Classifying Variables with Cluster Analysis when Measuring Quality of Services in Contact Centers
Notice bibliographique
Résumé
The goal of the paper was to discover, whether using one of multidimensional exploratory techniques cluster analysis in quantifying quality of services in contact centers brings logical classification of variables and if this classification can be used and measure quality of these services. On a basis of literature studies important attributes of services delivered by contact centers were identified. They were examined as observable variables with the use of a computer assisted telephone interview method on a sample of 1000 contact center customers. Then, variables were classified using cluster analysis. Clusters link observed data into meaningful structures, that is, develop taxonomies. Using factor analysis to quantify and measure quality of contact centers allowed to distinguish the following clusters: „answer”, „empathy”, „availability” and „time”. The profile of contact center services quality obtained from cluster analysis shows that the highest quality assessment is for the cluster „answer”, then for „availability”. The quality concerning cluster „empathy” is visibly lower, while the cluster „time” is of decidedly the lowest quality assessment. Proposition of classifying variables into clusters creates a theoretical model which quantify quality of services delivered by contact centers and make its structure more comprehensible. In practice, a proposed classification allows to identify quality gaps and design contact centers services with a special attention paid to the matters of quality to meet customers’ expectations. The paper’s contribution is a novel way of quantifying and measuring quality of services in contact centers. JEL Classification Code: C380, M310 .
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».