Нейронная сеть как инструмент оценки удовлетворенности туристов (с применением базы данных отзывов пользователей о туристских услугах и объектах из открытых источников)

Гомилевская Г.А.1, Тарасов В.С.1, Евсюков М.В.1
1 Владивостокский государственный университет экономики и сервиса, Россия, Владивосток

Статья в журнале

Экономика, предпринимательство и право (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 12, Номер 5 (Май 2022)

Цитировать:
Гомилевская Г.А., Тарасов В.С., Евсюков М.В. Нейронная сеть как инструмент оценки удовлетворенности туристов (с применением базы данных отзывов пользователей о туристских услугах и объектах из открытых источников) // Экономика, предпринимательство и право. – 2022. – Том 12. – № 5. – С. 1659-1672. – doi: 10.18334/epp.12.5.114679.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=48674168

Аннотация:
Главный показатель эффективности индустрии туризма, как сферы услуг – удовлетворенность туристов. При организации путешествий туристы все больше используют возможности глобальной сети, поэтому по наличию позитивных или негативных отзывов в интернете можно судить о спросе в отношении конкретного туристского продукта или направления. Проблеме исследования удовлетворенности потребителей посвящено множество трудов. Общий принцип оценки потребительской удовлетворенности, формирующей лояльное отношение к товару (услуге) или предприятию, строится на исследовании мотивации выбора, поведенческих моделях, а также послепродажной реакции. К сожалению, в настоящее время отсутствует объективная система оценки качества туристских услуг. Поэтому была установлена цель по формированию методического подхода к созданию электронной системы потребительской оценки в сфере туризма и на этой основе разработки прототипа нейронной сети уже непосредственно для Приморского края. Информация, получаемая в результате обработки отзывов нейронной сети и интересна органам исполнительной власти, сфера деятельности которых связана с туристской индустрией. В результате проведенного исследования, был разработан прототип электронной системы оценки удовлетворенности туристскими услугами Приморского края, состоящий из модулей сбора и фильтрации отзывов – парсеров, модуля обработки и анализа мнений туристов. В итоге, был сформирован рейтинг туристских объектов Приморского края, уточнены перспективы развития проекта и предложены рекомендации для уточнения показателя рейтинга туристской сферы Приморского края.

Ключевые слова: нейронная сеть, база данных, удовлетворенность туристов

JEL-классификация: Z31, Z32, L83



Введение. Проблеме исследования удовлетворенности потребителей посвящено множество трудов. Общий принцип оценки потребительской удовлетворенности, формирующей лояльное отношение к товару (услуге) или предприятию, строится на исследовании мотивации выбора, поведенческих моделях, а также послепродажной реакции [1].

К сожалению, в настоящее время отсутствует объективная система оценки качества туристских услуг на региональном уровне. Поэтому нами была поставлена цель по формированию методического подхода к созданию электронной системы потребительской оценки в сфере туризма и на этой основе разработки прототипа нейронной сети уже непосредственно для Приморского края. Методология исследования основывается на сборе, фильтрации и анализе отзывов о степени удовлетворенности туристов, о качестве туристских услуг Приморского края, соответствии уровня предоставляемых туристских услуг ожиданиям потребителей из открытых источников.

Сегодня туризм является особым социокультурным явлением, объединяющим как историко-культурное наследие государства, так и самые современные информационные технологии. Зарубежные туристские компании активно и результативно ведут диджитализацию и цифровизацию своей деятельности, получая значительные доходы [1].

Существующий методический подход к исследованию потребительских оценок услуг в туристской индустрии – есть тотальное использование анкетирования и опросов потребителей.

Классический метод анкетирования имеет ограничения, связанные, прежде всего, с охватом генеральной совокупности туристов [2] (Sobirov, 2021). С другой стороны, текущие технологические средства позволяют автоматизировать сбор и обработку любой доступной информации, что позволит нивелировать главную проблему проведения опросов и анкетирования [3] (Gretchenko, 2018).

