The impact of ChatGPT integration and customer relationship management on MSME sales performance with operational efficiency as a mediating variable
Notice bibliographique
Résumé
In an increasingly advanced digital era, micro, small, and medium enterprises (MSMEs) face new challenges and opportunities in enhancing their sales performance. The use of innovative technologies, such as ChatGPT and Customer Relationship Management (CRM), is key to improving operational efficiency and strengthening MSME competitiveness. This study aims to analyze the impact of integrating ChatGPT and CRM on MSME sales performance with operational efficiency as a mediating variable. The research employs a quantitative approach using SEM-PLS methodology to explore the relationships between relevant variables. The study was conducted on 100 MSMEs in Subang Regency, Indonesia, using an online questionnaire as the data collection tool. The findings indicate that the integration of ChatGPT and CRM significantly affects MSME sales performance in Subang Regency, with operational efficiency as a mediating variable. First, ChatGPT has been shown to have a significant positive impact on MSME sales performance. This technology facilitates the adoption of new technologies, enhances customer interaction, and enables better service personalization, which directly impacts increased sales volume, sales growth, and revenue. Second, effective CRM implementation also demonstrates a significant positive influence on MSME sales performance. Good customer data management, customer satisfaction, and customer loyalty contribute to increased sales volume, sales growth, and revenue. Third, operational efficiency proves to play a significant mediating role in the relationship between ChatGPT and CRM integration and MSME sales performance. Improvements in operational efficiency through reduced processing times, optimized resource use, and cost reduction support increased sales volume, sales growth, and revenue.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 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 ».