Размещено на http://www.allbest.ru/

Введение

маркетинговый коммуникация авиауслуга

Международный рынок авиаперевозок становится все более конкурентным. Появление новых игроков неизбежно связано с дополнительными рисками для устоявшихся на рынке компаний, актуальной задачей которых становится завоевание новых и удержание уже существующих клиентов. В данных условиях актуальным становится использование современных технологий маркетинга как средства привлечения внимания потребителей.

Трансформация моделей взаимодействия «клиент-компания» и возникновение новых форматов коммуникации также объясняют актуальность знания авиакомпаниями факторов, влияющих на предпочтения клиентов. Эта информация позволяет определить конкурентные преимущества компании для разработки эффективной стратегии маркетинга. Использование традиционных методов маркетинговых исследований может быть время- и трудозатратно, а также сопряжено с субъективностью экспертной интерпретации полученных результатов. Перспективным становится использование новых технологий, позволяющих получить и автоматически проанализировать существенно больший объем данных. Одним из многообещающих методов, упрощающих проведение маркетинговых исследований, является анализ тональности текстов, или сентимент-анализ. Он включает нахождение релевантных упоминаний продукта или компании онлайн и определение эмоций автора. Анализ изменений сентиментов на длительных отрезках времени позволяет определить, какие черты деятельности авиакомпании в большей степени влияют на потребителей, а также оценить характер их воздействия.

Была доказана эффективность метода при проведении маркетингового анализа для различных областей туристического рынка, однако большинство существующих исследований фокусируются на изучении онлайн отзывов для отелей и ресторанов. Отдельные работы, рассматривающие индустрию авиаперевозок, используют данные со специализированных сайтов с отзывами потребителей ввиду простоты классификации тональности представленных на них текстов. Интерес, однако, представляет изучение неструктурированных данных из социальных сетей, в частности, из социальной сети Твиттер (англ. Twitter). Широкий охват и популярность микроблоггинговой платформы, обновляемые в режиме реального времени данные, а также особая структура постов, упрощающая их анализ, делают микроблог ценным источником информации для сентимент-анализа.

Целью данной работы является определение перспективных для маркетинговых исследований направлений использования отзывов об авиауслугах, размещаемых в Твиттере. Это позволит определить степень и характер влияния постов из социальной сети на восприятие клиентами услуг компании. Планируемые для достижения цели задачи включают изучение существующих работ по теме для выбора подходящего метода сентимент-анализа; написание кода на языке программирования R для извлечения данных из социальной сети Твиттер и их подготовки для дальнейшего анализа; проведение сентимент-анализа полученных данных для создания качественных описаний восприятия потребителями услуг выбранных авиакомпаний, в том числе с использованием графических методов (облака слов, графиков частоты встречаемости терминов). Следующим этапом исследования является проведение событийного анализа на основе полученных результатов сентимент-анализа - выявление «критических» дат и нахождение соответствующих им событий. Затем выявленные события будут классифицированы по категориям с целью нахождения наиболее упоминаемых черт, общих для всех авиакомпаний. В результате исследования будет предложен алгоритм оценки мнений клиентов авиакомпаний для выявления вызывающих общественный ажиотаж тем.

Ожидается, что алгоритм будет полезен маркетинговым департаментам авиакомпаний для оценки и корректировки существующих маркетинговых кампаний с учетом голоса покупателя, улучшения клиентской аналитики и определения наиболее эффективных стратегий взаимодействия с покупателем. Кроме того, возможно применение предложенного метода анализа потребителями при выборе авиаперевозчика, а также исследователями для дальнейшего изучения темы.

Глава 1. Обзор литературы

С начала 2000-х годов растет количество научных работ, посвященных электронному сарафанному радио (англ. Electronic Word of Mouth - eWoM) (Scopus, 2018) (Рисунок 1).

Рисунок 1 - Динамика публикационной активности в сфере eWoM

Источник: база данных научного цитирования Scopus, www.scopus.com

EWoM является частью традиционного сарафанного радио (англ. Word of Mouth - WoM), однако отличается большим информационным охватом и динамичностью. Создание и распространение пользовательского контента (англ. User-Generated Content - UGC) связано с особенностями психологии покупателя, в первую очередь, с альтруистическим желанием помочь другим потребителям с выбором, а компании - с привлечением новых клиентов. Предполагая достоверность размещенных в Интернете отзывов, потребители используют их при выборе продукта для снижения финансовых и функциональных рисков.

Рост онлайн вовлеченности пользователей и распространение «экономики внимания» обосновывают важность использования eWoM в маркетинговых исследованиях. При этом, до сих пор отсутствуют единые критерии его анализа, что во многом объясняется отраслевой специфичностью онлайн контента. При приобретении туристических услуг, отличающихся высокой личной значимостью и дороговизной, онлайн отзывы становятся одним из основных источников информации. Доказано влияние eWoM на потребительские решения в сфере туристического гостеприимства (англ. Hotels, Restaurants, Cafes - HoReCa), однако вопрос о восприимчивости авиапассажиров к eWoM требует дальнейшего исследования.

1.1 Word of Mouth, Electronic Word of Mouth

Глобализация и цифровизация мировой экономики способствовали формированию в 1990-х новой формы взаимодействия покупателей - электронного сарафанного радио, или онлайн отзывов о товарах (eWoM). EWoM, как и WoM, представляет собой обмен впечатлениями о товаре, но не в процессе личного общения, а с помощью электронных средств связи, через Интернет (Westbrook, 1987). Существуют разные форматы eWoM: один-к-одному (е-мейл, общение в мессенджерах), один-ко-многим (обзор, рецензия, блог), многие-к-одному (оценка, голосование), многие-ко-многим (форумы для обсуждения) (Xia, Huang, Duan, & Whinston, 2009). В последние годы наблюдается рост интенсивности форматов eWoM «ко многим», что определяет актуальность их учета в маркетинговых исследованиях. Так, согласно последнему исследованию AYTM Market Research (2016), 80,7% населения полагается на онлайн отзывы при выборе товара или услуги.