В связи с этим необходимо отметить, что формирование единой информационной базы, содержащей потребительские оценки туристов об услугах и объектах туристской индустрии, расположенных в туристской дестинации, и анализ с помощью нейронной сети есть ключ к получению объективного мнения потребителей. Дополнительно актуализирует вышесказанное тот факт, что потребитель является генеральным цензором качества услуг. Таким образом, ИИ может автоматизировать и значительно ускорить процедуру сбора большого количества отзывов, используя платформы текстовой аналитики. Анализ полученных данных позволит понять, насколько пользователи довольны или недовольны сервисом или продуктом, готовы ли клиенты его рекомендовать. Соответственно, на основе данных знаний можно сделать выводы о том, какие изменения необходимо внедрить для увеличения качества обслуживания (сервиса) и, как следствие, наращивания туристического потока.

Целью работы является формирование методической основы и создание единой базы данных об оценках услуг и объектов туристской индустрии с проведением апробации на Приморском крае.

Для осуществления цели работы необходимо выполнить следующие задачи:

1. Обосновать целесообразность применения методического подхода к исследованию потребительской оценки туристской сферы.

2. Создать базу данных отзывов об услугах и объектах туристской индустрии Приморского края.

3. Сформировать проект прототипа электронной системы потребительской оценки услуг туристских предприятий.

Применение технологий из сферы IT и внедрение в экосистему туристской индустрии позволили создать продукт, способный обеспечить объективной информацией о степени удовлетворенности туристов услугами и объектами туристской отрасли.

Гипотеза исследования – применение нейронной сети позволит сформировать объективную оценку удовлетворенности туристов на основании непредвзятого исследования отзывов пользователей.

Проблеме исследования удовлетворенности потребителей посвящено множество трудов. При этом важным является определение уровня удовлетворенности, где одним из критериев является непосредственно потребительская оценка. Немаловажным является тот факт, что до сих пор не существует единого метода измерения уровня потребительской удовлетворенности.

Таблица 1

Положительные и отрицательные характеристики методов потребительской оценки

Название метода
Положительные характеристики
Отрицательные характеристики
Традиционный подход
Широкий спектр исследований потребительских намерений
Ограниченность в объективной оценке потребительских характеристик
Метод конверсионной модели
Эффективность исследования потребительской лояльности
Результаты не представляются в количественном измерении
Метод Райхельда
Возможность обнаружения истинного приверженца услуги
Результаты не представляются в количественном измерении
Метод маркетингового шкалирования
Соответствует целевым направлениям проекта
Трудность в реализации
Методы потребительской лояльности Аакера
Широкий спектр применяемых практик исследования
Долгосрочность исследования и затрачиваемые ресурсы
Метод Ламбена
Неэластичность исследования
Долгосрочность исследования
Модель SERVLOYAL
Количество изучаемых отраслей потребительского поведения
Методология проведения
Источник: составлено авторами.

Таким образом, общий принцип оценки потребительской удовлетворенности, формирующей лояльное отношение к товару (услуге) или предприятию, строится на исследовании мотивации выбора, поведенческих моделях, а также послепродажной реакции. В качестве исследовательских методов наиболее часто используются: анкетирование (интервьюирование) и наблюдение. Эксперимент как способ нахождения причинно-следственных связей в рамках изменения потребительского поведения при вводе новых или измененных параметрах товара (услуги) применяется на порядок реже.

Основой методологической базы исследования являются: анализ и синтез, статистическая обработка, метод машинного обучения, группировка, фильтрация, моделирование и программирование.

В сфере туризма автоматизированный сбор информации об удовлетворенности туристами потребляемых туристских услуг обладает высокой ценностью, так как снижает издержки, которые тратятся на получение информации от потребителя. Наиболее популярным методом проведения потребительской оценки в сервисах по туризму, расположенных в сети Интернет, является анкетирование туриста в период завершения реализации услуг [4] (Bakutskaya, Kazak, 2018). К примеру, такой метод часто применяется в системах бронирования мест размещения [5]. Применяемый метод заключается в рассылке ссылок, ведущих к электронной анкете, на электронную почту потребителя в течение или несколько позже момента завершения пользования услугами туристского предприятия.

