服务行业的客户满意度，特别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。传统的分析，如Kano模型和重要性-绩效分析(IPA)，提供了有价值的框架，但在捕捉属性性能-客户满意度(AP-CS)关系的复杂和非线性特性方面往往不足。

　　2024年1月11日发表在《数据科学与管理》杂志上的一项研究采用了一种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，并提供可操作的见解来改善客人体验。

　　这项研究超越了传统的分析，引入了一个基于机器学习的框架，揭示了酒店服务属性和顾客满意度之间复杂的相互作用。通过对纽约市酒店的29,724条TripAdvisor评论的分析，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端梯度提升(XGBoost)与SHapley加性解释(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达到了无与伦比的准确性。与以前的模型不同，IML-DAA巧妙地捕捉了非线性关系以及这些属性随时间变化的影响，从而提供了对客户偏好的详细洞察。

　　该模型能够动态地适应不断变化的客户期望，提供可操作的见解，使酒店经理能够战略性地改进服务属性，优先考虑增强功能，并应对市场波动。

　　该研究的首席研究员孙少龙教授表示:“我们的方法利用可解释机器学习的力量，不仅可以更准确地预测客户满意度，还可以提供可操作的见解，了解各种服务属性如何影响整体满意度。”

　　该方法使利益相关者能够在服务改进、资源分配和战略规划方面做出明智的决策，并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行业客户满意度策略的关键进步。

　　更多信息:王杰等，属性绩效与客户满意度之间的关系:一种可解释的机器学习方法，数据科学与管理(2024)。DOI: 10.1016/j.dsm.2024.01.003由TranSpread提供引文:机器学习方法为酒店客户满意度提供了新的视角(2024年，4月3日)检索自2024年4月5日https://techxplore.com/news/2024-04-machine-approach-hotel-customer-satisfaction.html本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。