基于在線評論與IPA-Kano模型的酒店服務(wù)質(zhì)量管理研究

黃官偉 邵立軻

（同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院，上海 200092）

中國的旅游市場已具有相當(dāng)?shù)囊?guī)模，根據(jù)世界旅游城市聯(lián)合會（WTCF）和中國社會科學(xué)院旅游研究中心共同發(fā)布的《世界旅游經(jīng)濟(jì)趨勢報(bào)告（2020）》，2019年中國的旅游行業(yè)總收入居全球第二，國內(nèi)旅游人次增速、國內(nèi)旅游收入增速均居亞太地區(qū)首位。此外，得益于國內(nèi)疫情的有效控制，國內(nèi)旅游市場恢復(fù)迅速，大量出境游需求回流入國內(nèi)，助推國內(nèi)旅游市場的進(jìn)一步發(fā)展。作為旅游出行的重要環(huán)節(jié)，在線酒店預(yù)訂產(chǎn)業(yè)發(fā)展已漸趨成熟，攜程、藝龍等頭部企業(yè)均已成功登陸資本市場。

相較于發(fā)展日漸成熟的在線預(yù)訂市場，我國酒店業(yè)連鎖化程度低，連鎖化率不到30%，存在大量的單體酒店，服務(wù)缺乏統(tǒng)一標(biāo)準(zhǔn)與有效指引。

1 國內(nèi)外研究進(jìn)展

1.1 服務(wù)質(zhì)量的測度

服務(wù)質(zhì)量通常被定義為客戶對服務(wù)提供商及其服務(wù)的印象。高服務(wù)質(zhì)量能提高顧客滿意度，從而吸引更多的顧客，為企業(yè)帶來更多的回報(bào)。由于顧客才是服務(wù)質(zhì)量的最終判定者，傳統(tǒng)的服務(wù)質(zhì)量測度多采用問卷調(diào)查法，其中最為著名的是Parasuraman等人（1988）開發(fā)的SERVQUAL量表，該量表從可靠性、反應(yīng)性、保證性、移情性和可感知性五個方面度量了顧客對服務(wù)的期望值以及最終感知質(zhì)量，為許多學(xué)者提供了思路。在此基礎(chǔ)上，Cronin與Taylor于1992年提出SERVPERF模型，只采用服務(wù)績效這一個變量來衡量顧客感知價(jià)值；Parasuraman等人也于1994年對SERVQUAL量表進(jìn)行了擴(kuò)展，增加了感知質(zhì)量與理想質(zhì)量、感知質(zhì)量與適當(dāng)質(zhì)量的差異。但問卷調(diào)查法存在一些問題：一方面由于問卷的分發(fā)與收集需花費(fèi)大量的時間與精力，很難大規(guī)模開展，因此收集到的數(shù)據(jù)規(guī)模有限，以致代表性不足；另一方面填問卷時被訪者會意識到自己的觀點(diǎn)被記錄，因此有可能會隱瞞自己的真實(shí)想法。

進(jìn)入互聯(lián)網(wǎng)2.0時代后，在線評論的出現(xiàn)為針對消費(fèi)者的定量研究的開展提供了理想的數(shù)據(jù)源——在線評論具有數(shù)據(jù)規(guī)模大與自發(fā)性的特點(diǎn)，能更真實(shí)地反映消費(fèi)者群體的態(tài)度，相比傳統(tǒng)的渠道的數(shù)據(jù)具備更高的可信度。許多學(xué)者通過對在線評論的挖掘?qū)崿F(xiàn)了對消費(fèi)者偏好的測度：Ya-Han Hu與Kuan-Chin Chen（2016）基于在線評論內(nèi)容、情感傾向、作者以及可見性構(gòu)建了對評論有用性的預(yù)測模型；Paul Phillips等人（2015）使用人工神經(jīng)網(wǎng)絡(luò)對瑞士酒店的在線評論進(jìn)行了分析，發(fā)現(xiàn)房間質(zhì)量、積極的評論數(shù)、酒店聲譽(yù)以及客房星級評分對于酒店的平均客房收入（RevPar）有積極影響。因此，本研究將沿用這一思路，通過機(jī)器學(xué)習(xí)算法對在線評論進(jìn)行挖掘，將得到的顧客偏好信息作為后續(xù)服務(wù)質(zhì)量管理的基礎(chǔ)。

