Winners and losers: understanding a mutually beneficial third-party food delivery business model for restaurants and customers
Notice bibliographique
Résumé
Purpose The purpose of this study was to understand the factors that attract and deter restaurants and customers from entering into a relationship with third-party food delivery apps; another goal was to determine a framework for food delivery service that can benefit all stakeholders, including the end consumer. Design/methodology/approach Using a grounded theory approach, 16 semi-structured interviews were conducted with restaurant operators and customers in Canada to determine these factors. Findings Restaurants and customers are attracted to food delivery apps because of the convenient network they provide and the ability to either earn or save money. The food delivery app business model is threatened by the high costs to participate. Restaurants and consumers found the financial terms confusing and service quality low. Practical implications Food delivery app companies need to ensure that all stakeholders are benefiting from using food delivery apps to keep them committed long-term. Food delivery app companies are recommended to keep their rates transparent and fair and develop better packaging and technology to improve the food and service quality. Restaurant operators should collaborate to negotiate lower commission fees. Originality/value This is the first known qualitative study that combines the viewpoints of restaurant operators and customers as an insider perspective. As a result, it provides an understanding of the difficulties each stakeholder group faces in the food delivery app ecosystem and provides a suggested framework for food delivery app ecosystems to be viable long-term.
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 | 0,011 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,016 |
| Communication savante | 0,018 | 0,015 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».