1.2 Различия eWoM и WoM

Онлайн отзывы позволяют получить существенно больший объем информации о товаре перед покупкой, чем традиционное WoM благодаря диверсифицированности источников информации. Кроме того, людей привлекает простота поиска eWoM, наличие постоянного доступа к данным (Duan, Gu, & Whinston, 2008), а также возможность сохранять ценную информацию и делиться ей (Dellarocas, Zhang, & Awad, 2007). Совокупность указанных свойств определяет бьльшую объективность онлайн отзывов и их восприятие потребителями как более надежных по сравнению с личными рекомендациями. Для маркетологов интерес к eWoM объясняется возможностью увеличить эффективность отслеживания предпочтений покупателей; выявить целевые группы и основные каналы распространения информации; оценить восприятие продукта потребителями (Dellarocas, 2003). Рост интереса к eWoM связывают также со взрослением «цифрового поколения» (англ. Digital natives) и набирающей популярность психологической моделью «жизни напоказ», то есть высокой заинтересованностью и вовлеченностью пользователей в создание, распространение и использование онлайн-контента.

Несмотря на значительное количество исследований eWoM, существующие работы неоднородны с точки зрения используемой методологии, областей анализа, а также полученных результатов. В наиболее общем виде посвященные пользовательскому контенту исследования могут быть разделены на две группы: рассматривающие происхождение eWoM и оценивающие его влияние на потребителя. К первой категории относятся работы, изучающие, с одной стороны, мотивы потребителей делиться впечатлениями о продукте или услуге, с другой - доверять онлайн отзывам на стадии планирования покупки.

1.3 Мотивы, побуждающие пользователей писать онлайн отзывы

Работа Sundaram et al. (1998) представляет детальное исследование мотивов генерации eWoM. Авторы используют метод критических инцидентов и на основе анализа 390 интервью формулируют три драйвера создания позитивного eWoM и четыре - негативного. Одной из основных причин распространения положительных мнений о продукте названо стремление к самовыражению и самоутверждению, то есть психологическое желание показать себя как разборчивого и ответственного покупателя. Это подтверждается выводами других коллективов исследователей, подчеркивающих первостепенный вклад попытки выделиться и эгоизма в создание пользовательского контента. Так, Ho и Dempsey (2010) провели опрос студентов колледжа в возрасте от 18 до 29 лет для оценки их вовлеченности в распространение eWoM. Исследователей интересовало, насколько часто респонденты делятся заинтересовавшими их постами в социальных сетях (в среднем 2,62 раза в неделю), а также сколько времени они проводят онлайн (в среднем 6,63 часа в неделю). В то же время, студентам предлагалось оценить степень их индивидуации и потребность принадлежности к группе. Корреляционный анализ показал, что желание выделиться вносит наибольший вклад в распространение пользовательского контента. Гипотеза о демонстрации принадлежности к определенной социальной группе как мотиве создания пользовательского контента также была подтверждена.

Sundaram et al. (1998) показывают, что другим весомым фактором является заинтересованность в продукте и удовлетворенность от его использования. Авторы оценивают связь масштабов распространения eWoM и альтруизма, проявляющегося в форме размещения онлайн отзывов о товаре на безвозмездной основе. Подобное поведение связано с желанием помочь другим потребителям в выборе, а компании - в продвижении товара и, согласно исследованию, является одной из самых популярных причин создания eWoM.

Примечательно, что альтруизм также фигурирует в списке мотивов к распространению негативного eWoM и характеризуется желанием потребителя предупредить будущих клиентов компании о некачественности товара. Кроме того, при написании негативных отзывов людьми, согласно авторам, движет желание сократить стресс после неудачной покупки и получить совет по проблеме, а также возможность «отомстить» компании.

Hennig-Thurau и коллеги (2004) актуализировали и углубили исследование с помощью количественных методов анализа. Суммировав выводы наиболее цитируемых работ по мотивам распространения мнений о товаре онлайн, исследователи выделили 11 ключевых драйверов генерации пользовательского контента. С помощью метода основных компонент были выбраны два наиболее значимых фактора, определяющих создание негативного eWoM, коррелирующие с находками Sundaram et al. (1998): трансляция негативного опыта использования товара и желание получить помощь. Опрос 2063 респондентов показал, что другими предпосылками написания негативных отзывов являются (в порядке убывания статистической значимости) личный вклад в предотвращение повторения негативного опыта у других покупателей, желание «выпустить пар», месть компании.

Таким образом, выделяют социальные и психологические причины создания и распространения eWoM. Наиболее популярными мотивами написания положительных онлайн отзывов являются альтруистические мотивы и демонстрация личной значимости; негативных - месть компании и попытка найти решение связанной с потреблением товара проблемы.