1.2 服務(wù)質(zhì)量的提高

服務(wù)質(zhì)量提高的主要思路是通過對服務(wù)質(zhì)量要素進(jìn)行分類，制定針對性的服務(wù)提升策略實(shí)現(xiàn)的。Martilla和James（1977）提出的重要性績效分析模型（IPA）使用重要性和績效來創(chuàng)建一個二維矩陣，將整體區(qū)域劃分為四個象限：“繼續(xù)保持”，“關(guān)注過度”，“低優(yōu)先級”和“重點(diǎn)關(guān)注”，以此來對產(chǎn)品質(zhì)量要素進(jìn)行分類；Noriaki Kano等人（1984）認(rèn)為用戶滿意度隨需求被滿足情況的變化應(yīng)是非線性的，并提出了Kano模型（圖1）。

圖1 Kano模型

IPA模型與Kano模型都可用于服務(wù)質(zhì)量要素的分類，但二者側(cè)重點(diǎn)有所差異：IPA模型主要基于重要性和滿意度發(fā)現(xiàn)更具提升潛力的服務(wù)質(zhì)量要素；而Kano模型側(cè)重于刻畫各服務(wù)質(zhì)量要素隨滿意度變化的規(guī)律。將兩者結(jié)合，就能篩選出對于提高顧客滿意度邊際效應(yīng)最大的服務(wù)質(zhì)量要素，Ying-Feng Kuo等人在2012年提出了IPA-Kano模型（表1）：將Kano模型中具備優(yōu)化價(jià)值的興奮要素、必備要素與一維要素從重要性與滿意度兩個維度進(jìn)行二次分類，得到整合了IPA與Kano后的綜合分類標(biāo)準(zhǔn)，并制定了不同類別要素的優(yōu)化方向與優(yōu)化優(yōu)先級。IPA-Kano模型自提出后已在移動圖書館、移動餐廳、醫(yī)療服務(wù)等領(lǐng)域應(yīng)用。

表1 IPA-Kano模型與服務(wù)優(yōu)化方向

HS*9

1.3 酒店業(yè)服務(wù)質(zhì)量研究

服務(wù)質(zhì)量的研究通常需要劃分服務(wù)質(zhì)量要素，由于研究重點(diǎn)與方向的差異，學(xué)者們劃分的要素也有所差異（表2）：

表2 酒店服務(wù)質(zhì)量研究進(jìn)展

在總結(jié)前人的研究成果后，本研究最終確定的服務(wù)質(zhì)量要素為餐食、裝修、房間設(shè)施、服務(wù)、酒店設(shè)施、酒店位置、隔音、清潔、性價(jià)比。部分學(xué)者對酒店品牌進(jìn)行了研究，但由于酒店品牌主要是通過影響用戶對于服務(wù)的期待值來影響顧客滿意度，對于酒店服務(wù)質(zhì)量的評價(jià)與改進(jìn)并無實(shí)質(zhì)影響。因此，本研究劃分的服務(wù)質(zhì)量要素并未包括酒店品牌。

2 基于在線評論的IPA-Kano模型

本研究的主要目的是使用機(jī)器學(xué)習(xí)算法對在線評論進(jìn)行挖掘，計(jì)算顧客對于不同服務(wù)質(zhì)量要素的偏好，以此為基礎(chǔ)對服務(wù)質(zhì)量要素進(jìn)行分類并制定服務(wù)提升策略。整體研究思路分為三部分：（1）評論特征信息提取；（2）顧客偏好計(jì)算；（3）服務(wù)質(zhì)量要素分類與服務(wù)提升策略制定。研究框架如圖2所示。

