TRANSLATING BUSINESS INTELLIGENCE INSIGHTS INTO GROWTH: A FRAMEWORK FOR BANK PRODUCT MANAGERS
Notice bibliographique
Résumé
This study explores how business intelligence insights contribute to business growth in the Nigerian commercial banking sector. Business intelligence is increasingly adopted by Nigerian banks to gain a competitive edge; however, many financial institutions struggle to fully leverage their business intelligence systems due to technological and operational challenges. This study adopted a qualitative research design to examine how business intelligence insights influence key growth indicators, including customer satisfaction, customer loyalty, and internal process efficiency for bank product managers using a hybrid of technology organisation environment and dynamic capability theory. A thematic analysis method was used to analyse the information gathered from respondents and it was found that customers and employees sometimes experience issues when using the digital banking channels provided by the Nigerian banks. Also, there is no effective use of the information provided to the bank by consumers This study concludes that consumers and employees of Nigerian banks can have better experiences when using the digital banking channels provided if there can be improvement in operational activities through the use of predictive analysis to get real time information. This study contributes to previous research in business intelligence by examining not just the adoption of business intelligence tools but the use of business intelligence tools for building better relationship with consumers and enhancing operational effectiveness in the Nigerian banking industry. It was recommended that banks should have a single profile that analyse the information gotten from consumers, develop young talents to solve their technological issues, make use of predictive analytics to examine customers profile and provide personalised information tailored to customer needs.
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 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 ».