TWI737357B - 用於業務員教育訓練之智能教練系統及其實施方法 - Google Patents
用於業務員教育訓練之智能教練系統及其實施方法 Download PDFInfo
- Publication number
- TWI737357B TWI737357B TW109120651A TW109120651A TWI737357B TW I737357 B TWI737357 B TW I737357B TW 109120651 A TW109120651 A TW 109120651A TW 109120651 A TW109120651 A TW 109120651A TW I737357 B TWI737357 B TW I737357B
- Authority
- TW
- Taiwan
- Prior art keywords
- aforementioned
- salesperson
- model
- training
- variables
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明提供一種用於業務員教育訓練之智能教練系統及其實施方法,前述系統包含:一資料蒐集模組,蒐集業務員行銷之變數資訊;一模型建構模組,藉由前述資料蒐集模組所蒐集之變數資訊進行數據整理及模型訓練後建構智能教練模型;一預測分析模組,藉由前述模型建構模組所建立之智能教練模型分析並預測行銷流程;及一聊天機器人模組,根據前述預測模組所預測之行銷流程,傳送業務員指導訊息。
本發明之系統及實施方法可幫助業務員行銷能力的提升,推進客戶的行銷階段。
Description
本發明係關於一種應用人工智慧建立之智能教練系統及實施方法,特別關於一種用以進行業務員教育訓練之智能教練系統及實施方法。
傳統上業務員於拜訪及行銷客戶時,對於行銷過程的進行與需補強之處等,僅能由資深主管在旁協助分析與提醒,叮囑拜訪的注意事項與相關技巧,行銷過後再將拜訪經驗以紙本或個人紀錄保存。然而,如此之作法使得總公司無法掌握每個業務員行銷狀況,更無法發揮大數據的綜效;再者,隨著組織規模擴大,公司亦難以提供足夠之人力對每個業務新人皆進行訓練及經驗分析,而無法在考量業務員本身屬性、客戶特色及互動歷史資訊之情形下,給予業務新人精確的診斷及建議。
因此,極需開發一能夠處理及分析大數據之系統,模擬業務主管場邊教練之角色,給予業務新人即時的幫助,並於每次之行銷過後紀錄與分析資訊,以能在下一次之行銷再給予業務員更精確之建議及提醒。
有鑑於此,本發明之主要目的在於提供一種用於業務員教育訓練之智能教練系統及實施方法,透過人工智慧建立模型,找出業務員之弱點並給予訓練及提醒。
本發明係關於一種用於業務員教育訓練之智能教練系統,其包含:一資料蒐集模組,蒐集業務員行銷之變數資訊;一模型建構模組,係連接前述資料蒐集模組,藉由前述資料蒐集模組所蒐集之變數資訊進行數據整理及模型訓練後建構智能教練模型;一預測分析模組,係連接前述模型建構模組,藉由前述模型建構模組所建立之智能教練模型分析並預測行銷流程;及一聊天機器人模組,係連接前述預測模組,根據前述預測模組所預測之行銷流程,傳送業務員指導訊息。
進一步地,前述模型建構模組包含:一數據處理單元,將各變數資訊進行數據處理,產出訓練後資料集;一變數挑選單元,利用機器學習方法對前述訓練後資料集進行評分,以其得分投票選出最重要的幾個變數;一模型評價單元,利用機器學習與類神經網路方法,以精準度與穩定性
兩面相評價模型,選出最適模型;及一模型佈署單元,將前述最適模型上版並批次執行。
進一步地,前述資料蒐集模組蒐集之業務員行銷之變數資訊包含:業務員變數、客戶變數,及行程變數。
進一步地,前述業務員變數至少包含業務員之年齡、性別、職級,前述客戶變數至少包含客戶之年齡、性別、婚姻狀態、關係狀態,前述行程變數至少包含業務員與客戶接觸時間、行程內容、客戶反應。
進一步地,前述聊天機器人模組提供業務員問答服務。
本發明並提供一種用於業務員教育訓練之智能教練系統之實施方法,其包含下列步驟:一資料蒐集步驟,蒐集業務員行銷之變數資訊;一模型建構步驟,藉由前述業務員行銷之變數資訊進行數據整理及模型訓練後建構智能教練模型;一預測分析步驟,藉由前述智能教練模型分析並預測行銷流程;及一推播步驟,根據前述預測之行銷流程,傳送業務員指導訊息。
進一步地,前述模型建構步驟包含:將各變數資訊進行數據處理,產出訓練後資料集;利用機器學習方法對前述訓練後資料集進行評分,以其得分投票選出最重要的幾個變數;利用機器學習與類神經網路方法,以精準度與穩定性兩面相評價模型,選出最適模型;及將前述最適模型上版並批次執行。
進一步地,前述業務員行銷之變數資訊包含:業務員變數、客戶變數,及行程變數。
進一步地,前述業務員變數至少包含業務員之年齡、性別、職級,前述客戶變數至少包含客戶之年齡、性別、婚姻狀態、關係狀態,前述行程變數至少包含業務員與客戶接觸時間、行程內容、客戶反應。
