دانلود مقاله بررسی محرک‌های نگرش مشتریان به نام برند خدمات آژانس مسافرتی آنلاین
نکات برجسته:
چکیده
کلید واژه ها
1. مقدمه
2. مرور مطالعات پیشین
2.1. بازاریابی از طریق رسانه های اجتماعی
2.2. محتوای تولید شده توسط کاربر (UGC)
2.3. گرفتن نگرش برند از UGC
2.4. جنبه های کیفی UGC مورد استفاده در مطالعات قبلی
2.5. رویکردهای متن کاوی برای کاوش UGC
3. پیشینه نظری و توسعه فرضیه ها
3.1. رابطه بین جنبه های احساسی و نگرش برند
3.2. رابطه بین جنبه های عاطفی و نگرش برند
3.3. رابطه بین بخش‌هایی از جنبه‌های گفتار، طول بررسی و نگرش به برند
4. روش تحقیق
4.1. توضیحات داده ها
4.2. پردازش داده ها
4.3. تحلیل داده ها
5. نتایج
5.1. مدل توضیحی
5.2. مدل سازی معادلات ساختاری
5.3. مدل پیش بینی
6. بحث
6.1. مشارکت های نظری
6.2. مفاهیم برای تمرین
6.3. محدودیت ها و جهت گیری های تحقیقاتی آتی
7. نتیجه گیری
منابع
چکیده
هدف این مقاله بررسی جنبه های کیفی مهم محتوای تولید شده توسط کاربر آنلاین است که منعکس کننده نگرش مشتریان به برند است. علاوه بر این، جنبه‌های کیفی می‌تواند به ارائه‌دهندگان خدمات کمک کند تا با تمرکز بر جنبه‌های مهم به جای خواندن کل بررسی، نگرش مشتریان به برند را درک کنند، که در زمان و تلاش آنها صرفه‌جویی می‌کند. ما در مجموع از 10000 بررسی از TripAdvisor (یک ارائه دهنده آژانس مسافرتی آنلاین) استفاده کرده ایم. این مطالعه داده‌ها را با استفاده از تکنیک‌های آماری (رگرسیون لجستیک)، مدل‌های پیش‌بینی‌کننده (شبکه‌های مصنوعی- عصبی) و تکنیک مدل‌سازی ساختاری برای درک مهم‌ترین جنبه‌ها (یعنی احساسات، احساسات یا بخش‌هایی از گفتار) مورد تجزیه و تحلیل قرار داده است. کمک به پیش بینی نگرش مشتریان به برند. نتایج نشان می‌دهد که احساسات مهم‌ترین جنبه در پیش‌بینی نگرش به برند است. در حالی که محتوای کل احساسات و قطبیت محتوا ارتباط مثبت معناداری دارند، احساسات منفی با برانگیختگی بالا و احساسات کم برانگیختگی با نگرش های برند مشتریان ارتباط منفی معناداری دارند. با این حال، جنبه های بخش گفتار تأثیر قابل توجهی بر نگرش برند ندارند. این مقاله با مفاهیم، محدودیت‌ها و جهت‌گیری‌های تحقیقاتی آتی به پایان می‌رسد.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
This paper aims to explore the important qualitative aspects of online user-generated-content that reflects customers’ brand-attitudes. Additionally, the qualitative aspects can help service-providers understand customers’ brand-attitudes by focusing on the important aspects rather than reading the entire review, which will save both their time and effort. We have utilised a total of 10,000 reviews from TripAdvisor (an online-travel-agency provider). This study has analysed the data using statistical-technique (logistic regression), predictive-model (artificial-neural-networks) and structural-modelling technique to understand the most important aspects (i.e. sentiment, emotion or parts-of-speech) that can help to predict customers’ brand-attitudes. Results show that sentiment is the most important aspect in predicting brand-attitudes. While total sentiment content and content polarity have significant positive association, negative high-arousal emotions and low-arousal emotions have significant negative association with customers’ brand attitudes. However, parts-of-speech aspects have no significant impact on brand attitude. The paper concludes with implications, limitations and future research directions.
Introduction
The penetration of Internet and wide popularity of smartphones have seen a changing trend in online shopping behaviour (McClure & Seock, 2020). Customers usually search in the website about various services or products, read the online reviews or social media posts, and decide on whether to use a service or product (Hong & Cha, 2013; Saumya & Singh, in press; Simonson & Rosen, 2014). The reviews are usually perceived as valuable and credible by the customers (Gupta & Harris, 2010; Mayzlin, 2006). Online customer reviews (OCRs) are considered the second most reliable information source for customers after they get suggestions from their near and dear ones (Chatterjee, 2020; Grimes, 2012). Researchers (e.g. Chen & Xie, 2008; Jim´enez & Mendoza, 2013) have also voiced the importance of online reviews in affecting customers’ various decisions (Chatterjee, 2019; Ray, Bala, Chakraborty, & Dasgupta, in press).
Conclusion
The advancement of technological innovations and the penetration of Internet have witnessed a growth of not only various online services but also the popularity of various SM platforms. This has also increased the comments posted by users on SM platforms and merchandise websites about their experiences related to a product or service. These online reviews can not only be of strategic importance to service providers but also will be beneficial for prospective customers. The objective of this work is to highlight how the qualitative aspects of textual data can be useful to academics and managers for exploring the drivers of brand attitude from the vast amount of available user-generated content. In this study on OTAs, we have utilised 10,000 reviews from TripAdvisor (an OTA provider). We have utilised econometric technique (logistic regression), structural modeling technique (NLP-SEM) and machinelearning technique (ANN) to have an in-depth analysis of the different predictors of customers’ perceived brand attitudes.
H1a: Higher total sentiment content present in the online customer review reflects stronger brand attitude.
H1b: Higher polarity of the online customer review reflects an unfavorable customer attitude towards the brand.
H2a: Higher negative high arousal emotions reflect unfavorable brand attitude.
H2b: Greater positive high arousal emotions reflect the stronger brand attitude
H2c: The low arousal emotions reflect moderate negative influence on perceived brand attitude.
H3: The count of (a) nouns (b) verbs (c) adjectives (d) adverbs in a review is positively associated with users’ brand attitude.
H4: The interaction between content polarity and total parts of speech count will reflect users’ attitude towards the brand.
H5: Sentiment aspects are a good reflector of users’ attitude towards various brands.
H6: Emotional aspects are good reflectors of customer attitude towards various brands.
H7: The parts of speech aspects are good reflectors of customer attitude towards various brands.