Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sustainability 14 00848 v2
Sustainability 14 00848 v2
sostenibilidad
Artículo
1
Escuela de Estudios Globales, Universidad Kyungsung, 309 Suyoungro, Namgu, Busan 48434, Corea;
yaeji76@ks.ac.kr
2
Instituto de Investigación de Big Data para el Bienestar y el Turismo, Universidad Kyungsung, 309 Suyoungro,
Namgu, Busan 48434, Corea
3 Escuela de Gestión Hotelera y Turística, Universidad Kyungsung, 309 Suyoungro, Namgu,
Busan 48434, Corea
* Correspondencia: kims@ks.ac.kr; Teléfono: +82516634473
Resumen: Con la creciente popularidad de Internet, los clientes pueden compartir fácilmente sus experiencias e información
en reseñas en línea. Los consumidores reconocen las reseñas en línea como una fuente útil de información antes del
consumo, y muchas reseñas en línea influyen en las decisiones de compra de los consumidores.
Por lo tanto, comprender la experiencia del cliente en las reseñas en línea es necesario para mantener la satisfacción del
cliente y la intención de recompra para el desarrollo sostenible del negocio hotelero. Este estudio evaluó los atributos de
selección fundamentales de los clientes a partir de reseñas en línea que reflejan la experiencia del cliente del hotel e
investigó su asociación con la satisfacción del cliente. Se recopiló un total de 8229 reseñas de los sitios web de viajes de
Google desde diciembre de 2019 hasta julio de 2021. Se adoptó la minería de textos y el análisis de redes semánticas
para el análisis de big data. Luego se utilizaron análisis factoriales y de regresión para el análisis cuantitativo. Según el
análisis de regresión lineal, los factores Servicio y Comida afectaron significativamente la satisfacción del cliente. El
servicio es un atributo de selección crítico para los clientes , y la prestación de servicios más particulares es necesaria,
especialmente después del COVID19. Estos resultados indican que comprender las reseñas en línea puede proporcionar
implicaciones teóricas y prácticas para desarrollar estrategias sostenibles para la industria hotelera.
Cita: Kim, Y.J.; Kim, H.S. El impacto de
satisfacción del cliente a través de Palabras clave: revisión en línea; experiencia del cliente; la satisfacción del cliente; atributo de selección; extracción de
reseñas en línea. Sostenibilidad 2022, 14, textos; análisis de redes semánticas
848. https://doi.org/10.3390/
su14020848
Aceptado: 7 de enero de 2022 Cuando los turistas planean viajar y reservar alojamiento, a menudo buscan hoteles en los que
Publicado: 12 de enero de 2022 nunca han estado antes. La adquisición de información sobre hoteles puede reducir el riesgo de elegir
mal. Tradicionalmente, el boca a boca (WOM) de amigos se ha utilizado para reducir los riesgos y, con la
Nota del editor: MDPI se mantiene neutral con
popularidad de Internet, el boca a boca electrónico (eWOM) está adquiriendo importancia [1,2], a medida
respecto a reclamos jurisdiccionales en mapas
que los consumidores comienzan a confiar en el WOM transmitido por Internet. Internet [3,4]. Comúnmente,
publicados y afiliaciones institucionales.
iaciones.
los consumidores quieren expresar o compartir sus opiniones y buscar información a través de medios
digitales [5,6]. Filieri y McLeay [7] descubrieron que el 96,4% de sus encuestados (7.000) habían utilizado
Internet como fuente de información en la fase de planificación de viajes, y el 90% hacía referencia a las
opiniones de otros clientes.
Copyright: © 2022 por los autores. Debido a que las características del campo de servicio no son como las de los productos tangibles,
Licenciatario MDPI, Basilea, Suiza. es difícil determinar la situación real de un hotel hasta que el cliente la haya experimentado [8]. En este
Este artículo es un artículo de acceso abierto. caso, eWOM proporciona datos valiosos que reflejan las características de los consumidores y las
distribuido bajo los términos y percepciones de satisfacción con el servicio. La experiencia del servicio mencionada en eWOM implica
condiciones de los Creative Commons así los principales atributos y niveles de calidad del producto o servicio considerado por el cliente [ 9], y
Licencia de atribución (CC BY) (https:// eWOM puede afectar significativamente las decisiones de compra de los turistas y el desempeño comercial
creativecommons.org/licenses/by/ de los hoteles [10].
4.0/).
Muchos investigadores han realizado encuestas para investigar la satisfacción del cliente y los atributos
de selección de hoteles en la industria hotelera y hotelera [1113]. Aunque el método de encuesta tiene la
ventaja de poder obtener respuestas a las preguntas deseadas, puede haber limitaciones debido a factores
que podrían causar errores de medición, como la forma del cuestionario, el término de la encuesta, la categoría
de respuesta y el orden. de la encuesta [14]. Para abordar esta brecha, se llevó a cabo una extracción de
reseñas en línea para obtener información más precisa y detallada de los clientes mediante la aplicación de
análisis de big data en el sector hotelero [1519]. Filieri y Mariani [16] adoptaron el análisis de big data para
examinar cómo las reseñas de diferentes países evalúan la utilidad de las reseñas en línea. Ban y Kim [19]
analizaron las opiniones de los usuarios para comprender varios atributos de satisfacción de los pasajeros de
las aerolíneas mediante análisis de minería de texto.
Sin embargo, todavía hay estudios limitados sobre las reseñas en línea de clientes de hoteles que
utilizan análisis de big data, exploran los factores que reflejan las experiencias de los clientes basándose en
estos datos de reseñas y luego verifican la relación entre los factores extraídos y la satisfacción del cliente.
Por lo tanto, este estudio buscó derivar implicaciones significativas analizando reseñas de hoteles en línea y
explorando qué atributos afectaban
la satisfacción del cliente.
2. Revisión de la literatura
a la satisfacción del cliente, y se puede decir que los clientes que evalúan positivamente la experiencia se sienten
satisfechos [29].
La satisfacción del cliente es una experiencia compleja en la industria hotelera, y evaluar lo que el cliente ha
experimentado es complicado [30]. El centrarse en la experiencia y la satisfacción del cliente ha aumentado
inevitablemente a medida que el mercado ha pasado de ser un mercado impulsado por los productores a uno
impulsado por los compradores [20]. La gestión de la satisfacción del cliente es la única estrategia que puede
responder a tales cambios del mercado. Las actividades de marketing corporativo han convertido en un objetivo
fundamental centrarse en la satisfacción del cliente, lo que, a través de la experiencia del cliente, puede aumentar
la lealtad del cliente, la intención de recompra, el WOM positivo y, en consecuencia, contribuir a una mayor
rentabilidad [31].
Los clientes prefieren y piensan en los atributos de selección de hotel, que desempeñan un papel
fundamental en la búsqueda de información y en el proceso de selección de alternativas y, por lo tanto, son un
objetivo para evaluar la satisfacción e insatisfacción del hotel [32,33]. Identificar los atributos de selección de hotel
del cliente es esencial para mejorar la calidad del servicio y aumentar la satisfacción del cliente para obtener una
ventaja competitiva [34].
El análisis de big data de datos generados en línea para predecir el comportamiento psicológico y del
consumidor es un tema emergente en la industria hotelera [19]. Es necesario extraer y convertir datos de reseñas
en línea antes del análisis, y la minería de textos y el análisis de redes semánticas desempeñan un papel
importante en el análisis de big data debido a la naturaleza grande y no estructurada de los datos generados por
los consumidores. Este estudio empleó análisis de texto para deconstruir numerosas opiniones de clientes
recopiladas en Google.com, seguido de un análisis de redes semánticas para examinar la asociación con palabras
clave extraídas [19,22].
La minería de texto para el descubrimiento de conocimiento basada en bases de datos de texto fue
mencionada por primera vez por Feldman y Dagan [35], y es el descubrimiento de valiosos patrones desconocidos
en el texto utilizando técnicas de recuperación y extracción de información y procesamiento del lenguaje natural (NLP) [36].
La minería de texto implica recopilación de datos, refinamiento de datos, análisis de datos, un sistema de gestión
de información y generación de conocimiento [37], como se muestra en la Figura 1.
Al recopilar datos, los investigadores identifican el tipo de información que desean, aclaran conceptos, limitan
el alcance de lo que desean recopilar y se familiarizan con las características de las palabras clave. El refinamiento
y preprocesamiento de datos implica convertir datos textuales no estructurados en formas estructuradas. Para
obtener resultados precisos, es esencial un tratamiento previo sofisticado. Como paso para analizar tecnologías
basadas en texto, como la extracción de información, el resumen de documentos y la agrupación, se incluyen en
el siguiente paso para analizar datos basados en texto, y luego se aplican métodos de análisis adecuados para
fines de investigación para gestionar los sistemas de información en los lugares de trabajo y para acumular
conocimiento [19,38].
La minería de textos para la industria hotelera ha sido recientemente objeto de investigación activa.
