[논문 리뷰] Discovering Airline-Specific Business Intelligence from Online Passenger Reviews: An Unsupervised Text Analytics Approach

Sharan Srinivas, Surya Ramachandiran|arXiv (Cornell University)|2020. 12. 14.

Digital Marketing and Social Media참고 문헌 47인용 수 6

한 줄 요약

이 논문은 99,147건의 온라인 승객 리뷰에서 항공사별 비즈니스 인사이트를 추출하기 위해 앙상블 토픽 모델링(EA-TM)과 앙상블 감성 분석(E-SA)을 융합한 비지도 텍스트 분석 프레임워크를 제안한다. 문장 수준에서 요소(예: 정시성, 좌석 편안함)와 감성(긍정, 중립, 부정)으로 분류함으로써, 이 방법은 요소 기반 의견 요약을 생성하고 이원법 분석을 통해 근본 원인을 규명하며, 개별 모델 대비 17–23% 높은 토픽 분류 정확도와 9–20% 높은 감성 정확도를 달성한다.

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.

연구 동기 및 목표

• 낮은 승객 만족도와 치열한 경쟁 속에서 비정형 온라인 고객 리뷰(OCR)에서 실질적인 항공사별 비즈니스 인사이트를 추출하는 데 발생하는 격차를 해소하기 위해.
• 편향되며 제한적이며 종종 진정성 없는 응답을 유도하는 전통적 설문 조사 방법의 한계를 극복하기 위해.
• 자연어 처리를 활용해 대규모로 승객의 인식을 자동으로 캡처할 수 있는 비용 효율적인 자동화된 접근법을 개발하기 위해.
• 항공사가 핵심 서비스 요소 전반에서 서비스 강점과 약점을 식별하고 만족 또는 불만족의 근본 원인을 파악할 수 있도록 지원하기 위해.
• 패닉 이후 전략적 인사이트를 제공해 타겟 맞춤형 빈번한 승객 혜택과 서비스 복구 조치를 통해 충성도를 유지할 수 있도록 지원하기 위해.

제안 방법

• 항공사 리뷰에서 핵심 요소를 추출하기 위해 확률적 잠재의미 분석(pLSA), 변분 추론 기반 LDA(LDA-VI), 그리고 지브스 샘플링 기반 LDA(LDA-GS)의 세 가지 토픽 모델을 사용한다.
• 개별 토픽 모델의 예측을 통합하여 문장 수준의 요소 분류 정확도를 향상시키는 앙상블 보조 토픽 모델(EA-TM)을 구현한다.
• AFINN, SentiStrength, VADER의 세 가지 의견 마이닝 도구의 출력을 융합하여 감성 분류의 신뢰성을 향상시키는 앙상블 감성 분석기(E-SA)를 구현한다.
• 각 식별된 요소에 대해 감성 점수를 집계함으로써 요소 기반 의견 요약(AOS)을 생성하여 승객 인식의 통합적 시각을 제공한다.
• 레이블이 부여된 리뷰 문장에 대해 이원법 분석을 적용하여 긍정적 또는 부정적 감성과 관련된 빈도 높은 어휘 조합과 근본 원인을 규명한다.
• 미국 항공사와 그 네 개의 경쟁사로부터 확보한 99,147건의 리뷰를 활용한 사례 연구를 통해 프레임워크의 효과성과 확장성을 검증한다.

실험 결과

연구 질문

• RQ1 비지도 텍스트 분석은 비정형 온라인 고객 리뷰에서 항공사별 서비스 요소를 효과적으로 추출할 수 있는가?
• RQ2 개별 모델 대비 앙상블 접근법이 문장 수준의 토픽 및 감성 분류 정확도를 얼마나 향상시키는가?
• RQ3 대상 항공사 및 경쟁사와 관련하여 승객이 연관짓는 핵심 서비스 요소와 감성 추세는 무엇인가?
• RQ4 이원법 분석을 통한 언어적 패턴은 승객의 만족 또는 불만족의 근본 원인을 어떻게 설명하는가?
• RQ5 제안된 프레임워크는 항공 산업의 패닉 이후 복구 및 회복력 계획 수립을 어떻게 지원할 수 있는가?

주요 결과

• 앙상블 보조 토픽 모델(EA-TM)은 개별 토픽 모델 대비 문장 수준의 요소 분류 정확도 평균 17–23% 향상되었다.
• 앙상블 감성 분석기(E-SA)는 어떤 단일 기준 방법보다도 감성 분류 정확도 평균 9–20% 향상되었다.
• 정시성, 좌석 편안함, 승무원 행동 등 총 11개의 핵심 서비스 요소가 항공사 리뷰 전반에서 일관되게 식별되었다.
• 요소 기반 의견 요약(AOS)은 항공사별 강점과 약점을 효과적으로 드러내어 경쟁 기준 비교를 가능하게 하였다.
• 이원법 분석을 통해 '기계적 고장으로 인한 지연'이나 '승무원이 놀랍게도'와 같은 특정 어휘 조합이 각 요소 내 감성 극성의 원인을 설명하는 데 기여하였다.
• 이 프레임워크는 서비스 품질 향상 및 패닉 이후 복구 전략 수립을 위한 실질적인 데이터 기반 인사이트를 제공하며, 타겟 맞춤형 빈번한 승객 혜택과 패닉 기간 전용 서비스 개선 조치를 포함한다.