یک مدل داده‌محور برای رتبه‌بندی خطوط هوایی با استفاده از تصمیم‌گیری چندمعیاره و تحلیل احساسات

هدف: تحلیل بازخورد مشتری از طریق وبسایت‌های خطوط هوایی، به‌دلیل دقت زیاد و جامعیت آن در ارائۀ اطلاعات، بهتر از روش‌های مرسوم جمع‌آوری این بازخوردها از طریق پرسش‌نامه‌هاست. با بهره‌گیری از فناوری کلان‌داده، این وبسایت‌ها میلیون‌ها نظر مسافران را جمع‌آوری و تجزیه‌وتحلیل می‌کنند و اطلاعات دقیق‌تری از تجربه‌های مشتریان را ارائه می‌دهند. نظرهای آنلاین، به‌عنوان یک پلتفرم باز، امکان ارائۀ انتقادها و پیشنهادها به کارفرماها را فراهم می‌کنند و به‌دلیل حجم زیاد و انتشار گسترده، می‌توانند به‌عنوان منبع ارزشمندی برای تحلیل احساسات و نیازهای مشتریان استفاده شوند. بر این اساس، پژوهش حاضر یک چارچوب داده‌محور برای رتبه‌بندی خطوط هوایی پیشنهاد می‌کند که ترکیبی از روش‌های تصمیم‌گیری چند معیاره (mcdm) و تحلیل احساسات (sa) در سطح جنبه است. هدف اصلی این پژوهش، ارزیابی کیفیت خدمات خطوط هوایی و رتبه‌بندی آن‌ها با استفاده از نظرهای ثبت‌شده در وبسایت skytrax از تجربۀ مسافران بر مبنای احساسات کاربران است که در نظرهای آن‌ها مستتر است.روش: چارچوب پیشنهادی شامل سه مرحله است. در مرحلۀ 1، پس از جمع‌آوری داده‌ها و پیش‌پردازش متن، ویژگی‌های خطوط هوایی با استفاده از الگوریتم تعداد صفت بالا (hac) استخراج می‌شوند. در مرحلۀ 2، جهت‌گیری احساسات در هر خط هوایی شناسایی می‌شود تا نمره‌های عملکرد مربوط به هر خط هوایی محاسبه شود. در مرحلۀ 3، رتبه‌بندی خطوط هوایی با استفاده از روش تاپسیس، بر مبنای اعداد فازی شهودی و با توجه به نمره‌های حاصل از مرحلۀ دوم انجام می‌شود. مجموعه‌های فازی شهودی (ifs) برای نمایش موثر نظرهای مشتری، از جمله عبارات مردد، در ماتریس تصمیم‌گیری استفاده می‌شوند. همچنین وزن معیارها با استفاده از روش آنتروپی تعیین می‌شود. در ادامه، برای نشان دادن جنبۀ کاربردیِ روش پیشنهادی، مدل ترکیبی در یک نمونۀ واقعی برای رتبه‌بندی خطوط هوایی منتخب خاورمیانه با استفاده از بررسی نظرهای آنلاین مشتریان (ocr) در وبسایت skytrax آزمایش شده است. 8010 نظر که از ژانویه 2015 تا دسامبر 2021 در سایت skytrax ثبت‌شده، جمع‌آوری شده است.یافته‌ها: نتایج حاصل از عملکرد 10 خط هوایی تجزیه‌وتحلیل شد و رتبه‌بندی بین آن‌ها صورت گرفت. نتایج نشان داد که خطوط هوایی کلاس اقتصادی با وزن 17/0 بیشترین اهمیت را دارد و از نظر مسافران، ویژگی‌هایی مانند خدمات مشتری، فضای پا، تاخیر در پرواز و بازرسی امنیتی با وزن 11/0 در مقایسه با سایر ویژگی‌ها، اهمیت یکسانی دارند. با توجه به نتایج، خط هوایی middle east airlines در بین ده خط هوایی (saudi arabian airlines, kuwait airways, oman air, iran air, egyptair, royal jordanian airlines, middle east airlines, pegasus airlines, flydubai, air arabia) بهترین عملکرد را دارد؛ به این معنا که  نزدیک‌ترین فاصله از راه‌حل ایدئال مثبت مجموعه فازی شهودی و دورترین فاصله از راه‌حل ایدئال منفی مجموعه فازی شهودی را دارد. در حالی که pegasus airlines نزدیک‌ترین فاصله به راه‌حل ایدئال منفی و دورترین فاصله از راه‌حل ایدئال مثبت را دارد و عملکرد آن در بین چهار خط هوایی کمترین است.نتیجه‌گیری: این پژوهش به مدیران خطوط هوایی کمک می‌کند تا به‌دنبال زمینه‌های بهبود باشند و بتوانند برای دستیابی به مزیت رقابتی بهتر در بازار، عملکردشان را با رقبای خود مقایسه کنند. از داده‌های این پژوهش می‌توان به‌منظور ایجاد یک سیستم توصیه برای مسافران استفاده کرد تا به آن‌ها کمک کند خطوط هوایی‌ای را انتخاب کنند که به بهترین وجه انتظارات، خواسته‌ها و هدف سفرشان را برآورده کند. این می‌تواند عواملی مانند بودجه، مقصد و نوع کلاس پرواز را در نظر بگیرد و به درک بهتر نیازهای مشتریان برای مدیران خطوط هوایی کمک کند.

