L’approche d’apprentissage automatique apporte un nouvel éclairage sur la satisfaction client des hôtels

L’approche d’apprentissage automatique apporte un nouvel éclairage sur la satisfaction client des hôtels

La satisfaction des clients dans le secteur des services, en particulier dans l’hôtellerie, est depuis longtemps au centre de la recherche universitaire et des applications pratiques. Les analyses traditionnelles, telles que le modèle Kano et l'analyse importance-performance (IPA), ont offert des cadres précieux, mais ne parviennent souvent pas à capturer la nature complexe et non linéaire de la relation attribut performance-satisfaction client (AP-CS).

Une étude publiée dans Science et gestion des données le 11 janvier 2024, utilise une nouvelle approche d'apprentissage automatique pour révéler la relation complexe entre les attributs du service hôtelier et la satisfaction client, fournissant ainsi des informations exploitables pour améliorer l'expérience client.

Cette étude va au-delà de l'analyse conventionnelle en introduisant un cadre basé sur l'apprentissage automatique qui dévoile l'interaction complexe entre les attributs du service hôtelier et la satisfaction du client. Grâce à l'analyse de 29 724 avis TripAdvisor sur des hôtels de New York, l'équipe de recherche a formulé un modèle d'analyse asymétrique dynamique (IML-DAA) interprétable basé sur l'apprentissage automatique.

Cette méthode pionnière intègre le boosting de gradient extrême (XGBoost) avec les explications additives SHapley (SHAP), permettant d'obtenir une précision inégalée dans la prévision de la satisfaction client et d'élucider l'impact d'attributs de service spécifiques sur la satisfaction globale des clients. À la différence des modèles précédents, IML-DAA capture habilement les relations non linéaires et l'influence changeante de ces attributs au fil du temps, fournissant ainsi un aperçu détaillé des préférences des clients.

La capacité du modèle à s'adapter de manière dynamique à l'évolution des attentes des clients offre des informations exploitables, permettant aux directeurs d'hôtel d'affiner stratégiquement les attributs des services, de prioriser les améliorations et de gérer les fluctuations du marché.

Selon le chercheur principal de l'étude, le professeur Shaolong Sun, « notre approche exploite la puissance de l'apprentissage automatique interprétable non seulement pour prédire plus précisément la satisfaction des clients, mais également pour fournir des informations exploitables sur la manière dont les différents attributs du service contribuent à la satisfaction globale. »

La méthodologie permet aux parties prenantes de prendre des décisions éclairées sur l'amélioration des services, l'allocation des ressources et la planification stratégique, en s'adaptant de manière proactive aux changements dans les attentes des consommateurs. Cette étude représente une avancée cruciale dans l’exploitation de l’apprentissage automatique pour affiner les stratégies de satisfaction client dans le secteur hôtelier.

Fourni par TranSpread