Desentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicio

Los empleados de primera línea (FLEs) enfrentan un número creciente de clientes que actúan de manera grosera hacia ellos, incluyendo abuso verbal y gestos agresivos que van más allá de las normas sociales de decencia (Skarlicki et al., 2008; Zhu et al., 2019). Debido a su capacidad para facilitar...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Casali, Sebastián
Otros Autores: Fumagalli, Elena
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Publicado: Universidad Torcuato Di Tella 2024
Materias:
Atención al cliente
Customer support experience
Customer care
Redes Sociales (en línea)
Social networks
Consumer behavior
Comportamiento del Consumidor
Twitter
Modelo de lenguaje grande
Large language model
Probabilidad de incivilidad
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/12885
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-12885
record_format dspace
spelling I57-R163-20.500.13098-128852024-07-11T07:27:27Z Desentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicio Casali, Sebastián Fumagalli, Elena Visentin, Giovanni Atención al cliente Customer support experience Customer care Redes Sociales (en línea) Social networks Consumer behavior Comportamiento del Consumidor Twitter Modelo de lenguaje grande Large language model Probabilidad de incivilidad Los empleados de primera línea (FLEs) enfrentan un número creciente de clientes que actúan de manera grosera hacia ellos, incluyendo abuso verbal y gestos agresivos que van más allá de las normas sociales de decencia (Skarlicki et al., 2008; Zhu et al., 2019). Debido a su capacidad para facilitar conexiones directas y frecuentemente anónimas, las redes sociales han empeorado esta situación al aumentar la probabilidad de incivilidad (Béal et al., 2023; Fombelle et al., 2020). De hecho, este problema ahora afecta a más del 70% de los trabajadores de servicios tanto en encuentros cara a cara como digitales (Cortina et al., 2001; Sliter et al., 2010). Ilustrando el reconocimiento global de este problema, la señalización en aeropuertos de todo el mundo condena explícitamente el abuso verbal dirigido a los empleados, llamando la atención sobre la naturaleza generalizada del problema (Figura 1). A pesar de su amplitud y reconocimiento, las empresas frecuentemente no tienen políticas adecuadas para proteger a los trabajadores contra la grosería, lo cual se ha relacionado con una calidad inferior del servicio al cliente, cansancio emocional de los empleados y disminución de la satisfacción laboral de los mismos (Arnold & Walsh, 2015; Kern & Grandey, 2009; Sliter et al., 2012). Dada la importancia de este tema para las empresas de todo el mundo, nos propusimos explorar un posible factor ambiental que podría estar impulsando inconscientemente la grosería de los clientes. En particular, iniciamos un enfoque exhaustivo de recolección de datos para investigar la conexión entre la temperatura y la grosería del cliente dirigida a los empleados de primera línea. Identificamos aspectos particulares de interés para nuestra investigación, como la geolocalización como proxy de la temperatura, utilizando datos secundarios de Twitter/X. Nuestro conjunto de datos incluía más de 110,000 tuits dirigidos a 64 empresas en 19 países diferentes. Estas empresas incluían sectores de viajes y alojamiento, dos sectores frecuentemente asociados con un mal servicio al cliente. Utilizando un modelo de lenguaje grande (LLM), usamos una definición preexistente de lo que constituye la grosería del cliente para entrenar un algoritmo que nos permitiera codificar estos tuits según su grado de grosería. Combinando información de temperatura del conjunto de datos ERA5 con las ubicaciones de los tuits, se permitió un análisis más profundo de la relación entre temperaturas extremas y mensajes groseros enviados por clientes en línea. 2024-07-10T21:53:20Z 2024-07-10T21:53:20Z 2024 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/acceptedVersion https://repositorio.utdt.edu/handle/20.500.13098/12885 spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-sa/2.5/ar/ 96 p. application/pdf application/pdf Universidad Torcuato Di Tella
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
orig_language_str_mv spa
topic Atención al cliente
Customer support experience
Customer care
Redes Sociales (en línea)
