Machine Translated by Google
sostenibilidad
Artículo
El impacto de la experiencia del cliente hotelero en el cliente
Satisfacción a través de reseñas en línea
Yae Ji Kim 1 y Hak­Seon Kim 2,3,*
Cita: Kim, Y.­J.; Kim, H.­S. El impacto de
la experiencia del cliente hotelero en la
satisfacción del cliente a través de
reseñas en línea. Sostenibilidad 2022, 14,
848. https://doi.org/10.3390/
su14020848
Editor académico: Ja­Shen Chen
Recibido: 27 de octubre de 2021
Aceptado: 7 de enero de 2022
Publicado: 12 de enero de 2022
Nota del editor: MDPI se mantiene neutral con
respecto a reclamos jurisdiccionales en mapas
publicados y afiliaciones institucionales.
iaciones.
Copyright: © 2022 por los autores.
Licenciatario MDPI, Basilea, Suiza.
Este artículo es un artículo de acceso abierto.
distribuido bajo los términos y
condiciones de los Creative Commons
Licencia de atribución (CC BY) (https://
creativecommons.org/licenses/by/
4.0/).
Sostenibilidad 2022, 14, 848. https://doi.org/10.3390/su14020848
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.
Palabras clave: revisión en línea; experiencia del cliente; la satisfacción del cliente; atributo de selección; extracción de
textos; análisis de redes semánticas
1. Introducción
Cuando los turistas planean viajar y reservar alojamiento, a menudo buscan hoteles en los que
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
popularidad de Internet, el boca a boca electrónico (eWOM) está adquiriendo importancia [1,2], a medida
que los consumidores comienzan a confiar en el WOM transmitido por Internet. Internet [3,4]. Comúnmente,
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.
Debido a que las características del campo de servicio no son como las de los productos tangibles,
es difícil determinar la situación real de un hotel hasta que el cliente la haya experimentado [8]. En este
caso, eWOM proporciona datos valiosos que reflejan las características de los consumidores y las
percepciones de satisfacción con el servicio. La experiencia del servicio mencionada en eWOM implica
así los principales atributos y niveles de calidad del producto o servicio considerado por el cliente [ 9], y
eWOM puede afectar significativamente las decisiones de compra de los turistas y el desempeño comercial
de los hoteles [10].
https://www.mdpi.com/journal/sustainability
Machine Translated by Google

Sostenibilidad 2022, 14, 848 2 de 13

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

2.1. Boca a boca electrónica

El comercio electrónico tiene un énfasis estratégico para las empresas y los consumidores, y WOM ha
sido reconceptualizado como eWOM ya que el WOM tradicional cara a cara se está transformando en eWOM,
ya que los consumidores pueden obtener información sobre productos o servicios en línea antes de tomar una
decisión de compra [20 ,21]. Al comprar productos o servicios intangibles, los consumidores tienden a confiar
más en eWOM para productos o servicios que no han usado o experimentado antes [22], ya que esto ayuda a
los clientes a obtener información específica influenciada por los atributos de selección de los clientes y las
experiencias, opiniones y fotografías personales compartidas. , reseñas de hoteles y sugerencias de vacaciones
[23].
Los sitios web de reseñas en línea como Tripadvisor sirven como una plataforma esencial para que los
consumidores compartan experiencias de compra y expresen sus opiniones sobre productos y servicios [24].
Las reseñas intercambiadas entre consumidores contienen información sobre la experiencia del usuario y
cómo se percibe esa experiencia [25], de modo que es más probable que los clientes confíen en eWOM que
en la información proporcionada por los vendedores [22]. Al leer las reseñas de otras personas, los
consumidores potenciales construyen mejor su interpretación del producto y se vuelven más conscientes de
los riesgos de sus transacciones. Vermeulen y Seegers [26] descubrieron que la exposición de los consumidores
a las reseñas online mejoraba la probabilidad de reservar un hotel. Stringam, Gerdes y Vanleeuwen [27]
analizaron reseñas en Expedia.com, plataformas de agencias de viajes en línea y descubrió que la evaluación
de satisfacción general tenía una alta correlación entre las intenciones de recomendación. Ban y Kim [19]
analizaron las reseñas en línea en Skytrax.com e identificaron cuantitativamente la relación entre seis factores
de evaluación (comodidad del asiento, personal, comida y bebida, entretenimiento, servicio en tierra y relación
calidad­precio), satisfacción del cliente,
y recomendaciones.
Por lo tanto, este estudio investiga la experiencia del cliente a través del análisis de extracción de
textos de reseñas de productos hoteleros, que son productos de experiencia representativos muy afectados
por las reseñas en línea.