進一步地,前述推播步驟包含提供業務員問答服務。
藉由本發明之用於業務員教育訓練之智能教練系統及實施方法,使業務員藉由數位化工具收集客戶資訊,並紀錄互動過程,從中分析每位客戶於各行銷階段的指標表現。
進一步地,藉由本發明之用於業務員教育訓練之智能教練系統及實施方法,可發揮訓練輔導之技術功效,以業務員面、客戶面及互動面三大類變數導入模型訓練,建成智能教練模型,藉以分析業務員每日約訪客戶的活動量數據,針對性地提供輔導與訓練,並找出業務員行銷過程中的弱點給予建議。
進一步地,藉由本發明之用於業務員教育訓練之智能教練系統及實施方法,可發揮場邊指導之技術功效,在業務員拜訪客戶前,針對客戶特色給予拜訪建議,亦可提供相關教育訓練素材,模擬主管的角色協助分析客戶並叮囑拜訪的注意事項與相關技巧。
進一步地,藉由本發明之用於業務員教育訓練之智能教練系統及實施方法,可發揮解決疑難雜症之技術功效,協助回答新手業務員的疑
問,了解業務員遇到的困難點並給予相應的回答。
1:智能教練系統
11:資料蒐集模組
12:模型建構模組
121:數據處理單元
122:變數挑選單元
123:模型評價單元
124:模型佈署單元
13:預測分析模組
14:聊天機器人模組
S1:資料蒐集步驟
S2:模型建構步驟
S3:預測分析步驟
S4:推播步驟
【圖1】表示依據本發明之用於業務員教育訓練之智能教練系統之方塊示意圖。
【圖2】表示依據本發明之模型建構模組之方塊示意圖。
【圖3】表示本發明之用於業務員教育訓練之智能教練系統之實施方法之流程示意圖。
【圖4】表示依據本發明之一實施例之用於業務員教育訓練之智能教練系統之場景示意圖。
以下,參照圖式詳細說明本發明之具體型態。此外,關於實施例之說明僅為闡釋本發明之目的,而非用以限制本發明。
圖1為表示本發明之用於業務員教育訓練之智能教練系統之方塊示意圖。如圖1所示,本發明之用於業務員教育訓練之智能教練系統1包含:資料蒐集模組11、模型建構模組12、預測分析模組13,及聊天機器人模組14。
資料蒐集模組11可透過各資料庫蒐集業務員、客戶及行銷過程之各項資訊,前述資料庫可包含客戶標籤庫及/或任何其他可選用之公司內部系統,在本發明之一示例性實施型態中,前述資料庫可為中國人壽所開
發之i-Agent系統,並結合其數位化客戶資料及活動量紀錄等以大數據方式將數據資料匯入資料蒐集模組11。
蒐集之資訊可分為業務員面、客戶面及互動面三大面向,其可至少包含業務員之年齡、性別、職級,客戶之年齡、性別、婚姻狀態、關係狀態,及業務員與客戶之接觸紀錄,包含時間、行程內容、客戶反應等歷史資訊。藉此,本發明之資料蒐集模組係依據三大面向蒐集不同性質之資訊,故相較於以往僅以業務員各行銷步驟間的轉換率作為指標之分析方式,本發明係可進行更精確之分析。
模型建構模組12連接資料蒐集模組11。如圖2所示,模型建構模組12首先將資料蒐集模組11所蒐集之三大面向數據於數據處理單元121內創建訓練資料集及準備建模前之資料,前述創建訓練資料集之步驟包含數據理解與清洗,可包含資料整併、變數產生及樣本篩選等,藉以產出一資料總表。
接著,將產出之資料總表進行資料剖析及缺失值處理、為尺度敏感的模型製作尺度轉換後的資料集,並拆分資料集。本發明之資料蒐集模組11所蒐集之資訊,以及模型建構模組12之數據處理單元121所產出之資料總表之數據,可分為類別變數及數值變數;數值變數之例包含客戶之年齡、業務員之年齡、業務員與客戶的接觸時間等,類別變數則可舉例如業務員之職級、客戶之婚姻狀態、行程內容等。在本發明之一示例性實施型態中,數據處理單元121內之數據處理,包含在處理數值變數之缺失值後將其標準化並進行拆分,以及進行類別變數之缺失值處理,並可依據類別數據之性質,藉由任何本發明所屬技術領域中具通常知識者所習知之方式進行變數
編碼,例如虛擬變數(Dummy Variable)、獨熱編碼(One-Hot Encoding)等,而後進行資料特徵縮放後再行拆分,藉以產出訓練後之資料集。
接著,變數挑選單元122試跑多個機器學習方法(Machine Learning),蒐集各方法下的變數重要性,用各方法的變數重要性得分進行投票選出最重要的幾個變數,藉以挑選出前述數據處理單元121所產出訓練後之資料集內的關鍵變數;前述機器學習方法可採用任何本發明所屬技術領域中具通常知識者所習知之方法,本發明並不對此做出限制。
接著,模型評價單元123試跑多個機器學習(Machine Learning)及類神經網路(Neural Network)方法,藉由前述變數挑選單元122所挑選出之關鍵變數建立模型;其中,在本發明之一示例性實施型態中,本模型屬於深度神經網路(Deep neural network,DNN)類型的模型,採用多層的全連接層(Fully Connected Layer)架構,主要以Relu(Rectified Linear Units)做為激活函數(Activation Functions),而最佳化演算法以logcosh做為損失函數(loss function)採用亞當優化演算法(ADAM)進行模型訓練。
