[論文レビュー] Discovering Airline-Specific Business Intelligence from Online Passenger Reviews: An Unsupervised Text Analytics Approach

Sharan Srinivas, Surya Ramachandiran|arXiv (Cornell University)|Dec 14, 2020

Digital Marketing and Social Media参考文献 47被引用数 6

ひとこと要約

本稿では、99,147件のオンライン乗客レビューから航空会社固有のビジネスインサイトを抽出するために、アンサンブルトピックモデリング（EA-TM）とアンサンブルセンチメント分析（E-SA）を組み合わせた教師なしテキスト分析フレームワークを提案する。文を特定の側面（例：定時性、座席の快適さ）と感情（肯定的、中立的、否定的）に分類することで、アスペクトベースの意見要約を生成し、バイグラム解析により根本的要因を同定する。この手法により、個々のモデルと比較してトピック分類精度が17–23%向上、センチメント分類精度が9–20%向上した。

ABSTRACT

To understand the important dimensions of service quality from the passenger's perspective and tailor service offerings for competitive advantage, airlines can capitalize on the abundantly available online customer reviews (OCR). The objective of this paper is to discover company- and competitor-specific intelligence from OCR using an unsupervised text analytics approach. First, the key aspects (or topics) discussed in the OCR are extracted using three topic models - probabilistic latent semantic analysis (pLSA) and two variants of Latent Dirichlet allocation (LDA-VI and LDA-GS). Subsequently, we propose an ensemble-assisted topic model (EA-TM), which integrates the individual topic models, to classify each review sentence to the most representative aspect. Likewise, to determine the sentiment corresponding to a review sentence, an ensemble sentiment analyzer (E-SA), which combines the predictions of three opinion mining methods (AFINN, SentiStrength, and VADER), is developed. An aspect-based opinion summary (AOS), which provides a snapshot of passenger-perceived strengths and weaknesses of an airline, is established by consolidating the sentiments associated with each aspect. Furthermore, a bi-gram analysis of the labeled OCR is employed to perform root cause analysis within each identified aspect. A case study involving 99,147 airline reviews of a US-based target carrier and four of its competitors is used to validate the proposed approach. The results indicate that a cost- and time-effective performance summary of an airline and its competitors can be obtained from OCR. Finally, besides providing theoretical and managerial implications based on our results, we also provide implications for post-pandemic preparedness in the airline industry considering the unprecedented impact of coronavirus disease 2019 (COVID-19) and predictions on similar pandemics in the future.

研究の動機と目的

• 低満足度と激しい競争が続く中、非構造的オンライン顧客レビュー（OCR）から実行可能な航空会社固有のビジネスインサイトを抽出するというギャップを埋める。
• 偏りがあり、制限が多く、しばしば不自然な回答を生じる伝統的なアンケート手法の限界を克服する。
• 自然言語処理を活用して、スケールに応じた乗客の認識を自動的かつ費用対効果の高い方法で捉える、自動化されたアプローチを開発する。
• 航空会社が主要なサービス側面におけるサービスの強み・弱み、満足・不満の根本的要因を特定できるようにする。
• パンデミック後の戦略的インサイトを提供し、ターゲットを絞った特典とサービス回復策を通じて顧客のロイヤルティを維持する支援を行う。

提案手法

• 3つのトピックモデル（確率的潜在意味分析（pLSA）、変分推論を用いたLDA（LDA-VI）、ギブスサンプリングを用いたLDA（LDA-GS））を用いて、航空会社レビューから主要な側面を抽出する。
• アンサンブル支援トピックモデル（EA-TM）は、3つの個別トピックモデルの予測を統合することで、文単位のアスペクト分類精度を向上させる。
• アンサンブルセンチメントアナライザー（E-SA）は、3つの意見マイニングツール（AFINN、SentiStrength、VADER）の出力を統合することで、センチメント分類の信頼性を向上させる。
• アスペクトベースの意見要約（AOS）は、特定された各アスペクトごとに感情スコアを集約することで生成され、乗客の認識の包括的ビューを提供する。
• ラベル付きレビュー文にバイグラム解析を適用し、肯定的または否定的センチメントの背後にある頻出フレーズと根本的要因を同定する。
• 米国の航空会社とその4つの競合他社の99,147件のレビューを用いた事例研究により、フレームワークの有効性とスケーラビリティが検証された。

実験結果

リサーチクエスチョン

• RQ1 教師なしテキスト分析は、非構造的オンライン顧客レビューから航空会社固有のサービス側面をどのように効果的に抽出できるか？
• RQ2 個々のモデルと比較して、アンサンブルアプローチは文単位のトピックおよびセンチメント分類精度をどの程度向上させるか？
• RQ3 ターゲット航空会社とその競合他社に関連付けられる主要なサービス側面とセンチメントトレンドは何か？
• RQ4 バイグラム解析による言語的パターン（根本的要因）は、乗客の満足・不満の背後にある要因をどのように説明するか？
• RQ5 提案されたフレームワークは、パンデミック後の回復とレジリエンス計画を支援するためにどのように活用できるか？

主な発見

• アンサンブル支援トピックモデル（EA-TM）は、個々のトピックモデルと比較して、文単位のアスペクト分類精度が平均17–23%向上した。
• アンサンブルセンチメントアナライザー（E-SA）は、任意の単一のベンチマーク手法と比較して、センチメント分類精度が平均9–20%向上した。
• 定時性、座席の快適さ、乗務員の行動など、11のコアなサービス側面が、航空会社レビュー全体で一貫して同定された。
• アスペクトベースの意見要約（AOS）は、航空会社固有の強み・弱みを効果的に明らかにし、競合比較を可能にした。
• バイグラム解析により、'機械的問題による遅延' や '乗務員は素晴らしかった' といった、各アスペクト内の感情極性を説明する具体的なフレーズが同定された。
• 本フレームワークは、サービス品質の向上およびパンデミック後の回復戦略を支援する、実行可能なデータドリブンのインサイトを提供し、ターゲットを絞った頻繁な利用者特典やパンデミック特化型のサービス向上策を含む。