Social networks
Consumer behavior
Comportamiento del Consumidor
Twitter
Modelo de lenguaje grande
Large language model
Probabilidad de incivilidad
spellingShingle Atención al cliente
Customer support experience
Customer care
Redes Sociales (en línea)
Social networks
Consumer behavior
Comportamiento del Consumidor
Twitter
Modelo de lenguaje grande
Large language model
Probabilidad de incivilidad
Casali, Sebastián
Desentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicio
topic_facet Atención al cliente
Customer support experience
Customer care
Redes Sociales (en línea)
Social networks
Consumer behavior
Comportamiento del Consumidor
Twitter
Modelo de lenguaje grande
Large language model
Probabilidad de incivilidad
description Los empleados de primera línea (FLEs) enfrentan un número creciente de clientes que actúan de manera grosera hacia ellos, incluyendo abuso verbal y gestos agresivos que van más allá de las normas sociales de decencia (Skarlicki et al., 2008; Zhu et al., 2019). Debido a su capacidad para facilitar conexiones directas y frecuentemente anónimas, las redes sociales han empeorado esta situación al aumentar la probabilidad de incivilidad (Béal et al., 2023; Fombelle et al., 2020). De hecho, este problema ahora afecta a más del 70% de los trabajadores de servicios tanto en encuentros cara a cara como digitales (Cortina et al., 2001; Sliter et al., 2010). Ilustrando el reconocimiento global de este problema, la señalización en aeropuertos de todo el mundo condena explícitamente el abuso verbal dirigido a los empleados, llamando la atención sobre la naturaleza generalizada del problema (Figura 1). A pesar de su amplitud y reconocimiento, las empresas frecuentemente no tienen políticas adecuadas para proteger a los trabajadores contra la grosería, lo cual se ha relacionado con una calidad inferior del servicio al cliente, cansancio emocional de los empleados y disminución de la satisfacción laboral de los mismos (Arnold & Walsh, 2015; Kern & Grandey, 2009; Sliter et al., 2012). Dada la importancia de este tema para las empresas de todo el mundo, nos propusimos explorar un posible factor ambiental que podría estar impulsando inconscientemente la grosería de los clientes. En particular, iniciamos un enfoque exhaustivo de recolección de datos para investigar la conexión entre la temperatura y la grosería del cliente dirigida a los empleados de primera línea. Identificamos aspectos particulares de interés para nuestra investigación, como la geolocalización como proxy de la temperatura, utilizando datos secundarios de Twitter/X. Nuestro conjunto de datos incluía más de 110,000 tuits dirigidos a 64 empresas en 19 países diferentes. Estas empresas incluían sectores de viajes y alojamiento, dos sectores frecuentemente asociados con un mal servicio al cliente. Utilizando un modelo de lenguaje grande (LLM), usamos una definición preexistente de lo que constituye la grosería del cliente para entrenar un algoritmo que nos permitiera codificar estos tuits según su grado de grosería. Combinando información de temperatura del conjunto de datos ERA5 con las ubicaciones de los tuits, se permitió un análisis más profundo de la relación entre temperaturas extremas y mensajes groseros enviados por clientes en línea.
author2 Fumagalli, Elena
author_facet Fumagalli, Elena
Casali, Sebastián
format Tesis de maestría
Tesis de maestría
acceptedVersion
author Casali, Sebastián
author_sort Casali, Sebastián
title Desentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicio
title_short Desentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicio
title_full Desentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicio
title_fullStr Desentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicio
title_full_unstemmed Desentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicio
title_sort desentrañando los hilos de la incivilidad del cliente: un análisis multivariable de las respuestas en twitter y sus implicaciones para la calidad del servicio
publisher Universidad Torcuato Di Tella
publishDate 2024
url https://repositorio.utdt.edu/handle/20.500.13098/12885
work_keys_str_mv AT casalisebastian desentranandoloshilosdelaincivilidaddelclienteunanalisismultivariabledelasrespuestasentwitterysusimplicacionesparalacalidaddelservicio
_version_ 1808040703744278528

Ejemplares similares