2.2. Experiencia y satisfacción del cliente

La experiencia del cliente, que significa que un individuo ha experimentado los bienes o servicios de
una empresa como consumidor, fue conceptualizada por primera vez por Schmitt [28] como compuesta de
experiencias sensoriales, emocionales, cognitivas, conductuales y relacionales. Meyer y Schwager [29]
definieron la experiencia del cliente como la respuesta personal/subjetiva del cliente al contacto directo/
indirecto con una empresa en cualquier forma. La experiencia del cliente se recuerda positiva o negativamente
dependiendo de la situación del cliente, lo que conduce
Machine Translated by Google

Sostenibilidad 2022, 14, 848 3 de 13

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].

2.3. Análisis de Big Data

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.

Figura 1. Proceso de minería de textos, fuente Ban y Kim [19].

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

Sostenibilidad 2022, 14, 848 4 de 13

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).

Figura 2. Captura de pantalla de la reseña de un cliente en Google Travel.

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

Sostenibilidad 2022, 14, 848 5 de 13

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.

Rango Hotel Contar Rango Hotel Contar

1 Hotel Colline de Francia 332 14 El Ritz­carlton Macao 155

2 LA OMNIA 158 15 Parque Sukhumvit, Bangkok Marriott 336

Apartamentos Ejecutivos
3 Dunas de Sani 84 16 Hotel Ambièz 72
4 Kandolhu Maldivas 45 17 Hamanasi Adventure & Dive Resort, Belice 186
5 HOTEL ACHTIS 65 18 Casa de la moneda en 70 Pine NYC 138
6 Mandapa, una reserva del Ritz­Carlton 382 19 Hotel Jaya House 183
7 Legian Seminyak, Bali 318 20 Gran Hotel Ciudad de México 2064
8 Gardena Grödnerhof Hotel & Spa 52 21 el hari 210
9 Tulemar Bungalows y Villas 55 22 Waldorf Astoria Ámsterdam 225
10 Hacienda Beach Club y Residencias 259 23 Hotel histórico Corpo Santo Lisboa 333
11 Club Privé de Rixos Belek 38 24 Villa Rosa Kempinski 2123

12 Chandys Windy Woods 525 25 Complejo turístico en la isla de Tokoriki 83

Resort de 5 estrellas en Munnar
13 Complejo turístico en la isla Mirihi 27 Total 8448