1.4 Восприятие информации eWoM

EWoM рассматривается покупателями как надежный источник информации о товаре, которая в ином случае могла бы быть получена только после его непосредственного использования (Murray, 1991). Lin и Fang (2006) исследуют, какие виды рисков при покупке в наибольшей степени влияют на восприимчивость потребителей к eWoM. Рассматриваются функциональные, финансовые, физические, временные, социальные и психологические риски. В рамках работы проводится опрос 675 тайваньских покупателей о том, насколько eWoM влияет на их решение о приобретении товара. Для теоретической оценки воздействия eWoM применяется модель принятия решений с учетом предполагаемых рисков, разработанная Peter и Tarpey (1975). Регрессионный анализ выявил, что из анализируемых видов рисков финансовые и функциональные риски в наибольшей степени влияют на готовность человека использовать eWoM при поиске информации о продукте. Это объясняет высокую степень доверия потребителей к онлайн отзывам, особенно при приобретении нематериальных товаров сферы услуг, качество которых сложно оценить до потребления (Zeithaml, 1981).

Sussman и Siegal (2003) на основе концепции вероятности сознательной обработки информации и теории обоснованного действия разработали модель восприятия информации. С помощью email-рассылки рекомендаций и советов оценивались факторы, влияющие на восприятие eWoM сотрудниками компании. На первом этапе применялся качественный анализ интервью 40 консультантов международной организации; затем - количественный анализ для анализа ответов другой выборки из 63 респондентов. Cогласно исследованию, качество онлайн отзывов и надежность источника информации о товаре в наибольшей степени влияют на решение потребителя о его покупке. Выводы находят подтверждение в работах других исследователей (Arumugam & Omar, 2017; Zhang & Watts, 2008).

Основными критериями качественности информации являются ее содержательность, точность, своевременность (Doll & Torkzadeh, 1988); релевантность, понятность, полнота, динамичность (McKinsey, 2017). Также, Petty и Cacioppo (1986) доказали важность личной значимости информации для потребителей.

Под надежностью источника в первую очередь понимается его компетентность, то есть наличие детальной, актуальной и достоверной информации (You, Vadakkepatt, & Joshi 2015). При определении полезности и правдивости отзыва потребители полагаются на профиль рецензента: в первую очередь оценивается наличие реального имени и контактной информации, а также срок, проведенный на онлайн-ресурсе (McGinnies & Ward, 1980). Значительный эффект на склонность потребителя доверять онлайн отзыву оказывает гемофильность, то есть наличие концептуального и идеологического сходства во взглядах с рецензентом. Она основана на восприятии имени пользователя, картинки профиля и его оформления в целом, а также географической близости (Cheung & Thadani, 2010; Reichelt, Sievert, & Jacob, 2014).

1.5 Влияние eWoM на потребителей

Как уже было замечено, исследования второй группы нацелены на определение эффекта, оказываемого онлайн отзывами на решения покупателей. В академической среде отсутствует консенсус относительно характера влияния eWoM ввиду его широкого охвата и возможности применения для анализа различных маркетинговых показателей.

Доказано влияние eWoM на доверие к продукту и бренду. Так, Browning и Sparks (2011) обнаружили положительную зависимость между долей позитивных отзывов и степенью доверия к услугам отеля. Для исследования было создано 16 веб-сайтов, содержащих по 12 коротких отзывов на отели. Респонденты (5500 человек) должны были ознакомиться с приведенными на сайтах отзывами и зафиксировать сформировавшееся после их прочтения отношение к отелю. Дисперсионный анализ (ANOVA) показал, что с увеличением общей положительной валентности (эмоциональной окраски) отзывов об услугах отеля на 1%, уровень доверия к нему возрастает на 3,8%. Аналогичные выводы ранее фиксировались в работе Vermeulen и Seegers (2009).

Доверие к компании во многом формируется за счет положительного восприятия ее бренда. Поэтому значительное количество исследований рассматривают влияние eWoM на репутацию и узнаваемость бренда. Одна из последних заметных работ в этой области - исследование Kudeshia и Kumar (2017), которые с помощью опросов 311 пользователей социальной сети Facebook и моделирования структурными уравнениями установили, что позитивное eWoM из социальных сетей в существенной степени определяет отношение к бренду. Авторы также проверяют, насколько доверие к бренду влияет на решение о покупке и приходят к выводу, что при увеличении репутации бренда на 1 пункт (по 5-бальной шкале), склонность покупателей совершить выбор в его пользу возрастает на 0,53 пункта.

Поскольку отношение к бренду является лишь одним из факторов, объясняющих намерение покупателя совершить покупку, самым распространенным типом исследований эффекта eWoM является обобщенный анализ всех возможных факторов для ответа на вопрос, в какой степени eWoM определяет выбор потребителя. Несмотря на различие в применяемых методах, размерах выборок и используемых метриках eWoM, работы подтверждают наличие значительного вклада eWoM в решение о покупке: от 30% до 80% в зависимости от отрасли (Erkan & Evans, 2016; Fan & Miao, 2012; Sa'ait, Kanyan, & Nazrin, 2016).

Также, до сих пор не существует единого методологического подхода к измерению eWoM. В качестве ключевых метрик используются непосредственно факт наличия онлайн отзывов; их количество; валентность, то есть тональность текста; а также дисперсия валентности - разброс мнений потребителей о товаре. Отдельные работы также используют нестандартные метрики - в частности, рассматривают специфичность содержания пользовательского контента (Onishi & Manchanda, 2012).

Rosario, Sotgiu, De Valck и Bijmolt (2006) обобщили результаты 96 исследований eWoM и обнаружили, что увеличение количества, а также позитивная валентность онлайн отзывов стимулируют продажи. При этом, авторы заключают, что количество онлайн отзывов в большей степени влияет на решения потребителей, чем валентность, однако для сферы услуг их влияние сопоставимо. В то же время, исследования Floyd и коллег (2014), а также You, Vadakkepatt, и Joshi (2015), напротив, указывают на большую значимость валентности онлайн отзывов при принятии решения потребителем. В контексте данной работы для полноты и гарантии валидности исследования используются как объем, так и валентность eWoM.

