Ценностное предложение ресторанного бизнеса: интеллектуальный анализ онлайн-отзывов клиентов

используемый в исследовании метод текст-майнинга базируется на лексическом подходе поиска значимых факторов в тексте онлайн-отзывов, которые могут объяснить явные рекомендации как зависимую переменную от рейтинга и эмоциональной тональности онлайн-отзывов клиентов (см., напр.: [English, Fleischman, 2019; Gogolev, Ozhegov, 2019; Ramos et al., 2020]). работа вносит теоретический вклад в развитие концепции интеллектуального анализа текста как инструмента информационного менеджмента, а также ее применение при анализе ценностного предложения компании. текст-майнинг помогает определить, что побуждает потребителя написать отзыв, способный мотивировать других потенциальных клиентов приобрести данный опыт. результаты исследования могут иметь практическое применение и позволят маркетологам в процессе интеллектуального анализа текста сосредоточить свои усилия на тех клиентах, которые с наибольшей вероятностью будут рекомендовать предлагаемую услугу, а также принять во внимание и проанализировать проблемные факторы оказываемого компанией сервиса.

С этой целью предыдущие концептуальные исследования были расширены, а внимание сосредотачивалось на изучении сопоставления интеллектуального анализа данных и интеллектуального анализа текста. Было обнаружено, что интеллектуальный анализ данных и интеллектуальный анализ текста применяются при решении различных бизнес-проблем, а также они отличаются по типу обрабатываемых данных. Для разработки концепции сопоставления интеллектуального анализа данных и интеллектуального анализа текста предложен ряд критериев, имеющих ключевую значимость при сопоставлении двух понятий.

к ограничениям работы следует отнести отсутствие проверки качества и автоматической классификации каждого отдельного отзыва и рейтинговых баллов, так как для специалистов компании имеет значение репрезентативность уже идентифицированных исследований. Поэтому важным фактором является выбор платформы отзывов, на которой размещаются онлайн-отзывы. кроме того, при усечении скрининга с использованием этого метода специалист не в состоянии одновременно оценить данные на других платформах и необходимо проводить сравнительный анализ.

наконец, такой порядок проведения исследований может вызывать предубеждение специалиста: он может ожидать, что в начале процесса будет больше исследований и, значит, работа будет всеобъемлющей. тем не менее применение интеллектуального анализа текста сейчас активно используется в различных областях оптимизации управленческих процессов компании. Перспективой для будущих исследований является дальнейшая оценка применяемых методов и аналитика отзывов клиентов для определения основных факторов ценностного предложения ресторанного бизнеса.

Литература на русском языке

Серова Е. Г., Воробьев П. Ф., Файнштейн Е. М. 2019. Количественная модель SWOT-анализа и ее применение в стратегическом менеджменте: на примере сетевого ресторанного бизнеса. Вестник Санкт-Петербургского университета. Менеджмент 18 (4): 531-562.

Федорова Е. А., Демин И. С., Хрустова Л. Е., Федоров Ф. Ю., Осетров Р. А. 2017. Влияние тональности писем CEO на финансовые показатели компании. Российский журнал менеджмента 15 (4): 441-462.

Федорова Е. А., Мусиенко С. О., Демин И. С., Федоров Ф. Ю., Афанасьев Д. О. 2019. Влияние новостного освещения России в СМИ на экспортно-импортную деятельность. Вопросы экономики (8): 30-44.

Федорова Е. А., Мачина А. И., Афанасьев Д. О. 2020. Влияние текстовых характеристик посланий руководства на котировки акций российских компаний. Вестник Санкт-Петербургского университета. Менеджмент 19 (1): 126-148.

References in Latin Alphabet

Antons D., Grunwald E., Cichy P., Salge T. O. 2020. The application of text mining methods in innovation research: current state, evolution patterns, and development priorities. R&D Management 50 (3): 329-351.

Bilgihan A., Seo S., Choi J. 2018. Identifying restaurant satisfiers and dissatisfiers: Suggestions from online reviews. Journal of Hospitality Marketing & Management 27 (5): 601-625.

Cao Q., Duan W., Gan Q. 2011. Exploring determinants of voting for the “helpfulness” of online user reviews: A text mining approach. Decision Support Systems 50 (2): 511-521.

Chesbrough H., Rosenbloom R. S. 2002. The role of the business model in capturing value from innovation: Evidence from Xerox Corporation's technology spin-off companies. Industrial and Corporate Change 11 (3): 529-555.

Chen Y. H., He Q., Paudel K. P. 2018. Quality competition and reputation of restaurants: The effects of capacity constraints. Economic Research -- Ekonomska istrazivanja 31 (1): 102-118.

Edvinsson L., Sullivan P. 1996. Developing a model for managing intellectual capital. European Management Journal 14 (4): 356-364.

English P., Fleischman D. 2019. Food for thought in restaurant reviews: Lifestyle journalism or an extension of marketing in UK and Australian newspapers. Journalism Practice 13 (1): 90-104.

Erkmen E., Hancer M. 2019. Building brand relationship for restaurants. International Journal of Contemporary Hospitality Management 31 (3): 1469-1487.