Boo y Busser [8] investigaron cualitativa y cuantitativamente las reseñas en línea de los organizadores de reuniones
sobre hoteles de destino. Los resultados arrojaron información para responder a las opiniones online y formaron la
base para los criterios de evaluación de hoteles. Stepchenkova y Morrison [39] analizaron textos relacionados con
Rusia en 212 sitios web, midieron la imagen de los destinos turísticos de Rusia y
Machine Translated by Google
identificó las diferencias entre los sitios web estadounidenses y rusos. Él, Zha y Li [40] describieron
un estudio de caso en profundidad que aplicó la minería de texto para analizar texto en los sitios
de Facebook y Twitter de tres cadenas de pizzerías: Pizza Hut, Domino's Pizza y Papa John's
Pizza, que son franquicias representativas en La industria. Los resultados confirmaron el valor del
análisis competitivo de las redes sociales y el poder de la minería de textos como técnica eficaz
para extraer valor empresarial de la gran cantidad de datos disponibles en las redes sociales. La formacion d
La problemática social a través de SNS (Social Networking Service) se está acelerando en diversos campos.
Con el desarrollo de las redes sociales, el análisis de redes se está volviendo esencial para extraer diferentes
significados y conceptos inherentes a los mensajes de texto y comprender sus características relacionales
[41]. El análisis de redes semánticas evalúa la estructura de una red semántica recuperada de acuerdo con
el texto dado y también explora el significado a través de la relación estructural de las palabras como
componentes del mensaje, en lugar de unidades léxicas [42].
El análisis de redes semánticas utiliza palabras individuales para aclarar la estructura de la red y el
significado dentro de un texto. Seleccionar un término específico y usarlo repetidamente al enfatizar un
significado particular es un método para el análisis de contenido de la relación entre palabras que aparecen
simultáneamente en una oración o párrafo. El núcleo del análisis de redes semánticas es indicar la influencia
de las palabras, y el análisis basado en la identidad estructural consiste en un índice para clasificar
subgrupos según la similitud de las palabras [19,30,43].
3. Metodología 3.1.
Recopilación de datos
El procedimiento de recolección de datos para este estudio es el siguiente. Las reseñas de hoteles se obtuvieron
de Google Travel (www.google.com/travel), el motor de búsqueda más grande a nivel mundial. Las reseñas de hoteles
de Google incluyen información detallada sobre la marca de hotel utilizada por el cliente, el ID del crítico, la fecha de la
reseña, el comentario, la calificación y el tipo de viaje. La Figura 2 muestra un ejemplo específico de Reseñas en línea
de Google. Para recopilar y refinar datos en línea se utilizaron SCTM (Smart Crawling & Text Mining, desarrollado por
el Instituto de Investigación de Big Data de Bienestar y Turismo de la Universidad de Kyungsung) y TEXTOM (una
solución de análisis de big data para recopilar y refinar datos y generar datos matriciales).
Las palabras se clasificaron según la frecuencia de aparición, para analizar los datos no
estructurados. La tabla 1 muestra los 25 hoteles recomendados y el número de reseñas de cada
hotel. Se recopiló un total de 8448 reseñas y se extrajeron 8229 reseñas y 314 813 palabras,
excluyendo los datos que no eran legibles o que solo tenían calificaciones sin contenido de reseña.
El período de recopilación de datos fue desde diciembre de 2019, cuando apareció por primera vez el COVID19, hasta
Machine Translated by Google
julio de 2021, para determinar si hubo implicaciones diferentes de un estudio anterior de Ban,
Choi, Choi, Lee y Kim [44], quienes realizaron investigaciones utilizando reseñas de hoteles en línea antes
la pandemia de COVID19, por lo que se trata de un estudio longitudinal.
Tabla 1. Número de reseñas según la fuente de clasificación de hoteles de 2021 del sitio web de Tripadvisor.
Se realizó un análisis factorial para recuperar los principales factores que afectan la satisfacción
del cliente del hotel, utilizando 55 de las 90 palabras más frecuentes. Además, el análisis de regresión lineal,
que constaba de cuatro variables independientes derivadas del análisis factorial y del análisis general.
calificaciones como variable dependiente, se realizó para verificar la siguiente hipótesis:
La experiencia del hotel mostrada en la reseña en línea se puede utilizar para explicar la satisfacción del cliente.
4. Resultados
Rango Palabra Frec. Rango TFIDF Palabra Frec. Rango TFIDF Palabra Frec. TFIDF
apareció con alta frecuencia. En cuanto al número de reseñas de hoteles en línea, aunque
el “Gran Hotel Ciudad de México” ocupó el puesto 20 en la marca hotelera entre 25
hoteles, registró el mayor número de reseñas, con 2064, lo que sugiere que las dos
palabras “ciudad” y “ México” tienen alta visibilidad web. También eran comunes palabras
relacionadas con la ubicación o el nombre del hotel, como “ciudad”, “ritz carlton”, “chandy”,
“mandapa”, “ lisboa” y “francia”, al igual que palabras como “experiencia”, “viaje”,
“aventura”, “familia”, “seguridad” y “precio”, que podrían reflejar el propósito del viaje.