Другим обоснованием полезности eWoM для маркетинговых исследований служат выводы Zhu и Zhang (2006), доказывающие, что увеличение пользовательской оценки товара на 1 пункт (по 10-бальной шкале) ведет к увеличению продаж на 4%. В то время как с ростом положительных отзывов наблюдается увеличение продаж, исследование не обнаружило корреляции между отрицательными отзывами о продукте и динамикой продаж. Авторы, как и ранее упомянутые Cavazza и Guidetti (2014), объясняют это склонностью людей считать, что негативные отзывы могут быть написаны конкурентами компании.

1.6 Особенности eWoM в сфере туристических и авиауслуг

Фактор неопределенности, а также высокая цена, диверсифицированное предложение и высокая личная значимость покупки являются стимулами использования онлайн отзывов на стадии планирования туристических поездок (Leung, Law, Van Hoof, & Buhalis, 2013). Это, а также высокая конкурентность рынка туристических услуг определяет перспективность использования eWoM для разработки и корректировки маркетинговых стратегий компаний туристической сферы.

Туристические услуги включают транспортировку, размещение, развлечение туристов, а также ресторанный бизнес и сопутствующие услуги (WTO, 2018). В рамках существующих работ, в основном рассматривающих eWoM для отельного и ресторанного бизнеса, выявлена положительная зависимость между валентностью отзывов и количеством броней в отеле (Browning & Sparks, 2011), посещениями ресторанов (Zhang, Ye, Law, & Li, 2010; Zhang, Zhang, Wang, Law, & Li, 2013). Cогласно исследованиям, увеличение среднего рейтинга отеля или ресторана на 10% увеличивает его посещаемость на 5% (Ye et al., 2009), сопоставимые результаты получены для ресторанов (Lu, Ba, Huang, & Feng, 2013).

При этом, характеризующийся стабильным ростом сегмент транспортных туристических перевозок, особенно авиаперевозок, остается недостаточно изученным. Несмотря на относительно небольшое количество исследований влияния eWoM на сферу авиаперевозок, существующие работы указывают на возможность и актуальность использования пользовательского контента для отслеживания качества обслуживания клиентов.

Lerrthaitrakul и Panjakajornsak (2014) показали, что вклад eWoM в решение потребителей о покупке билета низкобюджетных авиакомпаний составляет 20-27%. Исследование построено на онлайн опросе клиентов бюджетных авиакомпаний Таиланда. Авторы анализируют, какой тип eWoM вносит наибольший вклад в решение потребителя о покупке на каждой стадии принятия решения. Результаты работы подтвердили ранее зафиксированный тезис о том, что формат eWoM «ко многим» оказывает наиболее значимый вклад в формирование итогового представления об авиакомпании и, соответственно, в решение о приобретении ее услуг.

Бьльшее количество работ использует данные из онлайн отзывов клиентов авиакомпаний. Особый интерес представляют работы, применяющие сентимент-анализ для определения влияния eWoM на клиентов авиакомпаний. Так, с помощью метода обнаружено, что основными детерминантами формирования позитивного мнения об авиауслуге являются низкое время ожидания регистрации, комфорт в лаунж-зонах (Lacic, Kowald, & Lex, 2014); плавный взлет и посадка, удобность сидений, качество бортовых услуг, пунктуальность вылета и дружелюбность персонала (Yao, Yuan, Qian, & Li, 2015).

Mostafa (2013) применяет сентимент-анализ для изучения удовлетворенности клиентов услугами 16 коммерческих авиакомпаний. Выборка из 2105 твиттов изучается с помощью метода анализа тональности текстов, основанного на словарях. Исследование обнаружило преобладающее количество негативных твиттов, что позволило авторам сделать вывод о недостаточном уровне сервиса авиакомпаний. Однако при проведении подобного исследования необходимо учитывать специфику метода и размер выборки. Так, Liau и Tan (2014) также используют Твиттер как источник информации о мнениях потребителей, однако результаты анализа 10895 твиттов за период 2,5 месяца (по 5 авиакомпаниям-лоукостерам, оперирующим в Малайзии) показали противоположный Mostafa результат: обнаружено большее количество положительно, чем негативно окрашенных онлайн упоминаний. Одним из возможных объяснений может быть низкая репрезентативность выборки в работе Mostafa, в которой на каждую авиакомпанию в среднем приходится по 130 твиттов (среднее количество ежедневно выкладываемых постов в Твиттере с упоминанием авиакомпании - около 700). Liau и Tan также углубляют исследование и с помощью анализа частоты встречаемости слов выявляют факторы, в наибольшей степени влияющие на выбор путешествующих с низкобюджетными авиакомпаниями: наличие и характер бонусных программ, частота отмены и задержек рейсов, возможность взаимодействия с авиакомпанией после покупки билетов. Misopoulos и коллеги (2014) расширили выборку (67953 твитта) для систематизации подхода к анализу постов с упоминанием авиакомпаний. Это позволило определить, что формирует удовлетворенность (онлайн check-in и check-in с помощью мобильного телефона, ценовая доступность, комфорт во время полета) и негативное впечатление путешественников (проблемы с веб-сайтом компании, отмена рейсов, потеря багажа).

В целом, существующие исследования eWoM по авиакомпаниям доказывают применимость и перспективность анализа пользовательского контента для оценки удовлетворенности покупателей на авиарынке.

1.7 Источники eWoM

Неоднородность рассматриваемых в существующих работах форматов eWoM является еще одним вызовом при интерпретации его влияния. Различают четыре типа платформ eWoM: социальные сети (Facebook, Twitter и др., различные блоги и форумы), специальные платформы для отзывов потребителей (Irecommend, TripAdvisor, Epinions и др.), e-commerce платформы (Amazon.com, eBay и др.), прочие платформы (Cheung, 2010).

