The influence of e-CRM, e-WOM, and e-service quality on the e-loyalty of online consumers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The purpose of this study is to analyze the relationship between e-CRM (Electronic Customer Relationship Management) variables on e-Loyalty of online shop customers, e-WOM (electronic word-of-mouth) on e-Loyalty of online shop customers, and e-service quality on e-Loyalty of online shop customers. This study uses a quantitative approach. The population consists of all online shop consumers, and the sample of this study is 765 online shop consumers. The sampling technique used is simple random sampling. The research instrument is a questionnaire with a 7-point Likert scale. The research variables include e-CRM (Electronic Customer Relationship Management), e-WOM (electronic word-of-mouth), e-service quality, and e-Loyalty. Data were analyzed using Partial Least Square – Structural Equation Modeling (PLS-SEM) with SmartPLS 4.0. The analysis consists of two stages: Outer Model (Measurement Model): Testing convergent validity, discriminant validity, and reliability. Inner Model (Structural Model): Testing path coefficients, R² values, and direct effects or hypothesis testing. The results of this study are E-CRM (Electronic Customer Relationship Management) has a positive relationship on e-Loyalty of online shop Customers, e-WOM (electronic word-of-mouth) has a positive relationship on e-Loyalty of online shop Customers, E-service quality has a positive relationship on e-Loyalty of online shop Customers. Optimal implementation of E-CRM, e-WOM and E-service quality through applications or websites can improve the overall user experience, which will ultimately encourage e-loyalty.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 découle