Рисунок 12 - Облако слов для компании «EasyJey»

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

На частые задержки и отмены рейсов указывают также наиболее часто используемые положительные и негативные слова. Так, «refund» (возмещение) - наиболее часто встречающееся позитивное слово (Рисунок 13), в то время как в число негативных входят «delayed», «delay», «stuck», «chaos» (задержка, застрять, хаос). Кроме того, в топ-15 негативно окрашенных слов входит «lost» (потерянный), с большой вероятностью указывающее на пролемы с потерей багажа (Рисунок 14).

Основной характеристикой большинства употребляемых в отношении авиакомпании слов является негативная окраска. Преобладание негативных эмоций относительно услуг авиакомпании также зафиксировано в общем распределении результатов сентимент-анализа: более 36% содержат негативные мнения, лишь 30% - положительные. (Рисунок 15).

Рисунок 15 - Динамика отношения количества положительных твиттов к негативным: easyJet

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

В период с 20.02 по 26.03 для авиакомпании обнаружено 7 критических дат (Рисунок 16), которым соответствуют 7 событий (см. Приложение 1). Бьльшая часть «скачков» в значениях рассматриваемых параметров связана с неблагоприятными погодными условиями и вызванными ими отменами и задержками рейсов (26.02, 28.02, 01.03, 18.03). Прослеживается корреляция с показателями ранее рассмотренной авиакомпании Lufthansa, также осуществляющей перевозки на европейском авиарынке. Однако непогода и следующие отмены рейсов более широко освещаются в твиттах, связанных с британской компанией easyJet: наиболее сильный снегопад пришелся на Великобританию. Широкий резонанс вызвала также пприуроченная ко Всемирному женскому дню акция авиакомпании: 8 марта более 100 женщин-пилотов вышли в небо.

Рисунок 16 - Отклонения по основным метрикам для компании easyJet

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

JetBlue

Облако слов для авиакомпании составлено из 100 наиболее часто употребляемых в 57108 твиттах клиентов jetBlue слов (Рисунок 17). Большая доля используемых слов приходится на названия городов и штатов - пунктов назначений компании (Florida, Boston, York и др.). Достаточно широко в Твиттере обсуждаются также бонусные кампании JetBlue: TrueBlue Badges, поощряющая клиентов авиакомпании активно взаимодействовать в социальных сетях (Фейсбук и Твиттер) и участвовать в различных интерактивных акциях для накопления бонусных баллов, а также SoFly - инициированная авиакомпанией коллекция фотографий, сделанных во время перелетов с JetBlue. Широкий резонанс и высокие показатели упоминаемости указывают на эффективность данных промоакций, которые, аналогично маркетинговым кампаниям Lufthansa, направлены на усиление buzz-маркетинга.

В твиттах клиентов также широко встречается название другой авиакомпании - Ryanair. Одно из возможных объяснений: обе авиакомпании предлагают услуги на рынке лоу-кост авиаперевозок и считаются наиболее успешными в сегменте на локальных рынках.

Примечательно, что в облако слов попали следующие термины: «free» (бесплатный), «victims» (жертвы), «shooting» (стрельба), «families» (семьи), «Parkland» (Парклэнд), «Florida» (Флорида), «funeral» (похороны), «school» (школа), «Lauderdale» (Лодердейл), связанные со стрельбой в школе Парклэнда, Флорида, произошедшей 14 февраля 2018 года. Авиакомпания предложила семьям погибших бесплатный перелет до места трагедии. В связи с ограниченным временным промежутком анализа упоминания авиакомпании в контексте трагедии занимают значительную часть общей выгрузки.

Рисунок 17 - Облако слов для авиакомпании jetBlue

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

Аналогично облаку слов, распределение позитивно окрашенных терминов объясняется политикой авиакомпании в отношении жертв стрельбы 14 февраля: в топ-15 терминов вошли слова «free» (бесплатный), «support» (поддержка), «thanks» (спасибо) (Рисунок 18). Основной причиной написания негативных отзывов являются задержки авиарейсов: слово «delay» (задержка) и производные от него встречаются в 3,8% твиттов (Рисунок 19).