Большинство исследований рассматривают обзоры на отдельные продукты с вебсайтов для отзывов потребителей, поскольку наличие оценки товара упрощает определение эмоциональной тональности рецензии. Однако с развитием информационных технологий социальные сети стали крупнейшим хранилищем пользовательского контента: так, только за третий квартал 2017 года количество пользователей социальных сетей возросло на 121 миллион человек; количество постов увеличилось с 27 миллионов в день в 2011 году до 3,2 миллиардов в 2017 (BrandWatch, 2017). Это, а также усиливающийся интерес к экономике внимания, означающей смещение конкурентной борьбы производителей на завоевание внимания потребителя (Davenport & Beck, 2001), делает социальные сети ценным источником данных для анализа. Это подтверждается исследованиями Cheung (2010), Chevalier и Mayzlin (2006), а также Leung и коллег (2013), доказавшими, что более значительное влияние на решения потребителей в сфере туристических услуг оказывает именно информация из социальных сетей, поскольку она поступает не только из оффлайн круга общения. Результаты подтверждаются в работах Schmallegger и Carson (2008), Yoo и Gretzel (2011).

Глава 2. Методология исследования

2.1 Twitter как источник eWoM

Одним из наиболее ценных и при этом недостаточно изученных источников eWoM является микроблог Твиттер, позволяющий обмениваться короткими сообщениями (максимум 280 символов) - твиттами. С момента появления в 2006 году, сервис стал одной из наиболее популярных социальных сетей среди компаний и потребителей. Последняя статистика показывает, что число активных пользователей платформы составляет 330 миллионов, 71% которых используют ресурс несколько раз в день; ежедневно выкладывается около 500 миллионов твиттов (Omnicore, 2017).

Особая структура твиттов облегчает проведение маркетинговых исследований. Так, пользователи могут использовать хэштеги (#) - метки для классификации твиттов по темам, геолокацию и адресацию сообщения определенному пользователю (@). Их учет позволяет в режиме реального времени отслеживать мнения потребителей о продукте или бренде и проводить их непредвзятую оценку.

2.2 Выгрузка и очистка твиттов

Для выгрузки данных из Твиттера использовалась программная среда с открытым исходным кодом R и одноименный язык программирования. Критериями выбора ПО являлись простота работы, открытый доступ и поддержка дополнительных модулей для анализа данных из Твиттера (были использованы пакеты twitteR, plyr, stringr, ggplot2, wordcloud, tm).

Экспорт твиттов осуществлялся с помощью Twitter API (API - интерфейс программирования, способ взаимодействия компьютерных программ), предоставляющего уникальный код и токен для авторизации на портале разработчиков сайта. Несмотря на целостный функционал и простоту работы с API, значительным ограничением является максимально допустимый объем и строгие временные рамки для выгрузки твиттов: возможна единовременная выгрузка до 20000 твиттов в день за последние 10 дней. Учитывая это ограничение, выгрузка данных проводилась ежедневно.

Как и в исследовании Thelwall et al. (2011), чтобы избежать сложностей мультиязычного сентимент-анализа и неверной интерпретации данных на других языках, извлекались твитты только на английском языке. Отбор твиттов производился по ключевому слову - названию авиакомпании.

При выборе авиакомпаний для анализа учитывался ряд условий. Во-первых, компания должна быть широко представлена и известна на мировом авиарынке. Для выполнения этой предпосылки в работе использовался подход Dharmavaram, Sreenivasan, Sian Lee и Hoe-Lian Goh (2012). Авиакомпании были выбраны из списка 100 лучших авиакомпаний мира по версии путешественников SKYTRAX 2017 (Skytrax, 2017). Рейтинг оценивает удовлетворенность потребителей качеством услуг авиаперевозчиков на основе независимого опроса пассажиров авиакомпаний по 35 пунктам.

Одной из сложностей работы с данными из Твиттера является возможность неверной интерпретации поискового запроса машиной в случае его неоднозначности. Для гарантии валидности выгрузки были выбраны авиакомпании с уникальными именами, состоящими из одного слова, не относящегося к другим объектам. Чтобы собрать достаточный объем данных, также накладывалось требование на частоту обновлений: более одного раза в неделю для профиля авиакомпании; более 100 ежедневных упоминаний в твиттах клиентов.

В результате, были выбраны пять авиакомпаний, удовлетворяющие требованиям: Lufthansa, Ryanair, EasyJet, JetBlue, Аэрофлот. Всего за период в 1,5 месяца (с 13.02.2018 по 26.03.2018) было выгружено 234924 твитта. В Таблице 1 представлены ключевые характеристики рассматриваемых авиакомпаний.

Таблица 1 - Ключевые характеристики выбранных авиакомпаний

Источник: составлено автором по данным https://www.aeroflot.ru, https://www.easyjet.com/en, https://www.jetblue.com/, https://lufthansa.com/, https://www.ryanair.com/gb/en/

Следующим шагом стала подготовка выгруженных данных для анализа. При работе с неструктурированными текстами из Твиттера необходимо учитывать их характерные особенности. Во-первых, ввиду ограничения на допустимое количество символов, пользователи часто пренебрегают правилами пунктуации и орфографии. Другой сложностью является несоблюдение лексических норм (например, «u» вместо «you»), использование аббревиатур и сленгового языка («FYI», «THNX» и др.). Твитты часто содержат опечатки, лишние символы (@, # и др.), смайлы, гиперссылки.

