Krizin olumsuz etkilerini azaltmada müşteri ilişkileri yönetiminin etkililiği
Bibliographic record
Abstract
Müşteriyi işletmenin merkezine koyarak onları tanımaya; böylece müşterilerin isteklerine zamanında ve etkili olarak cevap verebilmeye ve onlarla uzun dönemli ve kalıcı ilişkiler geliştirmeye dayanan” müşteri ilişkileri yönetimi (miy) günümüzde hemen her alanda bir rekabet aracı olarak kullanılabildiği gibi ekonomik krizlerle mücadelede de etkin rol oynayabilmektedir. Kriz yönetimi, krizin meydana getirdiği bir takım olumsuz etkilere karşılık vermek ve onlardan sıyrılmak için işletmeninin özel kabiliyetlerinde, öğrenmesinde ve performansında bir takım gelişmeleri icap ettirir. Son ekonomik kriz piyasalarda talep daralmasına yol açmış, talep daralması da rekabet ortamının daha da güçlenmesine sebep olmuştur. Piyasalar için, rekabet edebilme gücü, her zaman farklı olmayı gerektirmiştir. Farklılaşmanın en önemli yollarından birisi olarak müşteri ilişkileri gösterilmektedir. Müşterilerin devam eden ilişkisi, sadakatleri ve artarak devam eden satın alma davranışları, krizin meydana getirdiği güçlü rekabet koşullarında şirketleri koruyacak değerlerdir. Bu çalışma, yukarıdaki görüşlerin ışığında, “yaşadığımız son ekonomik krizde işletmelerin miy‟i ne derece etkin uygulayabildiklerini” konu edinmiştir. Çalışmanın problem cümlesi “küresel ekonomik kriz sürecinde Malatya‟daki franchising kullanmış marka mağazalarda mġy ne derece etkili olmuştur?” Şeklinde belirlenmiştir. Araştırma, literatür tarama ve gözlem aşamasından sonra araştırmacılar tarafından geliştirilen anketin, Malatya‟da franchising yolu ile faaliyet gösteren marka mağazalarının yöneticilerine uygulanmasıyla tamamlanmıştır. Elde edilen sonuçlara göre miy uygulamalarının kriz ile mücadelede işletmeye yaptığı katkılardan duyulan memnuniyet üst düzeydedir. Bu sonuç, “miy krizden çıkmada önemli bir araçtır” görüşünü destekler niteliktedir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".