantly higher effects on customer retention for those who formalize their social media profiles. Within SMM, the study revealed significant differences in the effects of customization and trendiness on customer retention, both of which were more pronounced in MSMEs without formalized social media profiles. Furthermore, word-of-mouth had a significantly higher impact on customer retention for MSMEs with formalized social media profiles. This research contributes theoretically by developing an integrated framework that identifies how key customer focus, CRM organization, knowledge management, technology-based CRM, customization, entertainment, interaction, trendiness, and word-of-mouth influence customer retention. It also explores the moderating effects of formalized social media business profiles on CRM practices and SMM activities within MSMEs.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,004 | 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 ».