3.2. Análisis de los datos

El análisis se realizó según estudios previos [19,30,43,44]. Grandes datos

El análisis se realizó en dos partes: minería de textos y análisis de redes semánticas. Factor
y luego se utilizaron análisis de regresión lineal. Primero, las 90 palabras más frecuentes fueron
extraído a través del proceso de refinación de minería de textos. El lenguaje natural basado en Python
Se utilizó el kit de herramientas. Una palabra vacía se refiere a una palabra de uso común (p. ej., “el”, “a”, “una”,
"en"). El programa ignora las palabras vacías tanto al indexar entradas para la búsqueda como al
al recuperarlos como resultado de una consulta de búsqueda. A través del proceso de refinamiento,
Se eliminaron pronombres, preposiciones y palabras sin sentido, y los datos generados
Incluyó sólo palabras relacionadas con la experiencia del hotel. La palabra matriz (palabra × palabra) fue
luego deducido. Para evaluar la satisfacción general con la experiencia hotelera, se realizó una distribución
Se utilizó una serie de evaluaciones de la experiencia hotelera basadas en la puntuación de calificación, y este 'en general'
calificación' se utilizó como variable dependiente , porque el valor puede tratarse como la variable principal.
variable de salida [43].
En segundo lugar, a partir de los datos matriciales, se visualizó la red de palabras utilizando Ucinet 6.0.
para aclarar la estructura de conexión y la conectividad entre nodos. Red semántica
análisis centrado en las centralidades de grado y vector propio, que son indicadores cuantificados
basado en el concepto de centralidad, disposición y método de medición. Freeman propuso
Centralidad del vector propio como medida de la influencia de un nodo en una red [19,30]. Relativo
Se asignan pesos a todos los nodos de la red, basándose en la idea de que las conexiones a
nodos de alta puntuación contribuyen más a la puntuación del nodo en cuestión que un número igual de
enlaces a nodos de baja puntuación [45]. Finalmente, CONCOR (CONvergencia de CORrelación iterada)
Se realizó un análisis para segmentar las palabras y adquirir las dimensiones de cliente del hotel.
experiencia. El análisis CONCOR se realizó repetidamente para encontrar las conexiones y
relaciones entre las palabras y los grupos de similitud formando grupos que incluyen
palabras clave [42]. Los resultados se visualizaron con Netdraw para proporcionar una visión más intuicionista.
visualización de la segmentación de las palabras más frecuentes utilizadas por los clientes.
Finalmente, se realizó un análisis cuantitativo. Al integrar los resultados del análisis CONCOR
y una comparación de la frecuencia y centralidad de las palabras, se seleccionaron palabras para
Análisis adicionales de regresión factorial y lineal utilizando variables ficticias. Tao y Kim [43]
palabras investigadas relacionadas con la experiencia del cliente con el mayor poder explicativo para
satisfacción del cliente y realizó un estudio sobre palabras de alta frecuencia. Estas palabras de alta frecuencia
finalmente se consideraron apropiadas debido a la alta expresión de Freeman.
centralidad en demostrar la relevancia de las palabras y variables enfocadas en revelar comunidades en combinación con
elementos clave en los resultados de CONCOR.
Machine Translated by Google

Sostenibilidad 2022, 14, 848 6 de 13

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

4.1. Análisis de frecuencia

Los datos se transformaron de información no estructurada, como oraciones, a datos estructurados,
como palabras individuales y su correspondiente frecuencia. Un total de 314.813 palabras.
fueron recolectados. Después de eliminar palabras repetidas, innecesarias y de baja frecuencia, un total de
Se extrajeron 90 palabras de alta frecuencia . La tabla 2 muestra las 90 palabras de mayor frecuencia.
con Término Frecuencia­Frecuencia de Documento Inversa (TF­IDF). La Figura 3 ilustra la visibilidad
en la red de estas 90 palabras de mayor frecuencia.

Tabla 2. Las 90 palabras más frecuentes con TF­IDF de la revisión en línea.