Frec. Rango coef Rango coef Rango Frec. Rango coef Coef de rango Rango
Los nombres de los grupos (destino, entorno físico, servicio y propósito del viaje)
reflejan las características de las palabras incluidas en cada grupo. El grupo de destino
incluye palabras relacionadas con marcas de hoteles o lugares turísticos (por ejemplo, “Francia”, “waldorf”), así como
como términos generales como “localizar” o “estación”. El clúster de entorno físico contiene
palabras relacionadas con instalaciones, como “balcón” o “jardín”. El grupo de servicios contiene
conceptos: alimentos y bebidas (F&B) y servicio de personal. F&B contiene palabras como "buffet"
y “restaurante”, mientras que el servicio del personal incluye palabras como “atención” y “hospitalidad”,
y es importante señalar que los consumidores tienden a considerar el servicio del personal y la calidad del
Servicio a la hora de elegir un hotel. El grupo final, propósito del viaje, contiene palabras relacionadas
propósito como “conferencia” y “aventura”, además de incluir palabras relacionadas con
Machine Translated by Google
astoria/residencia/francia/villa/mundo/ residencia/hamansi/localizar/
amsterdam/isla/localizar/hamansi/estación/ chandys/seminyak/resort/
Destino lisboa/mexico/hacienda/ciudad/belgrave/chandys/tokoriki/ ritz carlton/hotel/lugar/ciudad/
zermatt/wardorf/mandapa/belice/seminyak/ mandapa/ciudad/hacienda/
ciudad/ritzcarlton/hotel/lugar/resort México/estación
ascensor/personalizado/recepción/construcción/parque/ entrada/propiedad/instalaciones/terraza/
jardín/terraza/habitación/ambiente/arquitectura/ recepción/parque/arquitectura/ambiente/
Entorno físico
entrada/balcón/baño/ambiente/ habitación/baño/ambiente/
ventana/instalación/decorar/ambiente/propiedad ambientar/decorar
buffet/todos/gracias/esperar/gestionar/bebida/
buffet/agradecimiento/brunch/restaurante/
servir/servicio/almuerzo/empleado/noche/personal/
desayuno/comida/excelente/personal/calidad/
Servicio calidad/variedad/comida/todo/café/
servicio/atención/seguridad/variedad/
desayuno/excelente/atención/opción/amenidad/
hospitalidad/empleado/
hospitalidad/restaurante/cena/invitado/clase/
todo el mundo, todo
seguridad/tarde
conferencia/historia/momento/aventura/
conferencia/aventura/vacaciones/
estancia/vacaciones/precio/personas/alojamiento/
Propósito del viaje precio/alojamiento/familia/amigo/
amigo/familia/vista/viaje/lujo/
ver/viaje/experiencia/estancia
experiencia
Personal 0.982
Servicio Calidad 0,968 3.214 6.839
Servicio 0,661
Instalación 0.981
Ambientes físicos Ambiente 0,947 2.199 4.678
habitación 0,654
Restaurante 0,943
Comida 1.645 3.500
Desalmuerzo 0,893
ciudad 0,922
Ubicación 1.617 3.440
México 0,878
Varianza total (%) = 18,458
KMO = 0,671
Chicuadrado de Bartlett (p) = 84.453,902 (p < 0,001)
Machine Translated by Google
relacionado negativamente con la satisfacción del cliente. Con base en estos resultados, la ecuación de regresión
se puede expresar de la siguiente manera:
No estandarizado Estandarizado
Coef. Coef. t
Modelo pag
Notas: Variable dependiente: Satisfacción del Cliente (CS); R2 = 0,100; R2 ajustado = 0,100; F = 2,573, p < 0,05.
***
p < 0,001, ** p < 0,05, * p < 0,1.
El factor Servicio (S) tiene los coeficientes estandarizados más altos, lo que significa que el personal
El servicio es el factor esencial asociado a la satisfacción del cliente. El factor comedor (D)
Se descubrió que influye negativamente en la satisfacción del cliente, lo que indica que los clientes tienen
una visión negativa del factor comedor, que incluía palabras como restaurante y brunch.
5. Discusión y conclusiones
Este estudio se realizó para evaluar la experiencia y satisfacción de los clientes en función
en reseñas en línea. Las palabras clave se obtuvieron mediante minería de textos y análisis de frecuencia.
Luego se realizó. Se extrajeron las 90 palabras más frecuentes y el grado y
Se realizaron análisis de centralidad de vectores propios para determinar la relación entre
palabras clave. Luego se adoptó el análisis CONCOR para generar cuatro grupos: destino,
entorno físico, servicio y propósito del viaje.