Для получения корректных результатов анализа была проведена очистка данных: удалены все знаки пунктуации, символы, цифры; все буквы приведены к нижнему регистру. Были также удалены все гиперссылки и ретвиты - цитирования других пользователей.

2.3 Сентимент-анализ

Очищенные тексты были затем разбиты на отдельные лексические единицы и приведены к начальной форме слова для проведения сентимент-анализа. Впервые термин появился в работе Wiebe (2000), однако широкое применение в маркетинговых исследованиях получил только в 2010-х годах. Сентимент-анализ представляет собой извлечение из текста мнения автора относительно какого-либо объекта (Chiu, Chiu, Sung, & Hsieh, 2015). Несмотря на существование сложностей в интерпретации результатов и отсутствие единого механизма автоматической оценки мнений, сентимент-анализ позволяет избежать субъективности экспертной аналитики, сократить трудозатраты и увеличить репрезентативность полученных результатов (Capriello et al., 2013).

При использовании метода необходимо учитывать ряд возможных ограничений, снижающих точность анализа: контекстуальность; изменение смысла предложения при наличии «sentiment shifters» (отрицаний, противопоставлений, сравнений и других неявных лингвистических правил); сарказм. На сегодняшний день не существует технологий однозначной идентификации подобных кейсов и борьбы с ними. Поэтому в большинстве теоретических работ исследователи пренебрегают такими случаями, списывая их на статистическую погрешность. Несмотря на это, точность сентимент-анализа составляет от 70% до 87% в зависимости от контекста (Zhang & Liu, 2011).

Существует два основных метода сентимент-анализа: первый основан на технологиях машинного обучения, второй - на сентимент-словарях.

Машинное обучение без учителя широко применяется для анализа текстов. В рамках метода паттерны выявляются машиной на основе анализа большого массива данных. Несмотря на практически полную автоматизацию выявления сентиментов в тексте, велика вероятность ошибочной классификации из-за отсутствия определенных пользователем критериев правильности разметки.

Другой алгоритм - машинное обучение с учителем, - основан на тренировке машинного классификатора на отобранных и размеченных данных и использовании полученной статистической модели для автоматической разметки текстов. Алгоритм показывает высокую точность анализа (до 85%), однако итоговый результат напрямую зависит от объема и качества обучающей выборки. Для достижения максимальной точности необходим большой объем данных, что требует значительных вычислительных мощностей, увеличивает трудо- и времяемкость анализа. Кроме того, результаты оценки в значительной степени зависят от используемой технологии и заданных параметров. Поскольку неверная спецификация модели и небольшой объем обучающего множества значительно снижают точность анализа, предпочтение в работе отдано основанному на словарях сентимент-анализу.

При данном методе роль индикаторов тональности текста играют сентимент-слова, выражающие определенные эмоции (положительные или негативные).

Для разметки текстов формируются сентимент-словари (лексиконы), со списками слов и фраз из которых сравниваются подготовленные для анализа данные. Существует большое количество таких лексиконов: например, General Inquirer (Stone et al., 1966), содержащий около 11000 слов для 182 категорий с вручную определенной авторами эмоциональной окраской; Dictionary of Affect in Language (Whissell, 1989), состоящий из 8742 слов с оценками частоты их встречаемости и валентности; Affective Norms for English Words (ANEW), включающий 1034 слова (Bradley & Lang, 1999). Однако наиболее целостный и обширный сентимент-лексикон разработан и протестирован Hu and Liu (2004). Исследователи использовали коллекцию 2006 сентимент-слов с позитивной окраской и 4783 - с негативной, полученную из онлайн обзоров на электротовары.

В отличие от словаря Stone и коллег, лексикон, построенный на анализе онлайн обзоров и блогов, учитывает специфический для онлайн среды вокабуляр. Выбор также объясняется наличием успешных кейсов применения словаря для исследований сентиментов в индустрии авиаперевозок (Miner, Elder, & Hill, 2012; Mostafa, 2013).

Слова разбитого на отдельные лексические единицы твитта автоматически сопоставляются с терминами из лексикона.

При нахождении совпадения со словом из положительного списка, термину присваивается оценка +1, из негативного - -1. Затем для набора слов каждого твитта рассчитывается итоговая тональность - Score (1):

Если Score>0, текст классифицируется как положительный, Score<0 - отрицательный, Score=0 - нейтральный.

2.4 Проверка валидности результатов сентимент-анализа

Согласно Jacobson (2009) и Kho (2010), при проведении сентимент-анализа полезно использовать экспертную разметку части данных для проверки валидности результатов автоматического анализа.

Практика широко распространена в исследовательских работах: например, Jansen, Zhang, Sobel и Chowdury (2009) вручную оценили сентименты в 250 последних твиттах выгрузки по брендам. Результаты показали высокую точность анализа и позволили сделать вывод о применимости метода.

В данной работе проведено ручное определение эмоциональной окраски случайно выбранных твиттов: были размечены 656 постов, содержащих упоминания авиакомпании Lufthansa от 21.02.2018. Результаты сравнения автоматического и ручного анализа приведены в Таблице 2.

Таблица 2 - Сравнение автоматического и ручного сентимент-анализа случайно выбранного набора твиттов

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

Результаты показывают, что несмотря на незначительные расхождения (4,6%), общая картина распределения совпадает с машинным анализом. Погрешность может быть вызвана как субъективностью экспертного маркирования, так и возможными неточностями автоматического определения тональности текста.

2.5 Классификация сентиментов

В работе используются следующие обозначения: Pos_i^date - количество положительных твиттов для авиакомпании i в день «date», Neg_i^date - количество негативных твиттов для авиакомпании i в день «date», Neu_i^date - количество нейтральных твиттов для авиакомпании i в день «date». Переменная date показывает количество дней анализа (с 13.02 по 26.03), Date=42.