Rango Palabra Frec. Rango TF­IDF Palabra Frec. Rango TF­IDF Palabra Frec. TF­IDF

servicio 2523 4027 31 calidad 253 908/33 61 opción 120 553

1 ciudad 2104 2892/3 32 waldorf 252 967 62 café 120 550
2 méxico 2085 2882/4 33 astoria 243 873/36 63 ventana 119 564
3 hotel 1244 2899/2 34 familia 238 927 64 variedad 119 543
4 restaurante 893 2412 35 gente 231 907 65 noche 118 545
5 complejo 798 2303/6 36 223 893 66 momento 115 555
6 lugar 701 1865 37 huésped 216 836 67 villa 114 508
7 experiencia 671 1892 38 214 863 68 brunch 112 555
8 desayuno 651 1902 39 212
hospitalidad lujo belgrave 791/43 69 gracias 102 471
9 localizar 620 1792 40 belice 209 794/42 70 parque de 100 471
10 ritz carlton 572 1510/14 41 isla 209 822 71 98 470
11 personal 551 1509/15 42 personalizada 202 834 72 vacaciones clase 97 449
12 de 544 1595 43 propiedad 198 817 73 entrada 96 473
13 chandy todo 507 1618 44 ambiente 194 742 74 95 453
14 viaje 478 1364 45 cena 177 733 75 ciudad decorar 94 470
15 atención 458 1571 46 recepción 175 745 76 Zermatt 94 504/69
16 mandapa 440 1350/18 47 arquitectura 172 751 77 Tokoriki 93 429/81
17 lisboa 412 1317/19 48 todos 166 694 78 conferencia 92 430
18 atender 402 1228 49 seguridad 155 historia 667 79 de servicios 90 428
19 francia 377 1202/2 3 50 153 precio 151 atmósfera 703 80 baño de 90 446
20 hamanasi 377 1424/16 51 151 150 administrar 667 81 empleados 89 423
21 seminyak 352 1143/25 52 bebida 146 construir 142 657 82 jardín 89 431
22 terraza 341 1284 53 comida 657 83 ascensor 88 438
23 aventura 314 1179 54 142 acomodar 131 ver 636 84 entorno 86 409
24 habitación 313 1019 55 12 9 amigo 127 estación 643 85 mundial 85 408
25 311 1243 56 121 596 86 84 389
26 278 1037 57 586 87 estancia 84 384
27 instalaciones 276 941 58 5 70 88 83 415
28 de buffet 275 987/28 59 573 89 excelente 82 422
29 30 residencia amsterdam2hacienda
64 910/32 60 577 90 espera tarde balcon 82 404

El modelo de ponderación TF­IDF evalúa la importancia de las palabras dentro de un documento.

extracción de textos. TF­IDF es un valor que se obtiene multiplicando TF e IDF, y cuanto mayor sea el
puntuación, cuanto menos frecuentemente aparece la palabra en otros documentos y más frecuentemente
aparece en el documento considerado. Es más probable que una palabra con un valor TF­IDF mayor
determinar el tema o significado del documento al que pertenece, y este puede ser utilizado
como medida para extraer palabras clave críticas. Por ejemplo, las palabras que indican la ubicación o
incluidas en marcas hoteleras, como “ciudad” o “méxico”, que ocupan el segundo y tercer lugar en el ranking.
clasificación de frecuencia, tienen un TF­IDF de 2892 y 2882, respectivamente, y las clasificaciones TF­IDF
también ocupan un lugar destacado, en el tercer y cuarto lugar. Palabras que representan la marca o ubicación del hotel.
Había palabras significativas en los datos de la revisión.
Es innegable pero sorprendente que “servicio” tuviera la mayor frecuencia, y esto
implica que, para los consumidores hoteleros, el servicio del hotel es el aspecto que más mencionan. Allá
También había palabras relacionadas con el servicio, como “restaurante”, “experiencia” y “personal”, que
Machine Translated by Google

Sostenibilidad 2022, 14, 848 7 de 13

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.

Figura 3. Visualización de palabras clave.

4.2. Análisis de redes semánticas

El análisis de redes semánticas identifica la relación entre palabras y expresa su conexión en la
red [44]. Se calculó la centralidad de las 90 palabras más frecuentes , se comparó con la frecuencia de
las palabras y se resumió en la Tabla 3, en la que se describen las 50 palabras más frecuentes. Como
resultado, se ha demostrado que palabras como “servicio”, “hotel”, “restaurante”, “experiencia” y
“desayuno” tienen alta frecuencia y centralidad. En gran medida, esto indica que estas palabras fueron
utilizadas con frecuencia por los usuarios en línea y están estrechamente asociadas con otros nodos
de la red semántica.
Palabras como “lugar”, “instalación” y “seguridad” tuvieron una clasificación de centralidad
relativamente más baja en relación con su alta frecuencia, lo que sugiere que aunque estas palabras
fueron buscadas con frecuencia por los usuarios, su conexión e influencia en relación con otras palabras es baja.
Palabras como “habitación”, “aventura” y “cena” aparecieron en la distribución opuesta , ya
que no aparecen con tanta frecuencia, mientras que sí se relacionan fuertemente con otros términos
con un valor relativamente alto. Los nodos tienen una gran importancia en la red semántica debido
a su fuerte conexión e influencia sobre otros nodos. La Figura 4 ilustra el resultado del análisis
CONCOR. Se nombraron cuatro conjuntos generados a partir del análisis de redes semánticas en
función de las palabras notables y el significado relacionado dentro de las reseñas en línea. La
Tabla 4 muestra las palabras agrupadas en cada grupo y las palabras destacadas.
Machine Translated by Google

Sostenibilidad 2022, 14, 848 8 de 13

Tabla 3. Comparación del análisis de frecuencia y centralidad de palabras clave.