Estos resultados son similares a los encontrados en un estudio previo de Ban et al. [44], quien
nombró una agrupación similar de cuatro grupos: servicio intangible, entorno físico,
ubicación y propósito. Tanto ese estudio como el presente encontraron factores relacionados con la
atributos esenciales del hotel, lo que sugiere que aumentar la satisfacción con estos atributos
es fundamental para formar un eWOM positivo. En general, este trabajo estableció que las dimensiones
relacionados con diversas instalaciones, ubicación, servicio y alimentos y bebidas contribuyen significativamente
para mejorar la experiencia del cliente del hotel. Estos hallazgos reafirman los argumentos existentes.
sobre la complejidad y diversidad de la experiencia hotelera, que abarca varios encuentros
Machine Translated by Google
con precios de alimentos y bebidas, calidad, seguridad, servicio mejorado, sensación general, imagen,
condiciones cómodas y ubicación [11]. Este trabajo contribuye a la comprensión de los atributos de
selección de hoteles del cliente que son un requisito previo para mejorar la calidad del servicio y mejorar
la satisfacción del cliente para obtener una ventaja competitiva. Además, las palabras clave se
visualizaron dibujando redes y nodos utilizando NetDraw en UCINET 6.0. Se realizaron análisis
factoriales y de regresión lineal para determinar las relaciones entre los factores extraídos y la
satisfacción del cliente.
Este estudio proporciona cinco implicaciones académicas y prácticas basadas en los resultados
de la investigación. En cuanto a las implicaciones teóricas, este estudio demuestra la importancia de
ampliar el área de aplicación del análisis de redes semánticas. Este trabajo amplía nuestro conocimiento
y sirve como punto de referencia para investigadores y partes interesadas sobre los factores que
proporcionan resultados agradables dentro del contexto hotelero. Dada la importancia del sector hotelero
en la industria turística, este estudio exploró empíricamente la experiencia y satisfacción hotelera a
través del análisis de big data. Comprender las reseñas en línea como una expresión de la experiencia
del cliente puede ayudar a la industria hotelera a identificar los atributos clave necesarios para lograr
una intención de recompra positiva y aumentar los ingresos. Las reseñas en línea proporcionan una
manera eficiente para que la industria hotelera recopile comentarios de los clientes del hotel y descubra
cómo generar una intención positiva de volver a visitar después de la experiencia.
En segundo lugar, el uso de un análisis de redes semánticas proporciona una herramienta valiosa
para explorar los comentarios de los clientes sobre sus experiencias hoteleras. Este método revela
características que explican por qué los clientes evalúan positiva o negativamente su experiencia en el
hotel. Al analizar los comentarios de los clientes, podemos evaluar el poder y el significado de las
palabras comúnmente utilizadas por los clientes cuando comparten sus experiencias y cómo esas
elecciones de palabras pueden informar las recomendaciones a través de fuentes en línea. El poder
expresado en palabras contiene las expresiones y evaluaciones de las experiencias de los clientes y
sirve como base para comprender la realidad de sus experiencias.
En tercer lugar, en términos de implicaciones prácticas, el “servicio” es un factor importante
que influye en la satisfacción del cliente (como en estudios anteriores [46,47]), y un resultado más
notable es que los clientes esperan recibir un servicio más atento durante la COVID19. Por lo
tanto, los gerentes u operadores de la industria hotelera deberían prestar más atención a mantener
la calidad estándar del servicio y brindar un servicio más proactivo o adicional a los clientes durante
esta pandemia. Ofrecer un servicio con una hospitalidad cálida y sincera puede generar eWOM
positivo y satisfacción, como se muestra en las siguientes citas de reseñas en línea: “José Luis y
Víctor siempre nos recibieron con una gran sonrisa, probablemente uno de los mejores tratos que
he tenido en un hotel”. y “¡El personal es simplemente increíble! Hacen todo lo posible para que te
sientas cómodo y bienvenido.” Un servicio adecuado del personal en el punto de servicio genera
críticas positivas, que a su vez forman una imagen positiva del hotel. Existe una necesidad de
educación y formación continua y sistemática para motivar a los empleados con un pensamiento centrado en
En cuarto lugar, es digno de mención para los operadores y gerentes de hoteles que cenar influye
negativamente en la satisfacción del cliente. Un cliente mencionó el restaurante y el brunch en su reseña
y afirmó que no estaba satisfecho con la experiencia gastronómica. Esto indica que los clientes que
utilizan el hotel están pagando el mismo costo que antes de la pandemia, pero tienen restringido el uso
de algunas instalaciones (como restaurantes) debido al COVID19 o no pueden recibir servicios
regulares. Debido al COVID19, las restricciones a los restaurantes que confinan a muchas personas
en un espacio estrecho son inevitables, pero es necesaria la consideración por parte del hotel para
garantizar que los clientes no se sientan incómodos. Por ejemplo, el hotel podría ofrecer un servicio en
el que los clientes puedan comer en la habitación todo el menú del restaurante . Utilizando una
aplicación móvil, el hotel podía entregar la comida solicitada en la habitación sin contactar a otras
personas. Si se implementa este excepcional servicio de comidas, podría afectar la satisfacción del
cliente, la intención de volver a visitar y un WOM positivo. Se necesita un servicio que no cause
molestias a los clientes a pesar de la disponibilidad limitada de servicios de alimentos y bebidas debido
al COVID19. Si el hotel minimiza el contacto con los empleados y ofrece un servicio que permite al
cliente cenar en un espacio privado a través de un servicio de delivery o hacer un pedido a través de
una aplicación móvil y ver el proceso de cocción en la pantalla, no habrá problemas con
Machine Translated by Google
Surgirían situaciones de higiene o limpieza que preocupan especialmente a los clientes con el COVID19 .
