استفاده از کلان داده ها در سیستم های اطلاعاتی مدیریت ارتباط با مشتری
چکیده
دانش مشتری یک نکته ی کلیدی در مدیریت گردشگری است. با این حال, نقشی که می تواند بواسطه ی حجم بالایی از اطلاعات موجود در سیستم های مدیریت ارتباط با مشتری (CRM) ایفا کند, در زمانی که استفاده از تکنیک کلان داده های نوظهور, کارامدی مشخصه های (پروفایل) مشتریان را بررسی کرده, هنوز در مراحل اولیه است. در این روش, ما به ارزیابی مشخصات (پروفایل) مشتری در یک سیستم CRM در یک هتل زنجیره ای بین المللی با استفاده از تکنولوژی کلان داده ها و روش های بازنمونه گیری بوت استرپ (Bootstrap) برای تست های مربوطه پرداختیم. شباهت زیادی در ویژگی اکثر تکرار کننده ها (مشتریانی که به صورت مکرر در هتل اقامت میکردند) که بدون فرزند خود مسافرت میکردند, یافت شد. مشخصه های مشتریان بریتانیایی و آلمانی بیشتر شبیه به هم بود و تفاوت اصلی آنها با مشتریان اسپانیایی درطول مدت اقامت و سن آنها بود. برای یک زنجیره تعطیلات, این نتایج تحلیل بیشتری را درباره ی جهتگیری هدفدار نسبت به بخش های جدید بازار نشان میدهد. تکنولوژی کلان داده ها میتواند برای تحلیل داده های داخلی موجود در سیستم های اطلاعاتی CRM ازسوی صنعت گردشگری بسیار مفید باشد.
1. مقدمه
دانش مشتری برای صنعت گردشگری و مهمان نوازی حیاتی است و یک نقش اساسی در بهبود پیشنهاد برای خدمات باکیفیت تر ( یعنی سازگارتر و سفارشی تر), ارتباط با مشتری و راهبرد استراتژیکی بازاریابی ایفا می کند (Adomavicius و Tuzhilin, 2001؛ Min, Min و Emam, 2002). نتایج همه ی اینها رضایت مشتری را بهبود می بخشد و وفاداری آنها را افزایش داده و تضمینی برای برگشت دوباره مشتری بوده و سود دهی را بالا می برد (Tseng و Wu, 2014). درطول چندین سال گذشته, این اطلاعات عمدتا در بسیاری از هتل ها توسط اولویت های جمع آوری و ثبت شده ی مشتریان به سیستم های مدیریت ارتباط با مشتری (CRM) مدیریت شده است (Sarmaniotis, Assimakopoulos و Papaioannou, 2013). CRM ها به یک استراتژی کلیدی برای بهبود رضایت مشتری و بویژه بقاء و نگهداری آنها در هتل تبدیل شده است (Padilla-Meléndez و Garrido-Moreno, 2013) و به میزان قابل توجهی برای سازمان ها با ایجاد اطلاعات ارزشمند درباره ی مشتریان آنها, مفید هستند (Chadha, 2015؛ Kotler, 2002؛ Nguyen, Sherif و Newby, 2007).
Abstract
Client knowledge remains a key strategic point in hospitality management. However, the role that can be played by large amounts of available information in the Customer Relationship Management (CRM) systems, when addressed by using emerging Big Data techniques for efficient client profiling, is still in its early stages. In this work, we addressed the client profile of the data in a CRM system of an international hotel chain, by using Big Data technology and Bootstrap resampling techniques for Proportion Tests. Strong consistency was found on the most representative feature of repeaters being traveling without children. Profiles were more similar for British and German clients, and their main differences with Spanish clients were in the stay duration and in age. For a vacation chain, these results suggest further analysis on the target orientation towards new market segments. Big Data technologies can be extremely useful for analyzing indoor data available in CRM information systems from hospitality industry.
1. Introduction
Customer knowledge is vital for the hospitality industry, and it plays a crucial role in improving the offer with better quality services (i.e., more adapted and customized), the relationship with customers, and the approach of marketing strategies (Adomavicius & Tuzhilin, 2001; Min, Min & Emam, 2002). All of them result in better customer satisfaction that increases the loyalty and ensures repeating customers, as well as higher profitability (Tseng & Wu, 2014). Over the last several years, this information has been mainly managed in many hotels by proactively gathering and recording customer preferences into the socalled Customer Relationship Management (CRM) systems (Sarmaniotis, Assimakopoulos, & Papaioannou, 2013). CRMs have become a key strategy for improving customer satisfaction and retention, especially in hotels (Padilla-Meléndez & Garrido-Moreno, 2013), and they are remarkably beneficial to those organizations by generating large amounts of valuable information about their customers (Chadha, 2015; Kotler, 2002; Nguyen, Sherif, & Newby, 2007).
چکیده
1. مقدمه
2. بررسی ادبیات
1.2. CRM در صنعت گردشگری و مهمان نوازی
2.2. کلان داده ها در صنعت گردشگری و مهمان نوازی
3.2. مشخصه مشتریان جدیدالورود و ثابت (تکرارکننده)
3. روش های آماری و تحلیل داده ها
1.3. پایگاه داده بزرگ
2.3. آزمون های نسبت و بازنمونه گیری بوت استرپ
3.3. کلان داده ها و پیاده سازی کاهش نگاشت (map-reduce)
4.نتایج
1.4. برخی از آمارهای توصیفی
2.4. مزیت های آزمون فرضیه ای کلان داده ها
3.4. نتایج کروموسوم و اسپایدروب برای آزمون های نسبت
5.بحث و مفاهیم
1.5. بررسی مطالعه موردی کلان داده
2.5 مفاهیم تکنیکی
3.5. مفاهیم هتل های زنجیره ای
6. نتیجه گیری نهایی
منابع
Abstract
1. Introduction
2. Literature review
2.1. CRM in the hospitality industry
2.2. Big data in the hospitality industry
2.3. Client profiling in first-timers vs repeaters
3. Statistical and data analytics methods
3.1. Big database
3.2. Proportion tests and bootstrap resampling
3.3. Big data and map-reduce implementation
4. Results
4.1. Some descriptive statistics
4.2. Advantages of big data hypothesis tests
4.3. Chromosome and spiderweb results for proportion tests
5. Discussion and implications
5.1. Discussion on the Big Data case study
5.2. Technical implications
5.3. Hotel chain implications
6. Final conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه