دانلود ترجمه مقاله مطالعه ای بر مصرف مشارکتی سرویس تحویل غذا به واسطه وب کاوی

بحث و بررسی:
هدف این مقاله بررسی تاثیر شرایط ترافیکی بر شاخص های کلیدی عملکرد خدمات تحویل آنلاین غذا بود. به دلیل اینکه کاربران این خدمات قادر هستند تجربیات خود را با ثبت رتبه بندی و نظرات راجع به کیفیت خدمات دریافتی به اشتراک بگذارند، معتقدیم این ارزیابی یک گام ضروری برای درک بهتر از مصرف مشارکتی (بوتزمن و راجرز، 2010)، و ارتباطش با رفتارهای مصرف کنندگان آنلاین است (روس و هان، 2017). OFD یک مدل کسب و کار است که با اتکا به حمل و نقل شهری ، فشار رفت و آمد افراد در شهرهای پُرتراکم را کاهش می دهد (یو و همکاران، 2017). فرض ما این است که شرایط ترافیکی روی شاخص های کلیدی عملکرد این پلتفرم ها در ساعات شلوغی تاثیرگذار هستند. با توجه به نتایج، این فرضیه به صورت جزئی مورد حمایت است و در شهر بوگوتا مشاهده شده است. نتیجه گیری قطعی نیازمند تکرار رویکرد ما در شهرهای شلوغ و طراحی آزمایشات میدانی کنترل شده است که سفارش های تحویل غذا با دقت در کُل شهر توزیع می شوند. این ملاحظات را گام بعدی در تحلیل ها و شناسایی مکانیزم های هم افزایی بالقوه ای دانسته که پلتفرم های OFD را به عنوان مدل های کسب و کاری جدید و موفق مطرح می کنند. در مقایسه با مطالعات اخیر راجع به پلتفرم های OFD (جیا، 2018)، تحقیق ما این دستاوردها را دارد. اولاً، یک مسیر را تعریف کردیم که تمرکزش روی نقش جابه جایی شهری در تحقیقات مصرف کننده از نقطه نظر وب کاوی قرار دارد (کوریا و فورو، 2017، کوریا، 2018). در واقع رویکرد متدولوژیک ما مزایای اسکراپ وب را نشان داده است (مونزرت و همکاران، 2015، لندرز و همکاران، 2016) که شاخص های کلیدی عملکرد تامین کنندگان غذا را ارائه می دهند و رابطه شان با شرایط ترافیکی ارائه شده توسط نقشه های گوگل را نشان می دهند (کال و ویکمان، 2013). ما پیش بینی می کنیم که این موضوع در زمانی کوتاه توجه تعداد بیشتری از محققان را جلب می کند زیرا دنبال کردن شرایط ترافیک برای سایرمدل های کسب و کار وابسته به حمل و نقل شهری مفید است (برای مثال اوبر، ZIPCAR ، AIRBNB). ثانیاً، این مطالعه پتانسیل توسعه و استفاده از API ها به عنوان منابع مناسب داده و تغییر دهنده ی نحوه ی گردآوری داده ها برای تحلیل مدل های جدید کسب و کار را به نمایش گذاشته است. با توجه به اینکه برخی API ها همین حالا برای گردآوری اطلاعات استفاده از اوبر در شهر وجود دارند (کولیر و وو، 2017)، پیش بینی می کنیم که آن ها به ابزارهای اساسی برای افزایش اطلاعات مان راجع به پلتفرم های مصرف مشارکتی تبدیل شوند. برای API اوبر، توانایی بررسی تغییرات هزینه های دینامیک ارسال با توجه به شرایط ترافیکی ، داده های ارزشمندی در اختیارمان قرار می دهد تا الگوهای رفتار مصرف کننده که قبلاً قابل مشاهده نبودند را بهتر درک کنیم.

Discussion:
A scrutiny of the impact of traffic conditions on key performance indicators of online food delivery services was the aim of this paper. Since users of these services can share their experiences, by rating providers and posting their opinions about the quality of the received service, we regard that this evaluation is a necessary step for advancing our knowledge of collaborative consumption (Botsman and Rogers, 2010) and its relation to online consumers behavior (Roos and Hahn, 2017). As OFD are business models that rely on urban transportation to alleviate customers' burden of traveling in highly dense cities (Yeo et al., 2017), we assumed that traffic conditions might impact key performance indicators of these business platforms during rush hours. The results suggested that this assumption finds partial support in the case of Bogotá City. Definitive conclusions will emerge by replicating our approach to other congested cities, and by designing controlled field experiments, in which, food delivery orders are carefully scattered across the city. We regard these considerations as the next step in our research agenda that aims to identify possible synergistic mechanisms by which OFD platforms emerge as successful new business models. Compared with recent studies of OFD platforms (Jia, 2018), our work has shown the following contributions. Firstly, we have outlined an agenda that focuses on the role of urban mobility in consumer research from a web mining perspective (Correa and Forero, 2017; Correa, 2018). Indeed, our methodological approach has shown the advantages of web scraping (Munzert et al., 2015; Landers et al., 2016) to retrieve key performance indicators of food providers and evaluate their relationship with traffic conditions as provided by Google Maps API (Kahle and Wickham, 2013). We foresee that this topic will catch the attention of more scholars shortly as tracking traffic conditions might be relevant for other business models that rely on urban transportation, (e.g., Uber, Zipcar or Airbnb). Secondly, our study has shown the potential of developing and using API's as relevant data sources that will change the way we collect data for the analysis of new business models. Given the fact that some of these API's are already available for retrieving information related to the use of Uber in a city (Collier and Wu, 2017), we foresee that they become an essential tool for advancing our knowledge of platforms of collaborative consumption. In the case of the Uber API, for example, the possibility to track how dynamic fares change according to traffic conditions will provide us with valuable data to get better insights about patterns of consumers behavior that could not be observable before.