Frecuencia Grado Vector propio Frecuencia Grado Vector propio

Frec. Rango coef Rango coef Rango Frec. Rango coef Coef de rango Rango

servicio 2523 0,070 1,000 buffet 311 26 0,012 21 0,242 17

hotel 2104 1 0,037 1 0,889 1 278 27 0,007 37 0,129 33
ciudad 2085 2 0,037 3 0,890 3 instalaciones 276 28 0,004 61 0,048 80
méxico 1244 3 0,036 4 0,569 2 residencia 275 29 0,008 33 0,091 48
restaurante 893 4 0,035 5 0,592 5 amsterdam 264 30 0,004 62 0,046 82
resort 798 5 0,039 6 0,514 4 hacienda 253 31 0,007 38 0,080 56
lugar 701 6 0,014 2 0,271 6 waldorf 252 32 0,010 26 0,181 23
experiencia 671 7 0,025 0,368 calidad 243 33 0,007 39 0,076 58
desayuno 651 8 0,024 0,392 astoria 238 34 0,011 24 0,163 24
localizar 620 9 0,020 15 0,343 16 familia 231 35 0,010 27 0,152 27
ritzcarlton 572 10 0,012 7 0,143 97 gente 223 36 0,012 22 0,187 21
chandys 551 11 0,009 8 0,134 10 huésped 216 37 0,006 43 0,091 49
544 12 0,016 10 0,239 29 214 38 0,007 40 0,119 39
personal todo 507 13 0,018 18 0,291 31 hospitalidad 212 39 0,003 75 0,043 86
viaje 478 14 0,020 28 0,307 18 lujo 209 40 0,012 23 0,197 20
atención 458 15 0,014 14 0,300 14 belgrave 209 41 0,009 29 0,186 22
mandapa 440 16 0,012 13 0,138 12 belice 202 42 0,007 41 0,094 45
lisboa 412 17 0,008 11 0,152 13 personalizado 198 43 0,008 34 0,127 34
atender 402 18 0,010 16 0,119 30 isla propiedad 194 44 0,003 76 0,052 77
francia 377 19 0,008 19 0,146 26 ambiente 177 45 0,008 35 0,130 32
hamanasi 377 20 21 0 0,024 0 .375 cena 175 46 0 .006 44 0 0,116 40
seminyak 352 22 0,004 31 25 32 9 60 0.069 38 recepción arquitectura 172 47 0.005 49 0,123 35
aventura 341 23 0,012 20 0,276 28 historial de 166 48 0,009 30 0,155 25
en la terraza 314 24 0,019 12 0,310 8 seguridad 155 49 0,004 63 0,058 73
habitación 313 25 0,013 17 0,198 64 15 11 19 de todos 153 50 0,005 50 0,123 36

Figura 4. Visualización de la CONvergencia del análisis de CORrelación iterado.

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

Sostenibilidad 2022, 14, 848 9 de 13

socialidad, como “familia” y “amigo”. Después de realizar el análisis CONCOR, 55 palabras

Se utilizaron para determinar los principales factores que afectan la satisfacción del cliente del hotel.

Tabla 4. Resultado de CONvergencia del análisis de CORrelación iterado.