圖2 研究框架圖

2.1 評論特征信息提取

評論特征信息提取階段的主要目的是使用機(jī)器學(xué)習(xí)算法對在線評論數(shù)據(jù)進(jìn)行處理，將非結(jié)構(gòu)化的文本數(shù)據(jù)轉(zhuǎn)化為能代表評論特征的結(jié)構(gòu)化數(shù)據(jù)。

首先需要對在線評論進(jìn)行預(yù)處理：（1）數(shù)據(jù)清洗。剔除重復(fù)文本、無意義文本以及長度過短的文本（5個字以下）。（2）分詞與停用無意義詞。（3）替換近義詞。（4）文本分段。由于在線評論是對整個服務(wù)過程的綜合評價(jià)，一條可能會涉及多個服務(wù)質(zhì)量要素，本研究將所有評論按標(biāo)點(diǎn)符號拆分為評論片段，使每條評論片段盡量只對應(yīng)一個要素。

然后需要對評論文本進(jìn)行分類。本文采用樸素貝葉斯算法對所有評論分段進(jìn)行分類，樸素貝葉斯算法對于缺失數(shù)據(jù)不敏感且在多分類任務(wù)上表現(xiàn)較好，比較適用于文本分類。分類完成后得到各服務(wù)質(zhì)量要素對應(yīng)的文本分段集合Xj（j是各服務(wù)質(zhì)量要素對應(yīng)的編號）。

使用Python語言的開源庫Snow NLP計(jì)算各評論分段的情感評分xijn）（第i條評論在第j個服務(wù)質(zhì)量要素上的第n條評論分段），分別匯總屬于同一條評論、同一服務(wù)質(zhì)量要素的正負(fù)向評論片段，計(jì)算

2.2 顧客偏好計(jì)算

顧客偏好計(jì)算階段的主要工作是基于上一階段得到的文本特征，使用聯(lián)合分析方法，測量各服務(wù)質(zhì)量要素對顧客滿意度的影響程度。本文采用基于部分價(jià)值函數(shù)模型的聯(lián)合分析方法，模型如下：

其中，y是顧客滿意度的列向量，即每條評論中顧客對酒店的整體評分；α是常數(shù)項(xiàng)；J表示服務(wù)質(zhì)量要素的總數(shù)；Xjpos是第j個服務(wù)質(zhì)量要素上的列向量，即同理），如果評論中未涉及該維度，則與是評分的權(quán)重，即本階段希望得到的顧客對該服務(wù)質(zhì)量要素的正／負(fù)向情感偏好。

2.3 服務(wù)質(zhì)量要素分類與服務(wù)提升策略制定

2.3.1 基于Kano模型的服務(wù)質(zhì)量要素分類

Kano模型將產(chǎn)品質(zhì)量要素分為5類，為了對服務(wù)質(zhì)量要素進(jìn)行分類，本研究設(shè)置了三個觀察點(diǎn)：（-1，βjneg）、（0，0）和（1，），并基于估計(jì)出的β值，構(gòu)建兩個指標(biāo)：

Rangej表示顧客對于第j個服務(wù)質(zhì)量要素偏好的變化范圍，Backlogj表示顧客對于第j個服務(wù)質(zhì)量要素的綜合偏好。

若｜｜≤γ且｜｜≤γ（γ是事先確定的閾值），則該服務(wù)質(zhì)量要素為無差異要素；相反地，若｜Backlogj｜≤δ*Rangej（δ是事先確定的系數(shù)）且Backlogj≥0，則該服務(wù)質(zhì)量要素屬于一維要素；若｜Backlogj｜≤δ*Rangej且Backlogj＜0，則該服務(wù)質(zhì)量要素屬于反向要素；若｜Backlogj｜＞δ*Rangej且Backlogj≥0，則該服務(wù)質(zhì)量要素屬于興奮要素；若｜Backlogj｜＞δ*Rangej且Backlogj＜0，則該服務(wù)質(zhì)量要素屬于必備要素，根據(jù)分類規(guī)則可以構(gòu)建一個決策樹，如圖3所示。