Fainshtein E. 2021. Value proposition analysis of network business during digital adaptation in COVID-19 conditions. In: A. Rocha, J. L. Reis, M. K. Peter, R. Cayolla, S. Loureiro, Z. Bogdanovic (eds). Marketing and Smart Technologies (Smart Innovation, Systems and Technologies, 205). Singapore: Springer; 145-153.

Fainshtein E. 2022. Value propositions of restaurant delivery systems: A text mining-based review. In: A. Beskopylny, M. Shamtsyan (eds). XIVInternational Scientific Conference “INTERAGROMASH 2021” (Lecture Notes in Networks and Systems, 246). Cham: Springer; 475-483.

Fainshtein E., Serova E. 2020. Value proposition of network companies providing restaurant services in Russia: Analysis and evaluation. In: V. Chkoniya, A. O. Madsen, P. Bukhrashvili (eds). Anthropological Approaches to Understanding Consumption Patterns and Consumer Behavior. Hershey, PA: IGI Global; 137-158.

Fainshtein E., Serova E. 2021. Using intelligent text analysis of online reviews to determine the main factors of restaurant value propositions. In: V. Chkoniya (ed.). Handbook of Research on Applied Data Science and Artificial Intelligence in Business and Industry. Vol. 1. Hershey, PA: IGI Global; 223-240.

Fan Z. P, Che Y. J., Chen Z. Y. 2017. Product sales forecasting using online reviews and historical sales data: A method combining the Bass model and sentiment analysis. Journal of Business Research 74 (1): 90-100.

Fayyad U., Piatetsky-Shapiro G., Smyth P 1996. From data mining to knowledge discovery in databases. AI Magazine 17 (3): 37-54.

Fresneda J. E., Gefen D. 2019. A semantic measure of online review helpfulness and the importance of message entropy. Decision Support Systems 125 (1): 1-11.

Gao S., Tang O., Wang H., Yin P. 2018. Identifying competitors through comparative relation mining of online reviews in the restaurant industry. International Journal of Hospitality Management 71 (1): 19-32.

Gogolev S., Ozhegov E. M. 2019. Comparison of machine learning algorithms in restaurant revenue prediction. In: W. van der Aalst, V. Batagelj, D. Ignatov, M. Khachay, V. Kuskova, A. Kutuzov, S. Kuznetsov, I. Lomazova, N. Loukachevitch, A. Napoli, P. Pardalos, M. Pelillo, A. Savchenko, E. Tutubalina (eds). International Conference on Analysis of Images, Social Networks and Texts. Cham: Springer; 27-36.

Halim K. K., Halim S. 2019. Business intelligence for designing restaurant marketing strategy: A case study. Procedia Computer Science 161 (1): 615-622.

Hearst M. A. 1999. Untangling text data mining. In: P. Kaliraj, T. Devi (eds). Proceedings of the 37th Annual Meeting of the Association for Computational Linguistics. Berkeley, CA: School of Information Management & Systems University of California; 3-10.

Jia S. 2019. Measuring tourists' meal experience by mining online user generated content about restaurants. Scandinavian Journal of Hospitality and Tourism 19 (4-5): 371-389.

Jia S. S. 2020. Motivation and satisfaction of Chinese and US tourists in restaurants: A cross-cultural text mining of online reviews. Tourism Management 78 (1): 104071; 1-12.

Jung S. S., Jang S. S. 2019. To cluster or not to cluster? Understanding geographic clustering by restaurant segment. International Journal of Hospitality Management 77 (1): 448-457.

Kaviya K., Roshini C., Vaidhehi V., Sweetlin J. D. 2017. Sentiment analysis for restaurant rating. In: P. R. Nair, H. R. Mohan (eds). 2017 IEEE International Conference on Smart Technologies and Management for Computing, Communication, Controls, Energy and Materials (ICSTM). New York: IEEE; 140-145.

Kim J. H., Song H., Youn H. 2020. The chain of effects from authenticity cues to purchase intention: The role of emotions and restaurant image. International Journal of Hospitality Management 85 (1): 102354; 1-10.

Lasek A., Cercone N., Saunders J. 2016. Restaurant sales and customer demand forecasting: Literature survey and categorization of methods. In: A. Leon-Garcia, O. Akan, P. Bellavista, J. Cao, G. Coulson, F. Dressler, D. Ferrari, M. Gerla, H. Kobayashi, S. Palazzo, S. Sahni, X. Shen, M. Stan, J. Xiaohua, A. Y. Zomaya (eds). Smart City 360°. Cham: Springer; 479-491.

Lak P., Turetken O. 2014. Star ratings versus sentiment analysis -- A comparison of explicit and implicit measures of opinions. In: M. Kamal, G. Silva (eds). 47th Hawaii International Conference on System Sciences. Maui, Hawaii: IEEE; 796-805.

Li H., Liu H., Zhang Z. 2020. Online persuasion of review emotional intensity: A text mining analysis of restaurant reviews. International Journal of Hospitality Management 89 (1): 1-13.