В B2C-маркетинге потребитель совершает покупку для себя, в целях удовлетворения сугубо своих личных интересов. При таком подходе большую роль играет психология потребителя. Для бизнеса необходимо понять, каким образом она устроена, найти для себя оптимальные техники и грамотно пользоваться ими при совершении продажи. От того, насколько глубоко предприниматели научатся пользоваться и извлекать прибыль из поведенческого психотипа покупателя, зависит их успешная жизнь на рынке.

Рейтинг удовлетворенности туристов услугами предприятия представляет собой комплекс показателей и индикаторов, учет которых позволяет принимать оптимальное решение о благоприятных путях развития, определять первостепенные направления деятельности организации в улучшении уровня качества услуг, повышать ответственность за развитие в сфере туристской индустрии [6].

Имидж Приморского края можно оценивать как с субъективной точки зрения (мнение каждого отдельного туриста), так и с объективной (исследования, рейтинги). Также стоит отметить разницу между туристским имиджем Приморского края на российском и международном рынке, ведь внутри страны территория региона может иметь один туристский имидж, а на международной арене – совсем другой.

Согласно данным международных и национальных рейтингов, туристский имидж Приморского края является неоднозначным в глазах туриста. В определенных аспектах, таких как событийный потенциал и туристская привлекательность, на мировом туристом рынке Приморский край занимает высокие позиции. В то же время результаты национальных и международных рейтингов определяют край как малозаметный, показывают небольшую привлекательность туристских маршрутов региона.

Создание базы данных, содержащей потребительские оценки туристов услуг туристских предприятий и туристских объектов, позволит обеспечить дальнейшее исследование и абсорбцию мнений туристов, находящихся в открытом доступе в электронной среде. В электронную среду включаются: электронные системы бронирования, информационные агрегаторы, специализированные сайты и социальные сети [7] (Poberezhnik, 2020).

Структура предполагаемой нейронной сети, которая будет способна обрабатывать и анализировать информацию из базы данных, проиллюстрирована на рисунке 1.

Рисунок 1. Структура предполагаемой нейронной сети

Источник: составлено авторами.

Методический подход к исследованию потребительской оценки предприятий туристской сферы региона предполагает изучение основных компонентов туристской индустрии [8] (Galimov, 2017). Коллективные средства размещения, предприятия питания, турфирмы, природные и культурные аттракции, предприятия, осуществляющие транспортные услуги, являются основой базы данных об удовлетворенности туристов. В таблице 2 приведены статистические данные о количестве исследованных туристских объектов в Приморском крае за 2021 год.

Таблица 2

Количество обработанных туристских объектов в 2021 году

Тип туристского объекта
Количество обработанных объектов
Коллективные средства размещения
650
Предприятия питания
1344
Турфирмы
443
Природные и культурные аттракции
967
Транспортные услуги
200
Источник: составлено авторами.

Количество исследуемых типов туристских объектов было достаточно для реализации объективного исследования степени удовлетворенности туристов Приморского края, так как в перечень исследуемых типов туристских объектов включены все ключевые туристские объекты Приморского края. Для сбора базы данных потребительской оценки компонентов туристской индустрии Приморского края использовались источники информации, не только способные обеспечить приток актуальной информации о мнении потребителей, уровне качества предоставляемых услуг, но и содержать обновляемую информацию о характеристиках предприятий: booking.com, 2GIS, vl.ru, G.Maps [9] (Toniev, Albekova, 2018).

В рамках исследования в общей сложности было проанализировано свыше 200 000 отзывов за 2019–2021 годы. Для проверки качества итогового обучения нейросетевеой модели была использована тестовая выборка отзывов из города Краснодара объемом 2 миллиона штук, так как в сравнении с другими субъектами указанный регион обладает наибольшим объемом отзывов о сфере туризма среди всей массы отзывов пользователей [10] (Shkunova, Prokhorova, Zorkov, Markova, Savinov, 2020). Результат проверки качества и точности обучения модели нейронной сети представлен на рисунке 2.

Рисунок 2. Точность нейронной сети

Источник: составлено авторами.