Finalmente, las reseñas online son una fuente de información para que los clientes potenciales tomen
decisiones. Teniendo en cuenta que la toma de decisiones turísticas a través de Internet está aumentando
rápidamente, este estudio puede guiar la estrategia de marketing hotelero, el funcionamiento de las instalaciones
y la gestión de quejas a través del análisis de big data de las reseñas en línea.
Este estudio tiene algunas limitaciones y los resultados deben interpretarse con precaución; Estas
limitaciones también proporcionan sugerencias para futuras investigaciones. En primer lugar, se recopilaron
reseñas en línea de Google, el motor de búsqueda más grande del mundo. Sin embargo, existe la posibilidad
de que el uso de un canal en línea específico no capture todas las preferencias de los clientes, por lo que, para
que sean representativos, las muestras futuras deben basarse en análisis de varios sitios web y deben utilizar
datos de muchos años. En segundo lugar, no es fácil comprender el significado adicional de las palabras al
analizar su frecuencia. Las investigaciones futuras deberían adoptar un análisis más detallado de los aspectos
positivos y negativos, y el análisis sentimental podría aclarar mejor la experiencia y la satisfacción del cliente.
Finalmente, en este estudio, se recogieron y analizaron opiniones de 25 hoteles recomendados por TripAdvisor
en Google Travel. Sin embargo, la cantidad de datos de reseñas recopilados para cada hotel difirió ampliamente
debido a los diferentes tamaños, tipos y costos promedio de los hoteles considerados. Los estudios futuros
deberían recopilar y analizar datos de reseñas de hoteles que comparten las mismas características para
obtener resultados de investigación más significativos.
Contribuciones de los autores: Y.JK y H.SK diseñaron el modelo de investigación, analizaron los datos de las revisiones en línea y escribieron
el artículo. Todos los autores han leído y aceptado la versión publicada del manuscrito.
Financiamiento: Este trabajo fue apoyado por el Ministerio de Educación de la República de Corea y la Fundación Nacional de Investigación
de Corea (NRF2019S1A5A2A03049170).
Referencias
1. Cheung, CM; Lee, MK Qué impulsa a los consumidores a difundir el boca a boca electrónico en plataformas de opinión de consumidores en línea.
Decide. Sistema de soporte 2012, 53, 218–225. [Referencia cruzada]
2. Parque, J.; Hyun, H.; Thavisay, T. Un estudio de antecedentes y resultados del WOM de las redes sociales hacia la intención de compra de marcas de lujo. J. Comercio minorista.
Consumir. Serv. 2021, 58, 102272. [Referencia cruzada]
3. Schindler, RM; Bickart, B. Características de los comentarios de los consumidores en línea valorados para tareas de compra hedónicas y utilitarias. Adv.
Consumir. Res. 2002, 29, 428–429.
4. Rosario, AB; de Valck, K.; Sotgiu, F. Conceptualizando el proceso electrónico del boca a boca: lo que sabemos y necesitamos saber
sobre la creación, exposición y evaluación de eWOM. Acad. Marca. Ciencia. Rev. 2020, 48, 422–448. [Referencia cruzada]
5. Cheung, CM; Thadani, DR El impacto de la comunicación electrónica de boca en boca: un análisis de la literatura y un modelo integrador. Decide. Sistema de soporte 2012, 54, 461–470.
[Referencia cruzada]
6. Khoa, BT; Khanh, T. El impacto del boca a boca electrónico en la intención de admisión a una universidad privada. Ing. de pruebas. Gestionar.
2020, 83, 14956–14970.