接著,模型評價單元123以精準度(Accuracy)與穩定性(Stability)兩面相評價模型,選出最適模型;其中,在本發明之一示例性實施型態中,在挑選最適模型時,使用k-fold交叉驗證法(k-fold cross-validation)評量模型平均精準度與穩定度,具體而言,將樣本隨機均分為k個集合,取其中一個集合作為「測試資料(Testing data)」,剩下的k-1個集合做為「訓練資料(Training data)」,運用訓練資料訓練模型,再以測試資料進行結果預測,並檢驗其預測正確率,如此重複進行直到每一個集合都被當做「測試資料(Testing data)」為止。同時觀察k次訓練精準度的變異數,以
衡量模型穩定性。最後綜合評估多種模型參數下,平均預測精準度與穩定性表現相對較優之模型,藉以選出最適模型。
接著,模型佈署單元124準備批次排程程式及上板文件,並將前述模型評價單元123所產出之最適模型上版後批次執行,藉以獲得一自動化模型。
藉由以上模型建構模組12內之各單元執行步驟,本發明可建立出一智能教練模型;且再次參照圖1,在本發明之智能教練系統內,預測分析模組13連接前述模型建構模組12,藉由前述建立完畢之智能教練模型,根據客戶停留的行銷階段、客戶屬性與業務員屬性,預測並分析行銷流程。接著,聊天機器人模組14連接前述預測模組13,根據預測分析模組所預測之時間點,傳送業務員指導訊息。
因此,本發明之智能教練系統可達成訓練輔導及場邊指導等功能,例如,本發明所建構出之智能教練模型可進行業務員之活動量檢視與提醒、業績與組織追蹤,並找出業務員之弱點給予訓練,且可進一步地在業務員拜訪客戶前主動提供相關教育訓練素材及建議,例如應向客戶推薦之商品、行銷話術教戰,及歷史成功經驗分享等,使業務員能夠掌握每個與客戶互動時該注意的重點。
進一步地,聊天機器人模組14可提供業務員對話及詢問服務,並可利用大數據的方式提供業務員對於關於行政程序的相關資訊進行問答。例如,當一業務員對於包含核保、保服、理賠等行政作業不夠熟悉時,可直接藉由聊天機器人模組14提出疑問,此時聊天機器人模組可透過語意分析技術了解業務員遇到的困難點,並給予相應的回答,藉此發揮解決疑難
雜症之功效。
圖3為表示本發明之用於業務員教育訓練之智能教練系統之實施方法之流程示意圖,包含下述步驟:S1:資料蒐集步驟,蒐集業務員行銷之變數資訊;S2:模型建構步驟,藉由前述業務員行銷之變數資訊進行數據整理及模型訓練後建構智能教練模型,包含將各變數資訊進行數據處理並產出訓練後資料集、利用機器學習方法對前述訓練後資料集進行評分並以其得分投票選出最重要的幾個變數、利用機器學習與類神經網路方法並以精準度與穩定性兩面相評價模型後選出最適模型,及將前述最適模型上版並批次執行;S3:預測分析步驟,分析並預測行銷流程;及S4:推播步驟,傳送業務員指導訊息並提供問答服務。
以下藉由一實施例對本發明之智能教練系統之實施方法作說明,應注意的是,該實施例僅用以說明本發明,並非用以限制本發明之範圍。
圖4為表示依據本發明之一實施例之用於業務員教育訓練之智能教練系統之場景示意圖,在此實施例中,智能教練系統以APP之形式呈現,並顯示於一智慧型手機上。
首先,智能教練系統APP自中國人壽之i-Agent系統匯入業務員、客戶及互動紀錄等歷史資訊,依據該資訊進行數據處理後在APP內建成智能教練模型。根據此一模型,系統自動預測業務員應再次拜訪客戶以推進行銷之時間點,依此時間點在並在聊天機器人窗口中主動推播提醒,例如圖
4所示,系統可於APP上顯示一「今日行程」提醒;且進一步地,系統並產生給予業務員應銷售商品與行銷話術的建議,該些資訊與推進行銷之時間點將一同在聊天機器人窗口中主動推播。
並且,智能教練系統APP可監督業務員的拜訪過程;例如,若在系統預測的推進行銷日業務員卻未成功推進行銷,系統可提醒業務員加強拜訪,並且依據智能教練模型,在考量業務員本身屬性、客戶特色及互動歷史資訊之情況下,給予更精確的診斷及建議。例如,若系統發現行銷過程於「說明建議書」階段卡關,則系統將依據歷史資訊判斷卡關原因;舉例而言,其可能是業務員性格急躁而客戶較優柔寡斷之原因所致,亦可能是業務員於行銷過程之前一階段「發掘需求」進展太快或琢磨不夠所致。此時,智能教練系統便能依據個案情況,在聊天機器人窗口給予適當建議,例如建議業務員回到「發掘需求」階段再重新釐清需求。
另一方面,聊天機器人窗口亦可解決業務員之疑難雜症,包含商品資訊查詢、售服支援及行政流程支援等。例如,若業務員忘了商品細節,則可透過聊天機器人窗口諮詢,此時聊天機器人可透過語意分析技術給予業務員相應之回答,使業務員不須再請教資深同仁或撥打客服專線詢問。
據此,本發明之智能教練系統係可模擬業務主管之角色,為業務員量身打造智能教練模型,針對關鍵情境給與多元建議,主動分析提醒業務員行銷流程及技術,並解決業務員之疑問,不僅能夠提升業務員的行銷活動量及轉換率,亦可讓主管有更多時間發揮人的價值。
上述之實施方式僅用來例舉本發明之實施態樣,以及闡釋本發明之技術特徵,並非用來限制本發明之保護範疇。任何熟悉此技術者可輕
易完成之改變或均等性之安排均屬於本發明所主張之範圍,本發明之權利保護範圍應以申請專利範圍為準。
1:智能教練系統
11:資料蒐集模組
12:模型建構模組
13:預測分析模組
14:聊天機器人模組
Claims (8)
- 一種用於業務員教育訓練之智能教練系統,其特徵係其包含:一資料蒐集模組,蒐集業務員行銷之變數資訊;一模型建構模組,係連接前述資料蒐集模組,藉由前述資料蒐集模組所蒐集之變數資訊進行數據整理及模型訓練後建構智能教練模型;一預測分析模組,係連接前述模型建構模組,藉由前述模型建構模組所建立之智能教練模型分析並預測行銷流程;及一聊天機器人模組,係連接前述預測模組,根據前述預測模組所預測之行銷流程,傳送業務員指導訊息;其中,前述模型建構模組包含:一數據處理單元,將各變數資訊進行數據處理,產出訓練後資料集;一變數挑選單元,利用機器學習方法對前述訓練後資料集進行評分,基於前述評分選出最重要的幾個變數;一模型評價單元,利用機器學習與類神經網路方法,以精準度與穩定性兩面相評價模型,選出最適模型;及一模型佈署單元,將前述最適模型上版並批次執行。
- 如申請專利範圍第1項所記載之用於業務員教育訓練之智能教練系統,其中,前述資料蒐集模組蒐集之業務員行銷之變數資訊包含:業務員變數、客戶變數,及行程變數。
- 如申請專利範圍第2項所記載之用於業務員教育訓練之智能教練系統,其中,前述業務員變數至少包含業務員之年齡、性別、職級,前述客戶變 數至少包含客戶之年齡、性別、婚姻狀態、關係狀態,前述行程變數至少包含業務員與客戶接觸時間、行程內容、客戶反應。
- 如申請專利範圍第1項所記載之用於業務員教育訓練之智能教練系統,其中,前述聊天機器人模組進一步提供業務員問答服務。
- 一種用於業務員教育訓練之智能教練系統之實施方法,其特徵係執行下列步驟:一資料蒐集步驟,蒐集業務員行銷之變數資訊;一模型建構步驟,藉由前述業務員行銷之變數資訊進行數據整理及模型訓練後建構智能教練模型;一預測分析步驟,藉由前述智能教練模型分析並預測行銷流程;及一推播步驟,根據前述預測之行銷流程,傳送業務員指導訊息;其中,前述模型建構步驟包含:將各變數資訊進行數據處理,產出訓練後資料集;利用機器學習方法對前述訓練後資料集進行評分,基於前述評分選出最重要的幾個變數;利用機器學習與類神經網路方法,以精準度與穩定性兩面相評價模型,選出最適模型;及將前述最適模型上版並批次執行。
- 如申請專利範圍第5項所記載之用於業務員教育訓練之智能教練系統之實施方法,其中,前述業務員行銷之變數資訊包含:業務員變數、客戶變數,及行程變數。
- 如申請專利範圍第6項所記載之用於業務員教育訓練之智能教練系統之 實施方法,其中,前述業務員變數至少包含業務員之年齡、性別、職級,前述客戶變數至少包含客戶之年齡、性別、婚姻狀態、關係狀態,前述行程變數至少包含業務員與客戶接觸時間、行程內容、客戶反應。
- 如申請專利範圍第5項所記載之用於業務員教育訓練之智能教練系統之實施方法,其中,前述推播步驟進一步包含提供業務員問答服務。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109120651A TWI737357B (zh) | 2020-06-18 | 2020-06-18 | 用於業務員教育訓練之智能教練系統及其實施方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109120651A TWI737357B (zh) | 2020-06-18 | 2020-06-18 | 用於業務員教育訓練之智能教練系統及其實施方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI737357B true TWI737357B (zh) | 2021-08-21 |
TW202201363A TW202201363A (zh) | 2022-01-01 |
Family
ID=78283402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109120651A TWI737357B (zh) | 2020-06-18 | 2020-06-18 | 用於業務員教育訓練之智能教練系統及其實施方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI737357B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW579473B (en) * | 1999-07-29 | 2004-03-11 | Nikon Tec Corp | Training management system, training management computer, trainee terminal, manager terminal, training management method and training method |