Таким образом, тестирование нейронной сети показало точность предсказания тональности пользовательских отзывов – 88%. Данный показатель является высоким и говорит об отсутствии необходимости в дообучении модели [11] (Abramova, 2016).

Проведенные шаги в области обучения прототипа электронной системы оценки удовлетворенности туристскими услугами Приморского края позволили обеспечить корректное функционирование нейронной сети. Успех в этапе обучения нейронной сети позволил команде разработки перейти к проведению оценки базы отзывов с использованием обученной модели нейронной сети и проанализировать удовлетворенность туристскими услугами Приморского края.

Основываясь на факте успешного обучения нейронной сети, представляется возможным применение ИНС для проведения оценки собранной базы данных отзывов и анализа мнений туристов о предприятиях и объектах Приморского края.

Результаты. Результаты анализа отзывов туристов представлены в виде рисунков 3–5, иллюстрирующих текущую степень удовлетворенности туристов Приморского края.

На рисунке 3 представлена диаграмма, содержащая количество собранных отзывов. Лидерами извлеченных отзывов, согласно диаграмме, являются Google и Booking, а аутсайдером исследования является информационный сайт Tripadvisor. С другой стороны, российские интернет-ресурсы в лице 2ГИС и Вл.ру обладают небольшим отставанием от лидеров, что может свидетельствовать о популярности этих ресурсов среди русскоязычных туристов и местного населения.

Рисунок 3. Количество собранных отзывов из источников

Источник: составлено авторами.

Наибольшее число отзывов относятся к предприятиям общественного питания и коллективным средствам размещения. Общее количество отзывов о других типах предприятий и туристских объектах (аттракции, транспорт, турфирмы) не превышает исчисление в 1,5% от общей массы отзывов. Информация о количестве отзывов по типам туристских объектов представлена на рисунке 4.

Рисунок 4. Количество собранных отзывов по типам туристских объектов

Источник: составлено авторами.

В рамках исследования удовлетворенности туристскими услугами осуществлялся сбор отзывов с 2019 г. по настоящее время. На рисунке 5 представлено распределение объема отзывов туристов по выделенным годам.

Рисунок 5. Распределение отзывов по годам

Источник: составлено авторами.

В процентном соотношении распределение отзывов по годам выражено следующим образом: 2021 год – 37,84%, 2020 год – 28,69%, 2019 год – 33,47%. Представленная статистика свидетельствует о количественном провале отзывов в 2020 году, обусловленном общим состоянием сферы туризма и макроэкономическими последствиями эпидемии коронавирусной инфекции, а также применяемыми мерами со стороны государства в области сдерживания распространения заболевания. С другой стороны, 2021 год показывает результаты, опережающие статистические данные за 2019 год, что означает положительную динамику в развитии туристской отрасли Приморского края.

При проведении анализа отзывов туристов все комментарии делились по признаку отношения комментатора к туристскому объекту Приморского края: на положительные, отрицательные и нейтральные [12] (Borodkina, 2020). Так как система оценки удовлетворенности туристскими услугами использует 5-балльную систему оценки, то признак отношения комментатора соответствует оценке, которую он выставляет. К положительным отзывам относятся комментарии с оценкой от 4 до 5, к нейтральным – с 3, а к негативным – от 1 до 2.

Как можно заметить, тенденция в динамике типов отзывов в период 2019–2021 гг. параллельна динамике общего количества отзывов и предопределена такими же условиями, которые были обозначены ранее.

На рисунке 6 изображен рейтинг туристских объектов на основе 5-балльной системы расчета.

Рисунок 6. Рейтинг туристских объектов Приморского края

Источник: составлено авторами.

Заключение. По результатам исследования было собрано и оценено 215 160 отзывов туристов по предприятиям и аттракциям Приморского края. На основании обработки указанного количества отзывов о туристской сфере Приморского края был рассчитан рейтинг туристской отрасли Приморья, который составил 3,94 балла из 5 возможных.

В результате проектной командой был создан прототип электронной системы, способный обработать большое количество мнений потребителей туристских услуг региона, представить объективную картину соответствия уровня качества предоставляемых туристских услуг Приморского края запросам и ожиданиям туристов.