Palabras extraídas Palabras significativas

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

4.3. Análisis factorial

Muchas variables de medición se pueden reducir a variables más pequeñas usando varimax
proceso de rotación a través del análisis factorial. Este estudio adoptó los criterios factoriales comunes.
para la extracción de factores. En este estudio, el valor propio estándar es 1,0 o superior, y el
El valor de carga del factor es 0,400 o superior. Carga de variables en dos factores simultáneamente
fueron abandonados. Según los resultados, 10 palabras clave dentro de cuatro factores contribuyeron con el 18,458% de
toda la varianza, y estas se utilizaron como variables independientes para derivar los factores clave
afectando la satisfacción del cliente. Según el Cuadro 5, el índice KMO estaba por encima de 0,6,
indicando una alta correlación entre variables relacionadas. En la prueba de esfericidad de Bartlett, χ 2 fue
84.453,902, siendo la significancia global de la matriz de correlación p < 0,001. Esto significa que
Estos datos son adecuados para el análisis factorial exploratorio. Los cuatro factores fueron nombrados: Servicio
(Factor 1), Entorno físico (Factor 2), Comedor (Factor 3) y Ubicación (Factor 4).
El factor 1 contiene “personal”, “calidad” y “servicio”, que están relacionados con los servicios básicos de
el hotel. El factor 2 contiene “instalaciones”, “entorno” y “habitación”, que están relacionados con
una parte tangible del hotel. El factor 3 contiene "restaurante" y "brunch". El factor 4 consistió
de nombres de sitios concretos, como “ciudad” y “méxico”.

Tabla 5. Resultado del análisis factorial.

Palabras Carga de factores Valor propio Varianza (%)

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

Sostenibilidad 2022, 14, 848 10 de 13

4.4. Análisis de regresión lineal

Se realizó un análisis de regresión para determinar cómo afectan las variables independientes.
la variable dependiente. La calificación de satisfacción del cliente del hotel se utilizó como indicador dependiente.
variable, y los cuatro factores de experiencia del cliente del hotel se utilizaron como factor independiente
variables. Los resultados de refinar las variables a través del análisis factorial arrojaron cuatro independientes
variables: Servicio (S), Entorno Físico (P), Comedor (D) y Ubicación (L), y una
Variable dependiente: Satisfacción del Cliente (CS). Como se puede observar en la Tabla 6, el total
La varianza explicada por los cuatro predictores fue del 10% (R2 = 0,100), y el error estándar de
el valor estimado fue 0,70347. La correlación entre lo independiente y lo dependiente.
variables fue relativamente baja, porque la baja frecuencia de reseñas de hoteles en línea puede no
han incluido cualquiera de los cuatro factores que afectan la experiencia y satisfacción del cliente. Él
Es imposible incluir todas las variables relevantes en el análisis de regresión para estimar la producción.
variables, como la opinión, a partir de datos de minería de textos, por lo que el valor R2 puede ser bajo. De acuerdo a
Estudios previos que utilizan regresión y análisis factorial en reseñas en línea de lavadoras.
y hoteles, los valores R2 fueron 12,5% y 12%, respectivamente [30,44]. Aquí, Servicio (S,
β = 0,027) y Cenar (D, β = −0,021) son significativos en el nivel p < 0,05 y p < 0,1,
respectivamente. El servicio (S) se relaciona positivamente con la satisfacción del cliente, y la comida (D) se relaciona positivamente con la satisfacción del cliente.

relacionado negativamente con la satisfacción del cliente. Con base en estos resultados, la ecuación de regresión
se puede expresar de la siguiente manera:

SC = 4,733 + 0,019S** + 0,004P − 0,015D* − 0,005L

Tabla 6. Resultados del análisis de regresión lineal.

No estandarizado Estandarizado
Coef. Coef. t
Modelo pag

B Estándar Error Beta

(Constante) 4.733 0.008 0.000 610.319***

Servicio (s) 0.019 0.008 0,027 0.014 2.449 **
Ambientes Físicos (P) 0.004 0.008 0.005 0.620 0,496
Comedor (D) −0,015 0.008 −0,021 0.055 −1,916 *
Ubicación (L) −0,005 0.008 −0,007 0.521 −0,642

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

Sostenibilidad 2022, 14, 848 11 de 13

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

Sostenibilidad 2022, 14, 848 12 de 13

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).

Declaración de la Junta de Revisión Institucional: No aplicable.

Declaración de Consentimiento Informado: No aplicable.

Conflictos de intereses: Los autores declaran no tener ningún conflicto de intereses.

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

Sostenibilidad 2022, 14, 848 13 de 13

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.