圖3 Kano模型分類決策樹

2.3.2 基于IPA模型的服務(wù)質(zhì)量要素分類

IPA模型從重要性和績效兩個方面來對服務(wù)質(zhì)量要素進(jìn)行分類。在重要性方面，本研究通過構(gòu)建Importancej變量來實(shí)現(xiàn)服務(wù)質(zhì)量要素重要性的測量：

在績效方面，本研究采用顧客對某一服務(wù)質(zhì)量要素的滿意度，即該要素上評論分段情感評分的均值ˉxj來估計(jì)：

其中，N表示第i條評論中第j個服務(wù)質(zhì)量要素上的評論分段的總數(shù)；I表示評論總數(shù)。

對于各要素的重要性與滿意度，若其值高于平均水平，則記為高，否則應(yīng)記為低。

2.3.3 基于IPA-Kano模型的服務(wù)質(zhì)量要素分類

綜合IPA與Kano模型的分類結(jié)果，決策優(yōu)先級，確定各服務(wù)質(zhì)量要素最終的類別、服務(wù)提升的方向以及決策的優(yōu)先級。本研究贊同應(yīng)當(dāng)對低滿意度的要素采取“提升服務(wù)”的策略，對滿意度高的要素采取“繼續(xù)保持”的策略。但關(guān)于策略的優(yōu)先級，本研究進(jìn)行了一定修改：提升服務(wù)時優(yōu)先級Pri必備＞Pri一維＞Pri興奮，因?yàn)榉?wù)水平由低到高變化時曲線的斜率k必備＞k一維＞k興奮；采取繼續(xù)保持策略時，優(yōu)先級Pri興奮＞Pri一維＞Pri必備，因?yàn)榉?wù)水平由高到低變化時曲線的斜率k興奮＞k一維＞k必備。在相同情況下，重要性較高的要素優(yōu)先級也較高。最終本研究修改后的IPA-Kano模型如表3所示。

表3 本研究修改后的IPA-Kano模型

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)準(zhǔn)備

由于酒店在線預(yù)訂行業(yè)集中度較高，頭部平臺活躍用戶數(shù)據(jù)拔高明顯，本研究采用行業(yè)活躍用戶排名第一的攜程網(wǎng)作為數(shù)據(jù)來源。使用Python爬取上海地區(qū)的9家連鎖酒店評論共計(jì)10389條，如表4所示。將所有評論按標(biāo)點(diǎn)符號拆分為評論片段，然后對評論片段進(jìn)行數(shù)據(jù)預(yù)處理，最終將每條評論片段轉(zhuǎn)化為一組特征詞的集合。

表4 數(shù)據(jù)集合

3.2 顧客偏好估計(jì)

基于文獻(xiàn)研究，本研究將酒店服務(wù)質(zhì)量劃分為酒店位置、服務(wù)、餐食、裝修、房間設(shè)施、酒店設(shè)施、隔音、清潔和性價(jià)比9個維度。使用樸素貝葉斯算法對評論片段進(jìn)行分類，首先隨機(jī)抽取3000條評論（約占整體評論片段5%）進(jìn)行人工標(biāo)注，作為模型訓(xùn)練集與測試集。使用Python中的sklearn進(jìn)行模型的訓(xùn)練與調(diào)優(yōu)，最終模型精度為81.41%，評論片段的分類結(jié)果如表5所示：

表5 評論片段分類結(jié)果

使用Python語言的開源庫Snow NLP對所有評論片段計(jì)算情感評分，為方便后續(xù)研究的開展，對Snow NLP得到的情感評分進(jìn)行轉(zhuǎn)換，使其取值區(qū)間為［-1，1］。計(jì)算與，將全部10389條評論數(shù)據(jù)作為輸入數(shù)據(jù)進(jìn)行參數(shù)估計(jì)，使用SPSS25進(jìn)行計(jì)算，得到各要素的顧客偏好與的估計(jì)結(jié)果（表6）。

