Mostrar el registro sencillo del ítem

dc.rights.licensehttps://creativecommons.org/licenses/by-sa/2.5/ar/es_AR
dc.contributor.advisorFumagalli, Elena
dc.contributor.advisorVisentin, Giovanni
dc.contributor.authorCasali, Sebastiánes_AR
dc.date.accessioned2024-07-10T21:53:20Z
dc.date.available2024-07-10T21:53:20Z
dc.date.issued2024
dc.identifier.urihttps://repositorio.utdt.edu/handle/20.500.13098/12885
dc.description.abstractLos 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.es_AR
dc.format.extent96 p.es_AR
dc.format.mediumapplication/pdfes_AR
dc.languagespaes_AR
dc.publisherUniversidad Torcuato Di Tellaes_AR
dc.rightsinfo:eu-repo/semantics/openAccesses_AR
dc.subjectAtención al clientees_AR
dc.subjectCustomer support experiencees_AR
dc.subjectCustomer carees_AR
dc.subjectRedes Sociales (en línea)es_AR
dc.subjectSocial networkses_AR
dc.subjectConsumer behaviores_AR
dc.subjectComportamiento del Consumidores_AR
dc.titleDesentrañando los hilos de la incivilidad del cliente: Un análisis multivariable de las respuestas en Twitter y sus implicaciones para la calidad del servicioes_AR
dc.typeinfo:eu-repo/semantics/masterThesises_AR
dc.typeinfo:ar-repo/semantics/tesis de maestríaes_AR
thesis.degree.nameMaster in Management + Analyticses_AR
dc.subject.personTwitteres_AR
dc.subject.keywordModelo de lenguaje grandees_AR
dc.subject.keywordLarge language modeles_AR
dc.subject.keywordProbabilidad de incivilidades_AR
dc.type.versioninfo:eu-repo/semantics/acceptedVersiones_AR


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem