| Abstract : | The market in which airline companies operate, has faced several challenges during the previous years in a global scope. These challenges in combination with the low profit margins of the industry and the appearance of low-cost carriers, have made the market highly competitive. As a result, airline companies try to differentiate themselves from their competitors and achieve competitive advantage, by identifying those dimensions of customer satisfaction which influence passengers loyalty and advocacy.Traditional research methods, employed by airline companies over the previous years, have failed to extract valuable information by analyzing customer feedback and translate it into useful insights. This failure is mainly caused by the rapid growth of web 2.0 applications which changed the way consumers search, produce, consume, and share information. User generated content (UGC) and particularly online customer reviews (OCRs) is considered as a new impulsive, independent and reliable source of information that airline companies should take advantage of.This research utilizes text mining techniques from the field of machine learning (ML) and natural language processing (NLP), such as the Latent Dirichlet Allocation (LDA) model to identify and mine latent dimensions of customer satisfaction as expressed in OCRs. It also uses a lexicon-based sentiment analysis to calculate the sentiment polarity scores of each aforementioned extracted dimension as they are expressed in every OCR. The sentiment polarity scores are then fed in a discriminant function analysis which tests and validates the mined dimensions of customer satisfaction, and ultimately identifies those dimensions which influence customers’ recommendation behavior, the most.The LDA model revealed eight latent dimensions of customer satisfaction, but after the implementation of the discriminant function analysis only six of them namely, Food & Beverages ,Ground Service, Luggage, Cabin crew, Problems, and Customer Service, influence passengers’ recommendation decisions.
Η αγορά στην οποία δραστηριοποιούνται οι αεροπορικές εταιρείες, αντιμετώπισε πολλές προκλήσεις τα προηγούμενα χρόνια σε παγκόσμιο πεδίο. Αυτές οι προκλήσεις σε συνδυασμό με τα χαμηλά περιθώρια κέρδους της βιομηχανίας και την εμφάνιση αεροπορικών εταιριών χαμηλού κόστους, έχουν καταστήσει την αγορά εξαιρετικά ανταγωνιστική. Ως αποτέλεσμα, οι αεροπορικές εταιρείες προσπαθούν να διαφοροποιηθούν από τους ανταγωνιστές τους και να επιτύχουν ανταγωνιστικό πλεονέκτημα, προσδιορίζοντας τις διαστάσεις ικανοποίησης των πελατών που επηρεάζουν αφοσίωση των επιβατών.Οι παραδοσιακές ερευνητικές μέθοδοι, που χρησιμοποιήθηκαν από αεροπορικές εταιρείες τα προηγούμενα χρόνια, απέτυχαν να εξαγάγουν πολύτιμες πληροφορίες αναλύοντας τα σχόλια των πελατών και να τις μεταφράσουν σε χρήσιμες πληροφορίες. Αυτή η αποτυχία οφείλεται κυρίως στην ταχεία ανάπτυξη εφαρμογών web 2.0 που άλλαξαν τον τρόπο αναζήτησης, παραγωγής, κατανάλωσης και κοινοποίησης πληροφοριών από τους καταναλωτές. Το περιεχόμενο που δημιουργείται από τον χρήστη και ιδιαίτερα οι διαδικτυακές κριτικές πελατών θεωρείται ως μια νέα παρορμητική, ανεξάρτητη και αξιόπιστη πηγή πληροφοριών που οι αεροπορικές εταιρείες πρέπει να αξιοποιήσουν.Αυτή η έρευνα χρησιμοποιεί τεχνικές εξόρυξης κειμένων από τον τομέα της μηχανικής μάθησης και της επεξεργασίας φυσικής γλώσσας, όπως το μοντέλο Latent Dirichlet Allocation (LDA) για τον εντοπισμό και την εξόρυξη κρυφών διαστάσεων ικανοποίησης των πελατών, όπως εκφράζεται σε διαδικτυακά σχόλια. Χρησιμοποιεί επίσης ανάλυση συναισθημάτων για να υπολογίσει την πολικότητα συναισθημάτων κάθε προαναφερθείσας εξαγόμενης διάστασης, όπως εκφράζονται σε κάθε σχόλιο. Οι βαθμολογίες πολικότητας συναισθημάτων τροφοδοτούνται έπειτα σε μια discriminant function analysis, η οποία ελέγχει και επικυρώνει τις διαστάσεις ικανοποίησης των πελατών, και τελικά προσδιορίζει εκείνες τις διαστάσεις που επηρεάζουν τις προτάσεις των πελατών, περισσότερο.Το μοντέλο LDA αποκάλυψε οκτώ κρυφές διαστάσεις ικανοποίησης των πελατών, αλλά μετά την εφαρμογή της ανάλυσης λειτουργικών διακρίσεων, μόνο έξι από αυτές, δηλαδή τα τρόφιμα και ποτά, η εξυπηρέτηση εδάφους, οι αποσκευές, το πλήρωμα καμπίνας, τα προβλήματα και η εξυπηρέτηση πελατών, επηρεάζουν τις αποφάσεις σχετικά με τις προτάσεις των επιβατών.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.