В целом, для авиакомпании JetBlue преобладают положительные сентименты (Рисунок 20).

Рисунок 20 - Динамика отношения количества положительных твиттов к негативным: JetBlue

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

В рамках анализа твиттов с упоминанием авиакомпании JetBlue было выявлено 5 критических дат (Рисунок 21) и 8 событий (см. Приложение 1), большинство из которых связано с маркетинговыми активностями. Как и Аэрофлот, авиакомпания спонсирует спортивные события: наблюдаются резкие скачки в динамике показателей сентимент-анализа в даты мероприятий. Так, 01.03 и 21.03 состоялись матчи поддерживаемой JetBlue баскетбольной команды, что существенно увеличило количество упоминаний авиакомпании в Твиттере и изменило общую тональность постов в социальной сети. Особенно широко в указанные даты обсуждались забитые голы (Kyrie Irving, Marcus Morris), поэтому события рассматриваются не только как спонсорские, но и как часть «infuencer marketing» - то есть использование знаменитостей для продвижения товара или компании. С трендом также связана критическая дата 13.03, когда известный блогер Josh Estrin разместил в Твиттере благодарность авикомпании за полет. Связанные с забастовками (26.02) и погодными условиями (13.03) отмены и задержки рейсов также определяют наличие нетипичных паттернов в данных.

Рисунок 21 - Отклонения по основным метрикам для компании jetBlue

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

Ryanair

Для ирландской авиакомпании Ryanair было собрано наибольшее количество твиттов - 84872 (Рисунок 22). Один из кластеров наиболее употребляемых терминов включает, например, термины «Brexit», «remoaner» (сторонники Brexit), «stayers» (противники Brexit) и имеет политическую обусловленность. Другой, содержащий слова «chase» (скачки), «Cheltenham» (Челтнем), «festival» (фестиваль), «racecourse» (ипподром) относится к крупным скачкам, спонсируемым авиакомпанией. Отдельную группу формируют названия авиакомпаний-конкурентов на европейском авиарынке: easyJet, Aer Lingus. Наконец, можно выделить кластер слов, относящихся к качеству предоставляемых услуг и удовлетворенности клиентов. Он включает термины, связанные с задержками и отменами рейсов (cancelled, delayed, waiting, compensation, refund), а также с местами в самолетах Ryanair (seats): модель ценообразования авиакомпании предполагает необходимость доплаты за выбор места.

Рисунок 22 - Облако слов для компании «Ryanair»

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

Среди положительно окрашенных слов внимания заслуживает характеристика «дешевый» (cheap) - Ryanair как компания-лоукостер предоставляет услуги по авиаперевозке за цену ниже среднерыночной. Наличие в положительных характеристиках компании таких слов, как «win» (победа), «champion» (чемпион), «celebrate» (праздновать), а также слов «threat» (угроза), «threatening» (угрожающий) - в негативных объясняется успешным для авиакомпании завершением судебного процесса о компенсациях за задержки рейсов (Рисунок 23). Задержки рейсов, как и для других рассматриваемых авиакомпаний, являются актуальной причиной выражения негативного мнения в Твиттере. Как и в случае easyJet, слово «lost» (потерянный) с наибольшей вероятностью означает потерю авиакомпанией багажа (Рисунок 24).

Для авиакомпании характерно превышение количества положительных твиттов над негативными (Рисунок 25).

Рисунок 25 - Динамика отношения количества положительных твиттов к негативным: Ryanair

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

Для авиакомпании Ryanair зафиксировано наибольшее количество критических дат (10) (Рисунок 26) и соответствующих им событий (18) (см. Приложение 1). Динамика изменения ключевых показателей сентимент-анализа показывает схожий с авиакомпанией easyJet тренд в отдельные даты: 28.02 наблюдался сильный снегопад в Великобритании, что сказалось на тональности твиттов. Существенное количество упоминаниий авиакомпании посвящено также промо-акциям: распродажам (27.02, 18.03), спонсорским мероприятиям (11.03, 15.03). «Influencer marketing» также в значительной степени способствует созданию eWoM: появление Ruby Walsh на борту Ryanair, а также объявление об участии Douvan в скачках Ryanair (11.03) определили вхождение даты в число критических. Другим трендом в обсуждениях авиакомпании является изменение карты маршрутов (26.02, 27.02, 15.03, 24.03). Наконец, примечательно соответствие значительному количеству критических дат политически обусловленных событий: в частности, широко обсуждается Brexit и положение авиакомпании в связи с ним (07.03, 09.03, 11.03).

Рисунок 26 - Отклонения по основным метрикам для компании Ryanair

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

3.2 Результаты событийного анализа

Применение событийного анализа позволяет выявить ключевые события, вызывающие общественный резонанс, и оценить интенсивность их влияния на потребителей. С помощью классификации выявленных событий определяются наиболее уязвимые точки авиакомпаний и перспективные направления улучшения коммуникации с клиентом. Полный список дат и характерных для них событий представлен в Приложении 1, краткое саммари - в Таблице 4.

Таблица 4 - Выявленные события по типам

Источник: составлено автором на основе выгрузок из социальной сети Твиттер

Наиболее широко обсуждаются в социальных сетях различные маркетинговые акции авиакомпаний. Сочетание анализа тональности твиттов и событийного анализа позволило выявить наиболее перспективные направления маркетингового развития оранизации, которые стоит учитывать при составлении стратегий развития. Так, «influencer marketing», то есть упоминание авиакомпании в твиттах известных лиц, способствует генерации наибольшего объема eWoM среди всех рассмотренных в работе маркетинговых инструментов. Это относится как к непосредственному привлечению знаменитостей для участия в рекламных кампаниях, так и косвенному «influencer marketing»: например, спонсированию различных мероприятий или поощрению звезд делиться впечатлениями о полете с авиакомпанией.

Упомянутое спонсорство на мероприятиях вносит весомый вклад в позиционирование авиакомпании. Так, количество упоминаний авиакомпаний Аэрофлот, Ryanair и JetBlue возрастало в несколько раз, когда состоялось спонсируемое ими событие. Данная стратегия позволяет усилить вовлеченность потребителей и существенно расширить рамки охвата маркетинговой компании.

Другими интересующими покупателей чертами являются распродажи, рекламные кампании. Кейс промо-акций Lufthansa #SayYesToTheWorld и #ExploreTheNew, запуск которых связан с существенным увеличением положительных упоминаний авиакомпании в Твиттере, подтверждает важность тесного взаимодействия с клиентами и поощрения создания ими eWoM. Аналогично, резонанс вызывают программы jetBlue TrueBlue Badges, в рамках которой клиенты могут заработать дополнительные бонусы за написание постов в социальных сетях, и SoFly - обновляемая путешественниками коллекция фотографий.

Анализ показал, что наибольшее количество негативных упоминаний авиакомпаний приходится на даты с отменами и задержками авиарейсов. При этом, существенная часть выражаемых недовольств относится к отсутствию оперативной информации и обратной связи от авиакомпаний.

Общественный резонанс вызывают также изменения в маршрутной сетке авиакомпаний, ценовой политике, а также политике относительно багажа и питания на борту. Политические причины и внутренние новости авиакомпаний также увеличивают количество упоминаний и должны учитываться авиакомпанией при выборе маркетинговых сообщений для своих клиентов.

Заключение

Усиление конкуренции в сфере авиаперевозок усложняет завоевание и удержание клиентов. Новые тенденции в маркетинге, включающие растущую роль коммуникации с клиентами, персонализацию предложений как неотъемлемую часть экономики внимания и появление новых типов рекламных кампаний заставляют авиакомпании искать новые способы привлечения внимания покупателя. В сочетании со взрывным ростом онлайн коммуникаций и активным использованием потребителями социальных сетей как источника информации при выборе товара или услуги, важным становится постоянное отслеживание предпочтений клиентов для определения верного формата маркетинговых сообщений. Одним из эффективных инструментов является автоматический анализ тональности постов из социальных сетей, в частности, из микроблоггинговой платформы Твиттер. Метод позволяет определить наиболее обсуждаемые черты деятельности компании и оценить их восприятие потребителями, а также в режиме реального времени отслеживать голос покупателя. Доказана эффективность сентимент-анализа для различных областей: розничной торговли, e-commerce, индустрии HoReCa, - однако недостаточно изученной остается возможность применения метода для маркетинговых исследований в авиакомпаниях. Растущий объем авиаперевозок и появление новых игроков на международном авиарынке обосновывают актуальность применения метода для определения ключевых факторов удержания существующих и приобретения новых клиентов.

В работе продемонстрированы возможные направления применения сентимент-анализа для авиакомпаний, оперирующих на глобальном рынке, а также разработан алгоритм комплексного исследования наиболее обсуждаемых тем: сбор данных из твиттера, их очистка, сентимент-анализ и событийный анализ. Для этого собрано и проклассифицировано по тональности 234924 поста из социальной сети Твиттер, содержащих упоминания пяти авиакомпаний (Аэрофлот, Lufthansa, easyJet, JetBlue, Ryanair) за полтора месяца, с 13.02 по 26.03. Затем с помощью событийного анализа выявлены «критические» даты и определены события, вызвавшие изменения в объеме и характере данных. Метод позволил определить наиболее обсуждаемые характеристики авиакомпаний и найти ключевые точки взаимодействия с клиентом для более точного таргетирования маркетинговых сообщений.

Обнаружено, что наибольший общественный резонанс связан с «influencer marketing», то есть с упоминанием авиакомпании известным лицом. При этом, категория включает не только рекламные кампании с привлечением звезд, инициируемые авиакомпаниями, но и личные рекомендации знаменитостей. Учитывая высокую степень доверия к eWoM данного типа, предлагается поощрение известных персон к написанию постов-мнений об услугах авиакомпании путем предложения различных скидок и бонусов.

Другим эффективным способом усиления коммуникации с клиентами является спонсирование различных мероприятий. Аналогично «influencer marketing», это позволяет значительно увеличить осведомленность потенциальных клиентов, а также способствует становлению и усилению чувства общности с авиакомпанией, что увеличивает вероятность использования ее услуг. Также, существенный вклад в формирование «buzz» вокруг авиакомпании вносят распродажи и различные рекламные кампании. Примеры Lufthansa и JetBlue показывают положительные результаты применения акций, стимулирующих потребителей делиться опытом использования услуг авиалинии: создание собственных хэштегов для продвижения авиакомпании, интерактивных онлайн промо-кампаний.

Сентимент-анализ также позволил оценить удовлетворенность потребителей качеством предоставляемых услуг. Проведенное исследование показывает, что больше всего потребителей беспокоят отмены и задержки рейсов. Для увеличения лояльности клиентов авиакомпании целесообразно обеспечить оперативное информирование и поддержку потребителей при изменениях в расписании полетов: оперативно отвечать на посты в социальных сетях и email, предоставлять актуальную информацию через call-центры. Это позволит снизить риски, связанные с распространением негативного eWoM. Анализ тональности текстов также был использован для определения ключевых параметров, на которые обращают внимание клиенты при покупке авиабилета. Ими являются цена билета, нормы провоза багажа, питание на борту.

Таким образом, в работе доказана применимость сентимент-анализа постов из Твиттера для проведения маркетинговых исследований, а также предложен алгоритм выявления факторов, формирующих восприятие авиакомпании потребителями. Предполагается, что результаты исследования и разработанный метод, сочетающий текст-майнинг, сентимент-анализ и событийный анализ, будут полезны для специалистов по маркетингу в авиакомпаниях, их клиентов, а также внесут вклад в научные исследования анализа тональности текстов.

В работе предпринята попытка дать целостный обзор сфер применимости сентимент-анализа и разработать методологию для анализа голоса покупателя. Однако при применении результатов исследования следует учитывать ряд ограничений. Во-первых, в работе использованы выгрузки из Твиттера за 1,5 месяца. При интерпретации данных следует учитывать размер выборки и возможную зависимость результатов от временного контекста. Другим ограничением работы является использование исключительно постов на английском языке. Предполагается, что включение в анализ данных на других языках способно увеличить точность анализа и может быть использовано для определения разницы в восприятии авиакомпании на различных локальных рынках. Особенно полезным было бы использование мультиязычного сентимент-анализа для классификации постов авиакомпаний, в стране происхождения которых английский не является основным языком (например, русский для Аэрофлота, немецкий - для Lufthansa).

Интересным продолжением исследования будет также расширение базы источников информации для сентимент-анализа: в частности, рассмотрение данных из других социальных сетей (в первую очередь, Фейсбук, Инстаграм). Это позволит существенно увеличить объем информации, а учет особенностей каждой из платформ может усилить эффективность и полноту анализа, а также обеспечить охват максимального количества демографических групп. По результатам подобного анализа можно будет также сделать вывод о разнице характера выражения мнений и восприятия авиакомпаний в зависимости от платформы с учетом ключевых особенностей стиля публикаций в социальной сети.

В последующих исследованиях также возможно сравнение результатов сентимент-анализа с использованием сентимент-словарей и алгоритма, основанного на методах машинного обучения. Для этого необходим бьльший объем выборки и наличие тренировочного набора данных, размеченного экспертами. Полученные результаты могут быть использованы для сравнения точности методов и выбора наиболее эффективного.

Список использованных источников

1. Arndt, J. (1967). Word of mouth advertising and informal communication. Risk taking and information handling in consumer behavior, 188-239.

2. Arumugam, V., & Omar, A. (2016). Electronic Word-of-Mouth Information Adoption by Online Consumers. International Journal of Science and Research (IJSR) 5(12):1865-1869.

3. AYTM Market Research (2016). Consumers Like Reading Online Reviews, Not Writing Them. Retrieved January 23, 2018 from https://www.emarketer.com/Article/Consumers-Like-Reading-Online-Reviews-Not-Writing-Them/1014242

4. Bansal., Harvir S., & Voyer, Peter. A. (2000). Word of Mouth Processes Within a Services Purchase Decision. Journal of Service Research, 3 (2), 166-177.

5. Bradley, M. M., & Lang, P. J. (1999). Affective norms for English words (ANEW): Instruction manual and affective ratings (pp. 1-45). Technical report C-1, the center for research in psychophysiology, University of Florida.

6. Browning, V. & Sparks, B. A. (2011). The impact of online reviews on hotel booking intentions and perception of trust. Tourism management, 32(6), 1310-1323.

7. Bughin J., Doogan J., & Vetvik O.J. (2010). A new way to measure word-of-mouth marketing. McKinsey. Retrieved January 28, 2017 from https://www.mckinsey.com/business-functions/marketing-and-sales/our-insights/a-new-way-to-measure-word-of-mouth-marketing

8. Capriello, Antonella, Peyton R. Mason, Boyd Davis, &. Crotts. (2013). Farm Tourism Experiences in Travel Reviews: A Cross-Comparison of Three Alternative Methods for Data Analysis. Journal of Business Research. 66 (6): 778-85. Automated Sentiment Analysis in Tourism: Comparison of Approaches. Available from: https://www.researchgate.net/publication/320419549_Automated_Sentiment_Analysis_in_Tourism_Comparison_of_Approaches

9. Cavazza, N., & Guidetti, M. (2014). Fake online reviews: A study on eWOM influence when suspicions arise. Psicologia sociale, 9(1), 71-82.

