机器学习方法为酒店客户满意度提供了新的视角

服务业(尤其是酒店业)的客户满意度长期以来一直是学术研究和实际应用的焦点。卡诺模型和重要性绩效分析(IPA)等传统分析提供了有价值的框架，但往往无法捕捉属性绩效与客户满意度(AP-)关系的复杂和非线性本质。

2024年1月11日发表在《数据科学与管理》上的一项研究采用新颖的机器学习方法来揭示酒店服务属性与客户满意度之间的复杂关系，提供可操作的见解以改善宾客体验。

这项研究超越了传统分析，引入了基于机器学习的框架，揭示了酒店服务属性和客户满意度之间复杂的相互作用。通过分析纽约市酒店的29,724条TripAdvisor评论，研究团队制定了一个可解释的基于机器学习的动态不对称分析(IML-DAA)模型。

这种开创性的方法将极限梯度提升(XGBoost)与SHapleyAdditiveexPlanations(SHAP)相结合，在预测客户满意度和阐明特定服务属性对整体客户满意度的影响方面实现了无与伦比的准确性。与之前的模型不同，IML-DAA巧妙地捕捉非线性关系以及这些属性随时间变化的影响，从而提供对客户偏好的详细洞察。

该模型能够动态适应不断变化的客户期望，提供可行的见解，使酒店管理者能够战略性地完善服务属性、确定增强功能的优先级并应对市场波动。

该研究的首席研究员ShaolongSun教授表示：“我们的方法利用可解释的机器学习的力量，不仅可以更准确地预测客户满意度，还可以提供关于各种服务属性如何促进整体满意度的可行见解。”

该方法使利益相关者能够就服务改进、资源分配和战略规划做出明智的决策，主动适应消费者期望的变化。这项研究代表了利用机器学习来完善酒店业客户满意度策略的关键进步。