Li H., Xie K. L., Zhang Z. 2020. The effects of consumer experience and disconfirmation on the timing of online review: Field evidence from the restaurant business. International Journal of Hospitality Management 84 (1): 1-11.

Liu P., Tse E. C. Y. 2018. Exploring factors on customers' restaurant choice: An analysis of restaurant attributes. British Food Journal 120 (10): 2289-2303.

Longart P., Wickens E., Bakir A. 2018. An investigation into restaurant attributes: A basis for a typology. International Journal of Hospitality & Tourism Administration 19 (1): 95-123.

Lopez-Gazpio I., Maritxalar M., Lapata M., Agirre E. 2019. Word n-gram attention models for sentence similarity and inference. Expert Systems with Applications 132 (1): 1-11.

Mahr D., Stead S., Odekerken-Schroder G. 2019. Making sense of customer service experiences: A text mining review. Journal of Services Marketing 33 (1): 88-103.

Manes E., Tchetchik A. 2018. The role of electronic word of mouth in reducing information asymmetry: An empirical investigation of online hotel booking. Journal of Business Research 85 (1): 185-196.

Mejia J., Mankad S., Gopal A. 2020. Service quality using text mining: Measurement and consequences. Manufacturing & Service Operations Management 23 (6): 1354-1372.

Mohammad S. M. 2016. Sentiment analysis: Detecting valence, emotions, and other affectual states from text. In: H. L. Meiselman (ed.). Emotion Measurement. Ottawa: Woodhead Publishing; 201-237.

Ordenes F. V., Ludwig S., Ruyter K., Grewal D., Wetzels M. 2017. Unveiling what is written in the stars: Analyzing explicit, implicit, and discourse patterns of sentiment in social media. Journal of Consumer Research 43 (6): 875-894.

Ordenes F. V., Zhang S. 2019. From words to pixels: Text and image mining methods for service research. Journal of Service Management 30 (5): 593-620.

Packard G., Berger J. 2017. How language shapes word of mouth's impact. Journal of Marketing Research 54 (4): 572-588.

Ramos K., Cuamea O., Morgan J., Estrada A. 2020. Social networks' factors driving consumer restaurant choice: An exploratory analysis. In: T. Ahram (ed.). Advances in Artificial Intelligence, Software and Systems Engineering. AHFE 2020 (Advances in Intelligent Systems and Computing, 1213). Cham: Springer; 158-164.

Rosado-Pinto F., Loureiro S. M. C., Bilro R. G. 2020. How brand authenticity and consumer brand engagement can be expressed in reviews: A text mining approach. Journal of Promotion Management 26 (4): 457-480.

Schonlau M., Guenther N., Sucholutsky I. 2017. Text mining with n-gram variables. The Stata Journal 17 (4): 866-881.

Schuckert M., Liu X., Law R. 2015. Hospitality and tourism online reviews: Recent trends and future directions. Journal of Travel & Tourism Marketing 32 (5): 608-621.

Valdivia A., Luzon M. V., Herrera F. 2017. Sentiment analysis in TripAdvisor. IEEE Intelligent Systems 32 (4): 72-77.

Viglia G., Minazzi R., Buhalis D. 2016. The influence of e-word-of-mouth on hotel occupancy rate. International Journal of Contemporary Hospitality Management 28 (9): 2035-2051.

Wang X., Tang L. R., Kim E. 2019. More than words: Do emotional content and linguistic style matching matter on restaurant review helpfulness? International Journal of Hospitality Management 77 (1): 438-447.

Williamson D., Tregidga H., Harris C., Keen C. 2009. The working engines of distinction: Discourse for main course in restaurant reviews. Journal of Hospitality and Tourism Management 16 (1): 55-61.

Wu H. C., Cheng C. C., Ai C. H., Chen G. 2019. Relationships between restaurant attachment, experiential relationship quality and experiential relationship intentions: The case of single friendly restaurants in Taiwan. Journal of Hospitality and Tourism Management 40 (1): 50-66.

Xiang Z., Du Q., Ma Y., Fan W. 2017. A comparative analysis of major online review platforms: Implications for social media analytics in hospitality and tourism. Tourism Management 58 (1): 51-65.

Russian Language References Translated into English

Serova E. G., Vorobyev P. F., Fainstein E. M. 2019. Quantitative SWOT analysis and its application to strategic management: The case of chain restaurant business. Vestnik of Saint Petersburg University. Management 18 (4): 531-562. (In Russian)

Fedorova E. A., Demin I. S., Khrustova L. E., Fedorov F. Yu., Osetrov R. A. 2017. The influence of CEO letters' tone on financial indicators of the company. Russian Management Journal 15 (4): 441-462. (In Russian)

Fedorova E. A., Musienko S. O., Demin I. S., Fedorov F. Yu., Afanasyev D. O. 2019. The impact of news coverage of Russia in the media on export -- Import activities. Voprosy Ekonomiki (8): 30-44. (In Russian)

Fedorova E. A., Machina A. I., Afanasyev D. O. 2020. The impact of textual characteristics of management letters on stock prices of Russian companies. Vestnik of Saint Petersburg University. Management 19 (1): 126-148. (In Russian)

Размещено на Allbest.ru