10. Cheung, C. M., & Thadani, D. R. (2010). The Effectiveness of Electronic Word-of-Mouth Communication: A Literature Analysis. In Bled eConference, p. 18.

11. Chevalier, J. A., & Mayzlin, D. (2006). The effect of word of mouth on sales: Online book reviews. Journal of marketing research, 43(3), 345-354.

12. Chiu, C., Chiu, N.-H., Sung, R.-J., and Hsieh, P.-Y. (2015). "Opinion Mining of Hotel Customer-Generated Contents in Chinese Weblogs," Current Issues in Tourism (18:5), pp. 477-495.

13. Davenport, T. H., & Beck, J. C. (2001). The attention economy: Understanding the new currency of business. Harvard Business Press.

14. Dellarocas, C. (2003). The digitization of word of mouth: Promise and challenges of online feedback mechanisms. Management science, 49(10), 1407-1424.

15. Dellarocas, C., Zhang, X. M., & Awad, N. F. (2007). Exploring the value of online product reviews in forecasting sales: The case of motion pictures. Journal of Interactive marketing, 21(4), 23-45.

16. Dharmavaram Sreenivasan, N., Sian Lee, C., & Hoe-Lian Goh, D. (2012). Tweeting the friendly skies: Investigating information exchange among Twitter users about airlines. Program, 46(1), 21-42.

17. Doll, W. J., & Torkzadeh, G. (1988). The measurement of end-user computing satisfaction. MIS quarterly, 259-274.

18. Duan, W., Gu, B., & Whinston, A. B. (2008). Do online reviews matter? - An empirical investigation of panel data. Decision support systems, 45(4), 1007-1016.

19. Erkan, I., & Evans, C. (2016). The influence of eWOM in social media on consumers' purchase intentions: An extended approach to information adoption. Computers in Human Behavior, 61, 47-55.

20. Fan, Y. W., & Miao, Y. F. (2012). Effect of electronic word-of-mouth on consumer purchase intention: The perspective of gender differences. International Journal of Electronic Business Management, 10(3), 175.

21. Floyd, K., Freling, R., Alhoqail, S., Cho, H. Y., & Freling, T. (2014). How online product reviews affect retail sales: A meta-analysis. Journal of Retailing, 90(2), 217-232.

22. Google News: https://news.google.com/news/

23. Hennig-Thurau, T., Gwinner, K. P., Walsh, G., & Gremler, D. D. (2004). Electronic word of mouth via consumer-opinion platforms: what motivates consumers to articulate themselves on the internet? Journal of interactive marketing, 18(1), 38-52.

24. Ho, J. Y., & Dempsey, M. (2010). Viral marketing: Motivations to forward online content. Journal of Business Research, 63(9-10), 1000-1006.

25. Hu, M., & Liu, B. (2004). Mining and summarizing customer reviews. In Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 168-177). ACM.

26. Jacobson, L. (2009). Take a sentimental journey: What sentiment analysis means for PR professionals. Public Relations Tactics, 18.

27. Jansen, B. J., Zhang, M., Sobel, K., & Chowdury, A. (2009). Twitter power: Tweets as electronic word of mouth. Journal of the Association for Information Science and Technology, 60(11), 2169-2188.

28. Kho, N. D. (2010). Customer experience and sentiment analysis. KM World, 19(2), 10-20.

29. Kudeshia, C., & Kumar, A. (2017). Social eWOM: does it affect the brand attitude and purchase intention of brands? Management Research Review, 40(3), 310-330.

30. Lacic, E., Kowald, D., & Lex, E. (2016). High Enough?: Explaining and Predicting Traveler Satisfaction Using Airline Reviews. In Proceedings of the 27th ACM Conference on Hypertext and Social Media, pp. 249-254.