Как уже было отмечено, не существует единого подхода к классификации сентиментов и анализу их тональности. В существующих исследованиях рассматриваются четыре основные метрики: «Ratio», показывающая отношение количества положительно окрашенных твиттов к негативно окрашенным (2); «Polarity» как отношение разницы количества твиттов с положительной и негативной окраской и количества ненейтральных твиттов (3); «Composite» - отношение разницы количества твиттов с положительной и негативной окраской и общего количества твиттов (4); а также общий объем твиттов - «Volume» (5). В работе подсчитаны ежедневные значения данных метрик для каждой авиакомпании.

2.6 Событийный анализ

Следующим шагом является проведение событийного анализа информации из Твиттера - выявления нетипичных паттернов в данных, возникающих под воздействием внешних стимулов. Под событием понимается происшествие, меняющее у заинтересованных лиц отношение к объекту, статус самого объекта, распределение сил.

Предпосылкой наличия события в определенную дату являются нетипичные значения рассматриваемых параметров. Для их нахождения проводится анализ отклонений от средних значений Volume_i^date, Ratio_i^date, Rolarity_i^date, Composite_i^date на основе предыдущих семи дней. Рассчитываются средние показатели рассматриваемых метрик за первые семь дней анализа (с 13.02 по 19.02). Затем для этих же данных рассчитывается стандартное отклонение:

В формуле (6) X_i - показатель рассматриваемой метрики в день i; X_ср - среднее значение показателя рассматриваемой метрики за предыдущие семь дней (рассчитывается аналогично формуле (2)); n=7.

Также, вычисляется стандартизованная оценка, или Z-оценка, показывающая, сколько у составляет отклонение значения относительно среднего:

Данные проверены на нормальность распределения графическим методом. 95% наблюдений попадают в интервал |Z|?1,96, 99% - в |Z|?2,576, поэтому для большей точности результата используется второй диапазон. Если значение выходит за его рамки, делается вывод о наличии аномалий в поведении данных наблюдаемых параметров (переменные Volume_i^date, Ratio_i^date, Rolarity_i^date, Composite_i^date) и предполагается наличие одного или нескольких событий в дату, которая маркируется как «критическая».

Следующим шагом является нахождение событий, произошедших в выявленные даты. Это позволит в дальнейшем определить основные факторы, влияющие на генерацию и распространение информации в Твиттере и отследить степень воздействия отдельных факторов на потребителей. Для этого проводится поиск по новостным лентам (используется ресурс GoogleNews): указывается название авиакомпании и критическая дата. Кроме того, для всех критических дат просматриваются выгруженные твитты, что позволяет однозначно установить причину, вызвавшую отклонения в данных. За период с 20.02 по 26.03 (период с 13.02 по 19.02 является контрольным и не входит в событийный анализ) было выявлено 40 критических дат, которым соответствовало 56 событий. Распределение количества выявленных дат и событий для авиакомпаний приведено в Таблице 3.

Таблица 3 - Количество «критических» дат и соответствующих им событий для рассматриваемых авиакомпаний

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

Оценивается не только наличие событий, но и их интенсивность. Предполагается, что она зависит от количества метрик, в которых наблюдаются отклонения от стандартного значения. Событию присваивается интенсивность «1», если наблюдается скачок в одной из рассматриваемых метрик (Volume_i^date, Ratio_i^date, Rolarity_i^date, Composite_i^date); «2» - в двух; «3» - в трех; «4» - в 4. Алгоритм позволяет оценить степень восприимчивости клиентов к определенным типам событий.

Для наглядности выявленные события вручную делятся на типы, в отдельных случаях используются также подтипы. Было определено 7 типов событий (12 включая подтипы): политические причины, характеристики билета (подтипы: багаж, питание на борту, цена билета), результаты авиакомпании, внутренние новости, отмены и задержки рейсов, карта маршрутов, маркетинг (подтипы: ребрендинг, распродажа, рекламная кампания, «influencer marketing»).

Описанная методология анализа позволяет сделать выводы о факторах, порождающих генерацию и распространение eWoM в Твиттере, а также об интенсивности его влияния на потребителей.

Глава 3. Результаты

В главе приводятся основные результаты текст-майнинга, сентимент-анализа и событийного анализа выгруженных постов из Твиттера. Для каждой авикомпании построены облака слов на основе частоты встречаемости терминов, а также указаны наиболее употребляемые положительные и негативные оценочные слова. Также, приведена динамика изменения отношения положительных сентиментов к негативным (переменная Ratio_i^date). Наконец, описаны результаты и сделан вывод об основных перспективных направлениях применения анализа тональности данных из Твиттера на основе сентимент-словарей.

Для изучения выявленных критических дат построены графики отклонений основных метрик (Volume_i^date, Ratio_i^date, Rolarity_i^date, Composite_i^date) от среднего значения (за контрольный период взяты семь дней, предшествующие рассматриваемой дате) и составлена сводная таблица (см. Приложение 1), содержащая соответствующие датам события и определенные для них типы. Учет интенсивности событий позволил выявить факторы, в наибольшей степени интересующие потребителей.

3.1 Результаты текст-майнинга и сентимент-анализа

Аэрофлот

Облако слов, построенное на основе частоты их встречаемости во всем массиве собранных данных (6303 твитта), содержит 100 наиболее упоминаемых терминов (Рисунок 2). Для авиакомпании «Аэрофлот» ключевыми словами являются «flight» (полет), «great» (отличный), «right» (правильный), «specific» (особенный). Значительное количество терминов связано с Россией: «Moscow» (Москва), «Russia» (Россия), «Putin» (Путин). Примечательно вхождение в топ-терминов слова «footbal» (футбол), что может говорить об интересе к авиакомпании в связи с проведением Чемпионата мира по футболу 2018 в России.

