服务的特征 | 学习笔记

简介: 快速学习服务的特征。

开发者学堂课程【高校精品课-湖南大学 -市场营销:服务的特征】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/4/detail/16018


服务的特征


内容介绍

一、服务的本质和特性


一、服务的本质和特性

前面的课程中经常提到产品和服务,但并没有对服务有一个清晰的界定。服务就是一方向另一方能提供的本质上是无形的活动,并且其结果不会导致任何所有权的产生。

服务可能和实体产品有一定关联,有的时候也可能是毫无关联的,比如说当我们到餐厅用餐时这是服务同时也有实体如一道道的菜。此外还有到医院就诊,这更多的是无形的服务,但同时它也会需要一些仪器来进行检测。

所以很多时候无形的服务和实体的产品是密不可分的。这节课所讲的为关于服务的本质和特征。

image.png

服务的本质和特征主要可以体现在四个方面:

1、无形性

相比于实体产品,无形性是服务最本质的特征。服务在购买之前看不到、尝不到、感觉不到、听不到,也闻不到。这样会使得服务消费的满意度的波动性会比较大。

很多时候在不真正接受服务之前,可能是无法选择和判断的。所以一家提供服务为主的公司,就应该想办法为消费者提供一些所谓的证据来证明服务是优越的,或者说在某种程度上可以使用无形服务有形化来使得服务是可见化的。前面讲过的质量的判断如场所窗明几净、服务人员笑脸相迎、身上的制服干净整洁等等实际上都是我们对服务提供的某种证据使得无形的服务变得有形化。

比如说去到某些宾馆酒店中时可以看到大堂上贴了很多明星在那边用餐或者入住的照片,这实际上也是一种证据,这是服务的第一个特点无形性。

2、不可分割性

服务与服务提供者密不可分。有形的产品往往是先制造出来然后再进行分销最后进行消费,而服务的生产和消费是同时进行的。比如说我们在理发的时候会非常的纠结,鼓足勇气去剪头发后往往会后悔莫及,因为在剪发之前虽然会跟理发师进行沟通,但实际上理解会存在偏差,所以在边服务边消费的同时最后会发现和之前的预期是不一致的,这个非常重要的特点让我们要学会这个不可分性给服务的客户带来的不便。可以辅助一些有效的工具如软件可以在你接受服务之前对你的结果做一个预言。

如在房屋装修时,以前提供的更多是平面图,现在会提供一些3D 的模拟短片来按照实际尺寸演示真正装修出来的效果是什么样的。这样会一定程度上消除服务不可分性带来的麻烦。

3、可变性

服务的质量取决于服务的提供人员、时间、地点和方式。一般来说即便是同一家机构可能都需要挑人。如理发的时候有不同级别的理发师价格都不一样,到医院去有不同的专家号,有些医生不仅医术高而且对病人很和善,有一些医生对病人可能不是那么和气。有些医生医术高明,有些医生医术比较平庸。

因此到一个机构,不同的人提供服务甚至不同的时间提供服务都可能会产生一定的差异。这就是很多连锁企业尤其是连锁服务企业所需解决的问题。走近世界上任何一家麦当劳,去吃薯条或者汉堡,可以享受的口味基本上是一致的,因为它的原材料的提供是标准化的,它的服务流程是标准化的,它的加工设备也是标准化的。最终使得它的可变性在不断降低,所以顾客得到的服务就会比较满意。很多人会比较奇怪,当到国外旅游时要吃饭的时候可能有牛排、西餐、麦当劳。很多人最终选择会是麦当劳。

理由可能是有一种不确定性,麦当劳可以肯定吃到的东西大体上是能够接受的,其他的就不一定了。

4、易逝性

服务不能储存以备将来销售或者使用,它有一种缓解的蓄水池效应,所以服务往往它的供给能力,它的弹性是相对比较小的,所以说往往突发的流量变化可能会使得一家服务机构应接不暇出现问题。

如滴滴的应用他很大程度上解决了服务消费上的供需匹配不平衡问题,在传统意义上讲出租车一般在早晚高峰都是供不应求,之后就是供大于求,所以说对于一个城市的公共交通服务来说如何去确定一个出租车的数量其实对于所有公共管理部门都是一个难题,滴滴有效的解决了服务的动态供给能力。

相关文章
|
机器学习/深度学习 数据采集 算法
残差分析| 学习笔记
快速学习残差分析。
1045 0
残差分析| 学习笔记
|
14天前
|
机器学习/深度学习 算法 数据可视化
机器学习的核心功能:分类、回归、聚类与降维
机器学习领域的基本功能类型通常按照学习模式、预测目标和算法适用性来分类。这些类型包括监督学习、无监督学习、半监督学习和强化学习。
19 0
|
3月前
|
机器学习/深度学习 资源调度 算法
R语言逻辑回归与分类模型的深度探索与应用
【8月更文挑战第31天】逻辑回归作为一种经典的分类算法,在R语言中通过`glm()`函数可以轻松实现。其简单、高效且易于解释的特点,使得它在处理二分类问题时具有广泛的应用价值。然而,值得注意的是,逻辑回归在处理非线性关系或复杂交互作用时可能表现不佳,此时可能需要考虑其他更复杂的分类模型。
|
5月前
|
机器学习/深度学习 算法 Python
机器学习算法的比较与选择是在实际应用中非常重要的一步,不同的算法适用于不同的问题和数据特征。
机器学习算法的比较与选择是在实际应用中非常重要的一步,不同的算法适用于不同的问题和数据特征。
|
6月前
|
机器学习/深度学习 算法
【机器学习】如何使用朴素贝叶斯分类器来处理类别特征?
【5月更文挑战第10天】【机器学习】如何使用朴素贝叶斯分类器来处理类别特征?
|
6月前
|
机器学习/深度学习 数据挖掘 Python
机器学习-特征选择:如何使用互信息特征选择挑选出最佳特征?
机器学习-特征选择:如何使用互信息特征选择挑选出最佳特征?
630 1
|
机器学习/深度学习 算法 数据可视化
机器学习-特征选择:如何使用相关性分析精确选择最佳特征?
本文致力于利用相关性分析来辅助特征选择过程。相关性分析作为一种用于量化特征之间关系的方法,可以帮助我们理解数据中的潜在模式和相互作用。通过分析特征之间的相关性,我们可以更加准确地选择具有高预测能力和独立性的特征,从而提高特征选择的效果和结果。
2283 0
|
机器学习/深度学习 数据采集 算法
机器学习-特征选择:如何使用Lassco回归精确选择最佳特征?
本文旨在介绍Lasso回归在精确特征选择中的应用。首先,我们将探讨特征选择的重要性,包括如何提高模型性能和降低计算成本。接着,我们将深入解析Lasso回归的原理和算法,并说明其在特征选择中的优势。为了支撑我们的观点,我们将引用相关文献提供的实证结果和案例分析。
2187 1
|
机器学习/深度学习 存储 自然语言处理
机器学习算法(一): 基于逻辑回归的分类预测
机器学习算法(一): 基于逻辑回归的分类预测
24031 1
机器学习算法(一): 基于逻辑回归的分类预测
|
机器学习/深度学习 人工智能 算法
分类预测:分类算法概念|学习笔记(二)
快速学习分类预测:分类算法概念
分类预测:分类算法概念|学习笔记(二)