a data-driven model for ranking airlines using multicriteria decision-making and sentiment analysis

objectiveanalyzing customer feedback from airline websites is more effective than traditional questionnaire-based methods, as these websites provide highly accurate and comprehensive information. using big data technology, these websites collect and analyze millions of passenger reviews, offering more accurate information about customer experiences. online reviews, as an open platform, provide the opportunity for employers to receive criticisms and suggestions, and due to their high volume and widespread dissemination, they can serve as a valuable source for analyzing customer sentiments and needs. therefore, this study aims to propose a data-driven framework for ranking airlines, combining multi-criteria decision making (mcdm) methods with sentiment analysis (sa) at the aspect level. the main objective of this research is to evaluate the quality of airline services and rank them based on the reviews recorded on the skytrax website from the users’ sentiments hidden in their reviews. methodsthe proposed framework consists of three stages: stage (1): after collecting the data and preprocessing the text, airline features were extracted using the high attribute clustering (hac) algorithm. stage (2): sentiment orientation in each airline was identified to calculate the performance scores for each airline. stage (3): airlines were ranked using the topsis method based on intuitive fuzzy numbers, considering the scores obtained in the second stage. intuitive fuzzy sets (ifs) were used to represent effective customer opinions, including hesitant phrases in the decision matrix. also, the criteria weights were determined through the entropy method. resultsthe performance of 10 airlines was analyzed, and ranked accordingly. the results show that for economy class airlines, with a weight of 0.17, features such as customer service, legroom, flight delays, and security inspection, each with a weight of 0.11, are equally important to passengers as other features. according to the results, middle east airlines demonstrates the highest performance among the ten airlines (saudi arabian airlines, kuwait airways, oman air, iran air, egyptair, royal jordanian airlines, middle east airlines, pegasus airlines, flydubai, and air arabia) i.e. it has the closest distance to the positive ideal solution of the fuzzy intuitive set and the farthest distance from the negative ideal solution of the fuzzy intuitive set. while pegasus airlines has the closest distance to the negative ideal solution and the farthest distance from the positive ideal solution, its performance is the lowest among the four airlines. conclusionthis research greatly assists middle eastern airlines in seeking areas for improvement and in comparing their performance with their competitors to achieve a better competitive advantage in the market. the data from this research can be used to create a recommendation system for travelers helping them choose airlines that best align with their expectations, preferences, and travel goals. this can take into account factors such as budget, destination, and flight class, which can help airline managers better understand and meet customer needs.