表6 各維度的權(quán)重估計(jì)結(jié)果

3.3 服務(wù)質(zhì)量要素分類

結(jié)合實(shí)際數(shù)據(jù)，本研究將γ與δ分別設(shè)置為0.01與0.2。計(jì)算各服務(wù)質(zhì)量要素的Range、Backlog、Importance與xj值，得到結(jié)果見表7。

表7 參數(shù)計(jì)算結(jié)果

根據(jù)前文提到的Kano模型分類標(biāo)準(zhǔn)，清潔、隔音與裝修屬于必備要素，當(dāng)顧客對于這些要素的需求得不到滿足時，易造成顧客的滿意度大幅下降，而當(dāng)顧客的需求得到基本滿足后，其對于滿意度的貢獻(xiàn)并不明顯；酒店設(shè)施與房間設(shè)施屬于一維要素，當(dāng)顧客在這些方面的需求被滿足時會提高顧客滿意度，反之亦然；服務(wù)、餐食、酒店位置與性價(jià)比屬于興奮要素，是酒店的加分項(xiàng)，這些方面的需求被滿足后能大幅提高顧客的滿意度。

結(jié)合各要素重要性與滿意度的評分，得到最終IPA-Kano模型分類結(jié)果（表8）。針對顧客滿意度低于平均值的要素（隔音、裝修與房間設(shè)施）應(yīng)采取提升服務(wù)的策略。又因?yàn)楦粢襞c裝修屬于必備要素，在滿意度水平較低時提升效率更高，因此優(yōu)先級排序?yàn)镻ri隔音＞Pri裝修＞Pri房間設(shè)施；對于余下顧客滿意度高于平均值的要素，應(yīng)采取繼續(xù)保持的策略，考慮到顧客需求得到滿足后興奮要素、一維要素與必備要素對滿意度的影響依次遞減，各要素的優(yōu)先級應(yīng)為Pri服務(wù)＞Pri酒店位置＞Pri餐食＞Pri性價(jià)比＞Pri酒店設(shè)施＞Pri清潔。

表8 IPA-Kano模型分類結(jié)果

4 結(jié)語

用戶生成內(nèi)容一直是互聯(lián)網(wǎng)2.0時代以來的研究熱點(diǎn)，得益于用戶生成內(nèi)容的出現(xiàn)，研究者們終于可以以相對較低的成本獲取大范圍的用戶數(shù)據(jù)用于研究。本研究提出的服務(wù)質(zhì)量管理研究思路具備以下兩方面意義：

一方面，通過文本挖掘技術(shù)與聯(lián)合分析法實(shí)現(xiàn)了基于大體量用戶數(shù)據(jù)的用戶偏好測量，研究樣本更具備代表性，研究結(jié)果更具備客觀性與可信度；另一方面，在后期對用戶數(shù)據(jù)的分析與研究上使用已經(jīng)過學(xué)界驗(yàn)證與認(rèn)可的成熟模型（IPA-Kano），保障了研究體系的科學(xué)性與嚴(yán)謹(jǐn)性，使最終結(jié)果更具備理論與實(shí)際意義。

本研究仍然存在一定不足，后續(xù)的研究可以從以下方向開展：首先，由于目前文本挖掘技術(shù)尚未完全成熟，對部分反問或包含諷刺、反語的文本未能準(zhǔn)確地進(jìn)行識別與處理，這需要在未來進(jìn)一步優(yōu)化文本特征提取與語義理解的相關(guān)算法；其次，隨著互聯(lián)網(wǎng)技術(shù)的進(jìn)步，用戶生成內(nèi)容的形式日益豐富，除了評論文本外，還常常包含圖片、視頻等多媒體數(shù)據(jù)，在后續(xù)研究中可以將其他媒體形式的數(shù)據(jù)納入研究范圍，研究多模態(tài)數(shù)據(jù)下服務(wù)質(zhì)量管理研究的新思路。