Zu wissen, wie zufrieden/unzufrieden man ist, reicht bei weitem nicht aus: ein umfassendes Rahmenwerk zur Analyse der Kundenzufriedenheit basierend auf hybriden Text Mining-Techniken

Zweck Diese Studie zielt darauf ab, ein umfassendes Rahmenwerk zur Analyse der Zufriedenheit zu etablieren, indem Online-Bewertungen von Restaurants ausgewertet werden, die nicht nur die Kundenzufriedenheit genau offenbaren, sondern auch Faktoren identifizieren, die zu Unzufriedenheit führen, und zudem das Niveau der Verbesserungschancen quantifizieren. Design/Methodologie/Ansatz Durch den Einsatz von Deep Learning wird das Cross-Bidirectional Encoder Representations Transformer (BERT)-Modell entwickelt, um die Kundenzufriedenheit zu messen. Darüber hinaus wird die Technik des Meinungsabbaus verwendet, um die Meinungen der Verbraucher zu extrahieren und Unzufriedenheitsfaktoren zu ermitteln. Zudem wird ein Opportunity-Algorithmus eingeführt, um die Verbesserungschancen der Attribute zu quantifizieren. Insgesamt wurden 19.133 Online-Bewertungen von 31 Restaurants im Universal Beijing Resort gecrawlt, um das Rahmenwerk zu validieren. Ergebnisse Die Ergebnisse zeigen die Überlegenheit des Cross-BERT-Modells im Vergleich zu bestehenden Modellen wie dem auf Sentiment-Lexikon basierenden Modell und Naïve Bayes. Noch wichtiger ist, dass nach der effektiven Enthüllung der Unzufriedenheitsfaktoren der Kunden (z.B. lange Warteschlangen und salziger Geschmack) "Gerichtgeschmack", "Einstellung der Kellner" und "Dekoration" als die drei sekundären Attribute mit den größten Verbesserungschancen identifiziert werden. Praktische Implikationen Das vorgeschlagene Rahmenwerk hilft Managern, insbesondere in der Restaurantbranche, die Kundenzufriedenheit und die Gründe für Unzufriedenheit genau zu verstehen und somit effiziente Gegenmaßnahmen zu ergreifen. Besonders die Verbesserungschancen kommen auch Praktikern zugute, indem sie begrenzte Geschäftsressourcen effizient zuweisen. Originalität/Wert Diese Arbeit trägt zur Literatur im Bereich Gastgewerbe und Tourismus bei, indem sie ein umfassendes Rahmenwerk zur Analyse der Kundenzufriedenheit im Big-Data-Zeitalter entwickelt. Darüber hinaus ist, soweit es die Autoren wissen, diese Arbeit unter den ersten, die den Opportunity-Algorithmus einführt, um die Nutzen von Serviceverbesserungen zu quantifizieren. Das vorgeschlagene Cross-BERT-Modell fördert auch die methodologische Literatur zur Messung der Kundenzufriedenheit.