7. Filieri, R.; McLeay, F. EWOM y el alojamiento: un análisis de los factores que influyen en la adopción de la información de las reseñas en línea por parte de los viajeros. J. Res. de
viajes. 2014, 53, 44–57. [Referencia cruzada]
8. Boo, S.; Busser, JA Reseñas en línea de los organizadores de reuniones sobre hoteles de destino: un doble enfoque de análisis de contenido. Recorrido. Gestionar.
2018, 66, 287–301. [Referencia cruzada]
9. Wang, L.; Wang, XK; Peng, JJ; Wang, JQ Las diferencias en la selección de hoteles entre varios tipos de viajeros: un análisis comparativo con un modelo útil de apoyo a las decisiones
conductuales de racionalidad limitada. Recorrido. Gestionar. 2020, 76, 103961. [Referencia cruzada]
10. Nie, RX; Tian, ZP; Wang, JQ; Chin, KS Selección de hoteles basada en reseñas textuales en línea: aplicación de una partición semántica
Diccionario de sentimientos y teoría de la evidencia. En t. J.Hosp. Gestionar. 2020, 88, 102495. [Referencia cruzada]
11. Lewis, RC Aislar diferencias en los atributos del hotel. Hotel Cornell. Restaurar. Adm. Q. 1984, 25, 64–77. [Referencia cruzada]
12. Chow, KE; Garretson, JA; Kurtz, DL Un estudio exploratorio sobre el proceso de decisión de compra utilizado por los viajeros de placer en la selección de hoteles. J.Hosp. Marca.
Gestionar. 1995, 2, 53–72. [Referencia cruzada]
13. Shanahan, KJ; Hyman, MR Un estudio exploratorio de los atributos hoteleros deseados por los turistas estadounidenses que vacacionan en China y
Irlanda. J. Vacat. Marca. 2007, 13, 107118. [Referencia cruzada]
14. Arboledas, RM; Lyberg, L. Error total de la encuesta: pasado, presente y futuro. Opinión pública. P. 2010, 74, 849–879. [Referencia cruzada]
Machine Translated by Google
15. Lee, HJ Análisis de reseñas en línea sobre Gyeongbokgung: uso de datos en tripadvisor.com. En t. J. Gira. Ciencia. 2017, 32, 297–318. [Referencia cruzada]
16. Filieri, R.; Mariani, M. El papel de los valores culturales en la evaluación de los consumidores de la utilidad de las reseñas en línea: un enfoque de big data. En t.
Marca. Rev. 2021, 38, 1267–1288. [Referencia cruzada]
17. Mariani, M.; Borghi, M. Discurso ambiental en reseñas de hoteles en línea: un análisis de big data. J. Sostener. Recorrido. 2020, 29, 829–848.
[Referencia cruzada]
18. GonzálezPorras, JL; RuizAlba, JL; MoralesMediano, J. Orientación al cliente y eWOM en el sector hotelero. En t. J.Internet
Marca. Propaganda. 2021, 15, 302–326. [Referencia cruzada]
19. Prohibición, HJ; Kim, HS Comprender la experiencia y la satisfacción del cliente a través de las reseñas en línea de los pasajeros de las aerolíneas. Sostenibilidad
2019, 11, 4066. [Referencia cruzada]
20. Aakash, A.; Tandón, A.; Gupta Aggarwal, A. Cómo las funciones integradas en eWOM predicen la satisfacción de los huéspedes del hotel: una aplicación de redes neuronales artificiales. J.Hosp.
Marca. Gestionar. 2021, 30, 486–507. [Referencia cruzada]
21. Verma, S.; Yadav, N. Pasado, presente y futuro del boca a boca electrónico (EWOM). J. Interactuar. Marca. 2021, 53, 111–128. [Referencia cruzada]
22. Xiang, Z.; Schwartz, Z.; Gerdes, JH, Jr.; Uysal, M. ¿Qué nos pueden decir los big data y el análisis de texto sobre la experiencia y la satisfacción de los huéspedes del hotel? En t. J.Hosp. Gestionar.
2015, 44, 120130. [Referencia cruzada]
23. Kim, S.; Kandampully, J.; Bilgihan, A. La influencia de las comunicaciones eWOM: una aplicación de red social en línea
estructura. Computadora. Tararear. Comportamiento. 2018, 80, 243–254. [Referencia cruzada]
24. Xiang, Z.; Gretzel, U. Papel de las redes sociales en la búsqueda de información de viajes en línea. Recorrido. Gestionar. 2010, 31, 179–188. [Referencia cruzada]
25. De Bruyn, A.; Lilien, GL Un modelo de múltiples etapas de influencia del boca a boca a través del marketing viral. En t. J.Res. Marca. 2008, 25,
151–163. [Referencia cruzada]
26. Vermeulen, IE; Seegers, D. Probado y probado: El impacto de las reseñas de hoteles en línea en la consideración del consumidor. Recorrido. Gestionar. 2009,
30, 123127. [Referencia cruzada]
27. Stringam, BB; Gerdes, J., Jr.; Vanleeuwen, DM Evaluación de la importancia y las relaciones de las calificaciones en las opiniones de viajeros generadas por los usuarios. J. Calificación. Asegurar.