CN109299805A (zh) * | 2018-11-20 | 2019-02-01 | 广元量知汇科技有限公司 | 一种基于人工智能的在线教育课程请求处理方法 |
TW201915902A (zh) * | 2017-09-28 | 2019-04-16 | 張家瑋 | 保險選購建議方法及保險選購建議伺服器 |
US20190171438A1 (en) * | 2017-12-05 | 2019-06-06 | Archemy, Inc. | Active adaptation of networked compute devices using vetted reusable software components |
-
2020
- 2020-06-18 TW TW109120651A patent/TWI737357B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW579473B (en) * | 1999-07-29 | 2004-03-11 | Nikon Tec Corp | Training management system, training management computer, trainee terminal, manager terminal, training management method and training method |
TW201915902A (zh) * | 2017-09-28 | 2019-04-16 | 張家瑋 | 保險選購建議方法及保險選購建議伺服器 |
US20190171438A1 (en) * | 2017-12-05 | 2019-06-06 | Archemy, Inc. | Active adaptation of networked compute devices using vetted reusable software components |
US20200167145A1 (en) * | 2017-12-05 | 2020-05-28 | Archemy, Inc. | Active adaptation of networked compute devices using vetted reusable software components |
CN109299805A (zh) * | 2018-11-20 | 2019-02-01 | 广元量知汇科技有限公司 | 一种基于人工智能的在线教育课程请求处理方法 |
CN111079964A (zh) * | 2018-11-20 | 2020-04-28 | 广元量知汇科技有限公司 | 基于人工智能的在线教育课程分配平台 |
Also Published As
Publication number | Publication date |
---|---|
TW202201363A (zh) | 2022-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Antony et al. | Conceptualizing Industry 4.0 readiness model dimensions: an exploratory sequential mixed-method study | |
Paré et al. | Synthesizing information systems knowledge: A typology of literature reviews | |
Bradley | Total quality management for schools | |
Baum et al. | The successful intelligence of high-growth entrepreneurs: Links to new venture growth | |
Parra et al. | CHROMA: a maturity model for the information-driven decision-making process | |
CN116703196A (zh) | 中层员工综合素质与岗位胜任力测评*** | |
