Antécédents de l'expérience-client avec les robots-conseillers dans le secteur bancaire
Notice bibliographique
Résumé
Tous les secteurs économiques seront profondément transformés par l’utilisation croissante des technologies digitales et les services financiers n’échapperont pas à cette tendance (Faure, 2019). Actuellement, 76% des Canadiens utilisent les canaux numériques tels qu’une application mobile ou un site web pour accéder à leurs services bancaires (Association des banquiers canadiens, 2019) et 43% des 25-34 ans seraient intéressés à faire utiliser un agent virtuel sur le site Internet de leur institution financière (CEFRIO, 2019). Ainsi, au Canada, Statista prévoit que les robots-conseillers vont atteindre une croissance annuelle de 26% d’ici 2024 (Statista, 2020). De plus, afin de réagir efficacement au contexte économique actuel rapide et à la demande volatile, on constate l’importance pour une entreprise de véhiculer une expérience mémorable pour engager le consommateur dans une relation avec la marque et se différencier de ses concurrents (Mehmetoglu et Engen, 2011). À la lumière de ces informations, il est important de miser sur une expérience réussie avec les robots-conseillers et pour ce faire, il est primordial d’en connaître les antécédents. D’abord, la littérature sur les robots-conversationnels propose plusieurs antécédents de l’expérience client tels que la perception d’utilité (Zarouali et al., 2018; Sanny et al., 2019; Van Den Broeck et al., 2019), la qualité de l’information (Chung et al., 2018; Guesmia, 2019), l’authenticité (Fryer et al., 2017), le divertissement (Chung et al., 2018), l’intégrité et la confiance (Przegalinska, 2019), la présence sociale (Araujo, 2018), la notion d’interaction (Go et Sundar, 2019; Chung et al., 2018) et les contacts passés avec la technologie (Van den Broeck et al., 2019). Ensuite, il existe actuellement peu de littérature sur les robots-conseillers. Certaines recherches se sont focalisées sur la perception des robots-conseillers (Rasiwal et Kohli, 2018; Schwab, 2018; Hohenberger et al., 2019), sur l’évolution du modèle de conseils robotisés (Singh et Kaur, 2017) et sur le concept de confiance et de fidélité envers les robots-conseillers (Salo, 2017; Cheng et al., 2019). D’autres études ont plutôt analysé les principes de conception du robot-conseiller (Jung et al., 2016) et la relation entre le robot-conseiller et les jeunes investisseurs âgés de 18 à 24 ans (Korzinski et Holliday, 2019). Par ailleurs, aucune étude à notre connaissance ne s’était concentrée sur les antécédents de l’expérience client avec l’utilisation d’un robot-conseiller dans le secteur bancaire et nous visions à combler cette lacune. Ce projet de recherche se voulait exploratoire puisqu’il avait comme but premier d’améliorer la compréhension d’un phénomène et donc, une recherche qualitative a été privilégiée (Malhotra, 2010). Un total de dix (10) entretiens en profondeur ont été menés auprès de Québécois ayant déjà utilisé un robot-conseiller dans le secteur bancaire. L’analyse des données a été faite par le biais du logiciel NVivo 12 ce qui a permis de valider certains éléments de la littérature, de déterminer les antécédents clés et même, de faire émerger de nouveaux antécédents. Ainsi, les efforts devraient être principalement déployés sur les dimensions cognitive, sensorielle et sociale dans le processus de création d’une expérience client avec un robot-conseiller dans le secteur bancaire. Par ailleurs, en ce qui concerne les antécédents, la préférence entre un site web et une application, les habitudes d’interaction avec les canaux, l’expérience avec Internet, la personnalisation, le design visuel et tactile, la simplicité d’utilisation, le respect de la vie privée, la transparence et la présence sociale ont une influence élevée. L’interaction avec un conseiller, la confiance avec la marque, l’âge, la prédisposition à l’innovation, la rapidité, la centralisation, la convivialité, la qualité de l’information, la simplicité, les bas frais de gestion et la possibilité de fraude ont une influence modérée. Finalement, le design sonore, la communication, l’accessibilité, la neutralité de l’algorithme, l’innovation technologique, l’efficience, la possibilité d’avoir un temps de réflexion, la disponibilité, la prise en charge et l’interactivité ont un impact faible ou nul sur l’expérience avec le robot-conseiller dans le secteur bancaire. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : marketing expérientiel, robot-conseiller, secteur bancaire, expérience client
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 | 0,002 | 0,011 |
| 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 | 0,004 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,003 |
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 ».