Hosp. Recorrido. 2010, 11, 73–92. [Referencia cruzada]
28. Schmitt, B. Marketing experiencial. J. Marcos. Gestionar. 1999, 15, 53–67. [Referencia cruzada]
29. Meyer, C.; Schwager, A. Comprender la experiencia del cliente. Harv. Autobús. Rev.2007 , 85, 116.
30. Kim, HS; Noh, Y. Obtención de factores de diseño a través del análisis de big data de opiniones de clientes en línea sobre lavadoras. J.
Mec. Ciencia. Tecnología. 2019, 33, 2785–2795. [Referencia cruzada]
31. Anderson, EW; Fornell, C.; Lehmann, DR Satisfacción del cliente, participación de mercado y rentabilidad: hallazgos de Suecia. J.
Marca. 1994, 58, 53–66. [Referencia cruzada]
32. Kotler, P.; Bowen, PJ; Makens, J. Marketing para hostelería y turismo; PrenticeHall: Hoboken, Nueva Jersey, EE. UU., 1996.
33. Knutson, BJ Diez leyes de satisfacción del cliente. Restaurante del hotel Cornell. Adm. Q. 1988, 29, 1417. [Referencia cruzada]
34. Verma, VK; Chandra, B. Sostenibilidad y comportamiento de elección de hotel de los clientes: un enfoque de análisis conjunto basado en la elección.
Reinar. Desarrollo. Sostener. 2018, 20, 1347–1363. [Referencia cruzada]
35. Loh, S.; De Oliveira, JPM; Gastal, FL Descubrimiento de conocimientos en documentación textual: análisis cualitativos y cuantitativos. J.
Doc. 2001, 57, 577–590. [Referencia cruzada]
36. Hotho, A.; Núremberger, A.; Paaß, G. Un breve estudio sobre la minería de textos. Foro LDV 2005, 20, 19–62.
37. Fan, W.; Wallace, L.; Rico, S.; Zhang, Z. Aprovechando el poder de la minería de textos. Comunitario. ACM 2006, 49, 76–82. [Referencia cruzada]
38. Feldman, R.; Sanger, J. El manual de minería de textos: enfoques avanzados para el análisis de datos no estructurados; Cambridge University Press: Cambridge, Reino Unido, 2007.
39. Stepchenkova, S.; Morrison, AM Imagen del destino de Rusia entre los viajeros de placer estadounidenses: revisando a Echtner y Ritchie.
Recorrido. Gestionar. 2008, 29, 548–560. [Referencia cruzada]
40. Él, W.; Zha, S.; Li, L. Análisis competitivo de redes sociales y minería de textos: un estudio de caso en la industria de la pizza. En t. J.Inf. Gestionar. Ciencia.
2013, 33, 464–472. [Referencia cruzada]
41. Espósito, F.; Ferilli, S.; Basile, TM; Di Mauro, N. Redes sociales y aprendizaje relacional estadístico: una encuesta. En t. J. Soc. Neto.
Mín. 2012, 1, 185–208. [Referencia cruzada]
42. Wasserman, S.; Fausto, K. Análisis de redes sociales: métodos y aplicaciones; Cambridge University Press: Cambridge, Reino Unido, 1994.
43. Tao, S.; Kim, HS Cruising in Asia: ¿Qué podemos extraer de las reseñas de cruceros en línea para comprender su experiencia y satisfacción?
Asia Pacífico. J. Gira. Res. 2019, 24, 514–528. [Referencia cruzada]
44. Prohibición, HJ; Choi, H.; Choi, EK; Lee, S.; Kim, HS Investigación de atributos clave en la experiencia y satisfacción del cliente de un hotel
utilizando datos de revisión en línea. Sostenibilidad 2019, 11, 6570. [CrossRef]
45. Freeman, LC; Roeder, D.; Mulholland, RR Centralidad en las redes sociales: II. Resultados experimentales. Soc. Neto. 1979, 2, 119–141.
[Referencia cruzada]
46. Kim, YJ; Kim, HS; Kim, HS Comprensión de los efectos de COVID19 en la percepción de Starbucks a través del análisis de big data: un estudio comparativo. Culín. Ciencia. Hos. Res. 2021, 27,
114.
47. Prohibición, HJ; Kim, HS Análisis de redes semánticas de paquetes hoteleros a través de big data. Culín. Ciencia. Hos. Res. 2019, 25, 110119.