Ding | Employees’ STARA awareness and innovative work behavioural intentions: Evidence from US casual dining restaurants | |
TWM600911U (zh) | 用於業務員教育訓練之智能教練系統 | |
TWI737357B (zh) | 用於業務員教育訓練之智能教練系統及其實施方法 | |
Zumitzavan | The impact of managers’ learning styles and leadership styles and the effectiveness of their organisations: a case study from small retail tyre companies in Thailand | |
Daniali et al. | Determination of evaluation indicators and establishment of employees performance evaluation system | |
Wahyadyatmika et al. | Analysis Of Work Motivation And Work Stress On Employee Performance With Work Environment As A Variable Intervening At PT Hki Road Construction Pekanbaru-padang Toll Road, Section Siring Field | |
Farinha et al. | Data Science in the Employee Recruitment Process | |
Zhou et al. | Challenges Facing Business Leaders and Companies: How National Culture Influences Leadership Styles | |
Shatat et al. | Artificial Intelligence Competencies in Logistics Management: An Empirical Insight from Bahrain | |
Kunal et al. | A Marketing Survey on Precision Learning using Artificial Intelligence and Its Impact In India | |
Thomas | Guidelines to align digital strategy with business strategy in a manufacturing SME | |
Lee et al. | Validation of the knowledge management stage model: A triangulation approach | |
Taghavi et al. | Developing a model to assess the readiness of implementing knowledge management: Evidence from Yazd Regional Electric Company | |
Taghizadeh et al. | The relationships among agility empowerers from the viewpoint of gaining competitive advantage | |
Dorosh-Kizym et al. | Innovative tools for marketing research | |
SHARIFI et al. | Selecting The Best Knowledge Management (Km) Strategies Based On Seci For Small And Medium-Sized Enterprises In Developing Countries | |
Hosseini Zare et al. | Identification the Components of Evaluation of Employee Performance Smart Pattern (Case Study: Bank of Industry and Mine) | |
Dehnbostel | Bringing work-related learning back to authentic work contexts | |
Tartani | The impact of employees' motivation on their performance in Hospitality industry |