31. Lerrthaitrakul, W., & Panjakajornsak, V. (2014). Channels of electronic word-of-mouth affecting consumers' buying decision-making process in the low cost carriers (LCCs). Research Journal of Business Management, 8(4), 367-378.

32. Leung, D., Law, R., Van Hoof, H., & Buhalis, D. (2013). Social media in tourism and hospitality: A literature review. Journal of Travel & Tourism Marketing, 30(1-2), 3-22.

33. Liau, B., & Pei Tan, P. (2014). Gaining customer knowledge in low cost airlines through text mining. Industrial Management & Data Systems, 114(9), 1344-1359.

34. Lin, M.Y., & Fang, C.H. (2006). The effects of perceived risk on the word-of-mouth communication dyad. Social Behavior Pers., 34: 1207-1216.

35. Litvin, S. W., Goldsmith, R. E., & Pan, B. (2008). Electronic word-of-mouth in hospitality and tourism management. Tourism management, 29(3), 458-468.

36. Lu, X., Ba, S., Huang, L., & Feng, Y. (2013). Promotional marketing or word-of-mouth? Evidence from online restaurant reviews. Information Systems Research, 24(3), 596-612.

37. McGinnies, E., & Ward, C. D. (1980). Better liked than right: Trustworthiness and expertise as factors in credibility. Personality and Social Psychology Bulletin, 6(3), 467-472.

38. Miner, G., Elder IV, J., & Hill, T. (2012). Practical text mining and statistical analysis for non-structured text data applications. Academic Press.

39. Misopoulos, F., Mitic, M., Kapoulas, A., & Karapiperis, C. (2014). Uncovering customer service experiences with Twitter: the case of airline industry. Management Decision, 52(4), 705-723.

40. Mostafa, M. M. (2013). An emotional polarity analysis of consumers' airline service tweets. Social Network Analysis and Mining, 3(3), 635-649.

41. Mostafa, M. M. (2013). More than words: Social networks' text mining for consumer brand sentiments. Expert Systems with Applications, 40(10), 4241-4251.

42. Murray, K.B. (1991) A test of services marketing theory: consumer information acquisition activities. Journal of Marketing 55, 10-25.

43. Omnicore (2017). Twitter by the Numbers: Stats, Demographics & Fun Facts. Retrieved from: https://www.omnicoreagency.com/twitter-statistics/

44. Onishi, H., & Manchanda, P. (2012). Marketing activity, blogging and sales. International Journal of Research in Marketing, 29(3), 221-234.

45. Peter, J. P., & Tarpey, L. X. (1975). A comparative analysis of three consumer decisions strategies. Journal of Consumer Research, 2 (1), 29-37.

46. Petty, R. E., & Cacioppo, J. T. (1986). The elaboration likelihood model of persuasion. In Communication and persuasion. Springer New York, pp. 1-24.

47. Reichelt, J., Sievert, J., & Jacob, F. (2014). How credibility affects eWOM reading: The influences of expertise, trustworthiness, and similarity on utilitarian and social functions. Journal of Marketing Communications, 20(1-2), 65-81.

48. Rosario, A., Sotgiu, F., De Valck, K., & Bijmolt, T. H. (2016). The effect of electronic word of mouth on sales: A meta-analytic review of platform, product, and metric factors. Journal of Marketing Research, 53(3), 297-318.

49. Sa'ait, N., Kanyan, A., & Nazrin, M. F. (2016). The Effect of E-WOM on Customer Purchase Intention.

50. Schmallegger, D., & Carson, D. (2008). Blogs in tourism: Changing approaches to information exchange. Journal of vacation marketing, 14(2), 99-110.

51. Scopus. (2018). Retrieved March 24, 2018 from www.scopus.com

52. Skytrax. (2017). The Top 100 Airlines of 2017. Retrieved from: http://www.airlinequality.com/info/top-100-airlines-2017/

53. Smith, K. (2017). Marketing: 105 Amazing Social Media Statistics and Facts. BrandWatch. Retrieved February 16, 2018 from https://www.brandwatch.com/blog/96-amazing-social-media-statistics-and-facts-for-2016/

54. Stone, P. J., Dunphy, D. C., & Smith, M. S. (1966). The general inquirer: A computer approach to content analysis.

55. Sundaram, D.S., Mitra, K., & Webster, C. (1998). Wordof-Mouth Communications: A Motivational Analysis. Advances in Consumer Research, 25, 527-531.

