Antécédents de l'expérience-client avec les robots-conseillers dans le secteur bancaire
Bibliographic record
Abstract
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
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 | 0.002 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.003 |
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".