Рисунок 2 - Облако слов для авиакомпании «Аэрофлот»

Источник: составлено автором с использованием онлайн-ресурса www.wordart.com

В целом, среди отмеченных пользователями положительных черт авиакомпании - комфорт (comfort) и бонусные программы (bonus) (Рисунок 3). Негативные характеристики связаны, в первую очередь, с безопасностью полета (crashed, attack, killing), задержками рейсов (delayed), низким качеством услуг (worst, poor) (Рисунок 4). Стоит также отметить, что наиболее часто используемые слова окрашены позитивно или нейтрально, что соотносится с результатами сентимент-анализа за 1,5 месяца: в 22,1% твиттах выборки содержатся нейтральные эмоции, в 31,4% - положительные.

В среднем, в период с 13.02 по 04.03 преобладали позитивные сентименты, после 04.03, за исключением отдельных колебаний, большую часть выборки составили негативные отзывы об авиакомпании (Рисунок 5).

Рисунок 5 - Динамика отношения количества положительных твиттов к негативным: Аэрофлот

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

Для Аэрофлота было выявлено 10 «критических» дат (Рисунок 6), в соответствие которым поставлено 13 событий (см. Приложение 1). Наибольшее количество упоминаний авиакомпании связано с политическими причинами: например, запущенной в Твиттере петицией о недопущении самолетов Аэрофлота в аэропорты Европы из-за политики России в Сирии (24.02), планируемые аресты активов компании украинской стороной (22.03). Другой активно обсуждаемой темой стало возобновение авиасообщения с Египтом (13.03). Общественный резонанс вызывают также изменение политики перевоза ручной клади (26.02, 27.02), спонсорство авиакомпанией шахматного турнира AeroflotOpen (20.02). Как и для других авиалиний, отмены и задержки рейсов из-за погодных условий также вызывают скачки в рассматриваемых метриках (04.03).

Рисунок 6 - Отклонения по основным метрикам для компании Аэрофлот

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

Lufthansa

Для построения облака слов для авиакомпании Lufthansa (Рисунок 7) были использованы 100 наиболее часто встречающихся слов из 38699 твиттов. Достойны внимания следующие термины: «new» (новый), «livery» (ливрея), «sayyestotheworld» (кампания #SayYesToTheWorld), «lufthansablue» (синяя Lufthansa), «bluefthansa» (синяя Lufthansa), «explorethenew» (кампания #ExploreTheNew). Все слова из списка связаны с проводимым компанией ребрендингом, в рамках которого цвет ливреи самолетов Lufthansa был изменен с сине-желтого на синий; а также запущены промо-кампании #SayYesToTheWorld и #ExploreTheNew, нацеленные на создание «buzz» вокруг бренда.

Рисунок 7 - Облако слов для авиакомпании «Lufthansa

Источник: составлено автором с использованием онлайн-ресурса www.wordart.com

Наиболее часто упоминаемые позитивные слова - «love» (любить) и «like» (нравиться), в среднем встречающиеся в каждом 20-м твитте (Рисунок 8). Негативные черты, часто освещаемые клиентами в Твиттере, включают задержки рейсов (delayed, delays), кражу багажа (steal), бойкоты служащих авиакомпании (boycott) (Рисунок 9).

Большинство наиболее упоминаемых терминов выражают положительное или нейтральное отношение к авиакомпании. Как и в случае Аэрофлота, структура тональности выборки совпадает с частотой упоминаемости терминов: около 31,7% всех твиттов, относящихся к авиакомпании, имеют положительную эмоциональную окраску; 43,4% - нейтральную (Рисунок 10).

Рисунок 10 - Динамика отношения количества положительных твиттов к негативным: Lufthansa

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

Рассмотрение отклонений основных метрик от средних показателей для Lufthansa позволило выявить 8 «критических» дат (Рисунок 11) и 10 событий (см. Приложение 1). Традиционно сильный рост ежедневного количества твиттов и изменение их тональности влекут отмены и задежки рейсы из-за непогоды (01.03). Однако для компании большинство событий связано с проводимым ребрендингом: демонстрация новой ливреи самолета (27.02) и перекрашивание первого авиасудна (13.03), запуск меню a la carte (08.03), распродажи (18.03) и промо-кампании (23.02). Эти события характеризуются наибольшей интенсивностью, что позволяет говорить об успешном выполнении главной миссии: донесения маркетингового сообщения до клиента.

Рисунок 11 - Отклонения по основным метрикам для компании Lufthansa Источник: состалено автором на основе выгрузок из социальной сети Твиттер

EasyJet

В облаке слов содержатся 100 наиболее упоминаемых терминов из 47942 выгруженных твиттов для авиакомпании easyJet (Рисунок 12). Стоит обратить внимание на частое упоминание предоставляемой авиакомпанией услуги flight&hotel (перелет и отель), указывающее на востребованность сервиса среди клиентов. Это также подтверждается бьльшим количеством слов, связанных с бронированием, чем у других авиакомпаний (booking, hotel, book, booked). Ключевыми проблемами авиакомпании являются отмены (cancelled, cancel) и задержки рейсов (delayed, delay), что также определяет вхождение в топ наиболее часто используемых слов терминов «compensation» (компенсация), «claim» (иск), «refund» (возмещение), «late» (поздно), «return» (возврат), «waiting» (ожидание).