Organizational Reforms to Enhance the Metro Customer Experience: Case Studies of Agency Practices
Notice bibliographique
Résumé
As public transit ridership declines in most North American cities, public transit agencies are seeking ways to remain an attractive commute option in people???s everyday lives. Agencies are shifting to a more customer-focused culture and are viewing themselves as a service industry that provides more than just a standardized service. They are doing this by enhancing the customer experience. Customer experience means the total experience of all touchpoints that make up a transit experience. This project examines possible organizational reforms that my client, Los Angeles County Metropolitan Transportation Authority (Metro), can implement to facilitate the development of programs that enhance a rider???s experience. While the project addresses the content of customer service programs, the focus is on recommendations related to organizational reform, as that is key to moving forward. Through the review of literature and transit agency case studies of Dallas Area Rapid Transit (DART), Toronto Transit Commission (TTC), and New Jersey Transit (NJT), I examine how public transit agencies are facilitating the development of customer experience programs and improving the direct interface with employees as a step towards enhancing the overall customer experience. This project provides Metro with high-level organizational reform recommendations pertaining to management and institutional culture to improve the customer experience, including encouraging interdepartmental coordination, simplifying processes, reimagining and strengthening the Social Media and Customer Care teams, adopting a customer-focused work culture, extending the employee recognition program, and enabling employees to succeed.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».