В ходе проведения исследования были выявлены проблемы, которые сказываются на качестве предоставляемого нейронной сетью анализа отзывов. Так, критичными проблемами являются: блокировки сайтов, содержащих отзывы туристов, наличие у сайтов защиты от сбора отзывов. Другие, менее весомые проблемы – отсутствие готовых инструментов для интеграции в нейронную сеть для улучшения аналитических возможностей, необходимость частого повторного обновления уже обработанных источников для сбора новых отзывов, объем сторонней информации, который обрабатывается нейронной сетью. Решение критических проблем требует обходных путей для получения доступа к интернет-ресурсам и внедрения определенных принципов работы нейронной сети для исключения срабатывания защиты от парсинга. Оба подхода увеличивают время на обработку отзывов туристов. Для решения менее критических проблем возможно: создание собственных решений для интеграции в нейронную сеть, обучение нейронной сети новым навыкам, предназначенным для исключения повторного исследования уже собранных данных и сбора посторонней информации.

Продукт, представленный в исследовании, представляет собой прототип электронной системы, который обладает базовыми функциями, модулями. Характерной чертой прототипа электронной системы оценки удовлетворенности является перспективность модифицирования и улучшения продукта. Перспективы развития электронной системы заключаются в: использовании других источников информации, проведении дополнительных расчетов рейтинга туристской сферы Приморского края и введении новых функций. Команда проекта уже приступила в 2022 к реализации новых идей по улучшению нейронной сети и базы данных.


Источники:

1. Цифровизация промышленности. Frprf.ru. [Электронный ресурс]. URL: https://frprf.ru/zaymy/tsifrovizatsiya-promyshlennosti (дата обращения: 08.04.2022).
2. Собиров Б.Ш. Клиентский опыт бизнеса: новые формы в условиях цифровых экосистем // Modern Science. – 2021. – № 4-3. – c. 154-157.
3. Гретченко А.А. Сущность цифровой экономики, генезис понятия «цифровая экономика» и предпосылки ее формирования в России // Наука и практика. – 2018. – № 3(31). – c. 23-37.
4. Бакуцкая Ю.В., Казак С.А. Применение цифровых технологий в туризме // Наука и инновации в XXI веке: актуальные вопросы, открытия и достижения: сборник статей IX Международной научно-практической конференции. Пенза, 2018. – c. 104-106.
5. Бронирование отелей Booking. Booking.com. [Электронный ресурс]. URL: https://www.booking.com (дата обращения: 10.04.2022).
6. Туризм и индустрия гостеприимства. Национальные проекты туризма. [Электронный ресурс]. URL: https://xn--80aapampemcchfmo7a3c9ehj.xn--p1ai/projects/turizm (дата обращения: 10.04.2022).
7. Побережник В.И. Классификация структур информационной модели с помощью предварительно обученных нейронных сетей // Приложение математики в экономических и технических исследованиях. – 2020. – № 1(10). – c. 147-154.
8. Галимов Р.Г. Основы алгоритмов машинного обучения - обучение без учителя // Аллея науки. – 2017. – № 14. – c. 807-809.
9. Тониев Ю.В., Альбекова З.М. Искусственный интелект - машина и человек // Знание. – 2018. – № 8-1(60). – c. 94-96.
10. Шкунова А.А., Прохорова М.П., Зорков М.А., Маркова Д.С., Савинов М.И. Искусственный интелект в управлении человеческими ресурсами // Инновационная экономика: перспективы развития и совершенствования. – 2020. – № 1(43). – c. 150-155.
11. Абрамова Т.А. Разработка парсинг-системы для получения скрытых ссылок со страниц социальных сетей // Вестник Пензенского государственного университета. – 2016. – № 3(15). – c. 41-47.
12. Бородкина В.Е. Подход к адаптации открытых баз знаний к использованию в задачах обучения нейросетевых классификаторов // Сборник избранных статей научной сессии ТУСУР. – 2020. – № 1-2. – c. 11-14.

Страница обновлена: 25.08.2022 в 13:15:58