56. Sussman, S. W. and Siegal, W. S. (2003). Informational Influence in Organizations: An Integrated Approach to Knowledge Adoption. Information Systems Research, 14(1).47-65.

57. Thelwall, M., Buckley, K., & Paltoglou, G. (2011). Sentiment in Twitter events. Journal of the Association for Information Science and Technology, 62(2), 406-418.

58. Vermeulen, I. E., & Seegers, D. (2009). Tried and tested: The impact of online hotel reviews on consumer consideration. Tourism management, 30(1), 123-127.

59. Westbrook, Robert. A. (1987). Product/Consumption-based Affective Responses and Postpurchase Process. Journal of Marketing Research, Vol.24 (August), pp.258-270.

60. Whissell, C. M. (1989). The dictionary of affect in language. In The measurement of emotions (pp. 113-131).

61. Wiebe, J. (2000). Learning subjective adjectives from corpora. In Proc. 17th National Conference on Artificial Intelligence (AAAI-2000), Austin, Texas, July.

62. Woodside, A. G., & Delozier, M. W. (1976). Effects of word of mouth advertising on consumer risk taking. Journal of advertising, 5(4), 12-19.

63. World Tourism Organization. (2018). Retrieved February 8, 2018 from https://www.wto.org/english/tratop_e/serv_e/tourism_e/tourism_e.htm

64. Xia, M., Huang, Y., Duan, W., & Whinston, A. B. (2009). Ballot box communication in online communities. Communications of the ACM, 52(9), 138-142.

65. Yao, B., Yuan, H., Qian, Y., & Li, L. (2015). On exploring airline service features from massive online review. In Service Systems and Service Management (ICSSSM), 2015 12th International Conference, pp. 1-6.

66. Ye, Q., Law, R., & Gu, B. (2009). The impact of online user reviews on hotel room sales. International Journal of Hospitality Management, 28(1), 180-182.

67. Yoo, K. H., & Gretzel, U. (2011). Creating more credible and persuasive recommender systems: The influence of source characteristics on recommender system evaluations. In Recommender systems handbook. Springer, Boston, pp. 455-477.

68. You, Y., Vadakkepatt, G. G., & Joshi, A. M. (2015). A meta-analysis of electronic word-of-mouth elasticity. Journal of Marketing, 79(2), 19-39.

69. Zeithaml, Valarie A. (1981). How Consumer Evaluation Processes Differ between Goods and Services in Marketing of Services. Chicago: American Marketing, 186-190.

70. Zhang, L., & Liu, B. (2011). Identifying noun product features that imply opinions. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies: short papers-Volume 2 (pp. 575-580). Association for Computational Linguistics.

71. Zhang, W., & Watts, S. A. (2008). Capitalizing on content: Information adoption in two online communities. Journal of the Association for Information Systems, 9(2), 73.

72. Zhang, Z., Ye, Q., Law, R., & Li, Y. (2010). The impact of e-word-of-mouth on the online popularity of restaurants: A comparison of consumer reviews and editor reviews. International Journal of Hospitality Management, 29(4), 694-700.

73. Zhang, Z., Zhang, Z., Wang, F., Law, R., & Li, D. (2013). Factors influencing the effectiveness of online group buying in the restaurant industry. International Journal of Hospitality Management, 35, 237-245.

74. Zhu, F., Zhang, X., 2006. The influence of online consumer reviews on the demand for experience goods: the case of video games. In: Proceedings of 27th International Conference on Information Systems, Milwaukee, December, pp. 367-382.

Размещено на Allbest.ru