دانلود ترجمه مقاله کاربرد کلان داده های سیستم های اطلاعات مدیریت ارتباط با مشتری

1. مقدمه 2. بررسی مقالات 2.1. استفاده از سیستم مدیریت ارتباط با مشتری در صنعت هتلداری 2.2. نقش کلان داده در صنعت هتلداری 2.3. نماسازی مشتری در زمان سنج های اولیه و تکرار‏کننده‏ ها 3. روش های تحلیل داده‏ای و آماری 3.1. پایگاه کلان داده 3.2. آزمونهای تناسب و نمونه‏ گیری بوت استرپ 3.3. کلان داده و اجرای روش نگاشت کاهش 4. نتایج 4.1. استفاده از برخی آمارهای توصیفی 4.2. مزیتهای استفاده از آزمون های فرضیه کلان داده 4.3. استفاده از نتایج کروموزومی و تار عنکبوتی برای آزمون تناسب 5. بحث و بررسی و مفاهیم 5.1. بحث در مورد مطالعه موردی کلان داده 5.2. پیامدهای فنی 5.3. یافته‏ های مربوط به هتل های زنجیره‏ای 6. نتیجه‏ گیری نهایی

مقدمه: دانش مشتری برای صنعت هتلداری حیاتی است و نقش مهمی را در بهبود خدمات و افزایش کیفیت آنها (یعنی آنچه که بیشتر پذیرفته و سفارشی ‏سازی شده است)، ارتباط با مشتری و رویکرد استراتژی های بازاریابی ایفا می نماید (آدوماویسیوس و توژیلین، 2001، مین و ایمام، 2002). تمامی این عوامل باعث بهتر شدن رضایت مشتری، افزایش وفاداری، زیاد شدن تعداد مشتریان و افزایش قابلیت سود دهی می ‏شوند (تیسِنگ و وو، 2014). در طی چند سال گذشته، این نوع اطلاعات در برخی از هتل ها از طریق جمع‏ آوری و ثبت پیش‏ گستر اولویت های مشتری در سیستم هایی مدیریت می ‏شد که به سیستم مدیریت ارتباط با مشتری معروف هستند (سارمانیوتیس، آسیماکوپولوس و پاپائیوانوس، 2013). سیستم های مدیریت ارتباط با مشتری به ‏عنوان یک استراتژی کلیدی برای بهبود رضایت و حفظ و نگهداری مشتری به‏ ویژه در هتل ها در نظر گرفته می ‏شوند (پادیلا/ مِلِندز، گاریدو و مورنو، 2013). آنها با ایجاد حجم زیادی از اطلاعات ارزشمند در مورد مشتریان خود برای سازمان ها بسیار سودمند هستند (چادها، 2015، کوتلر، 2002، نِگویِن، شِریف، نیوبای، 2007). با این وجود، نتایج به ‏دست آمده (دورسان و کابر، 2016) نشان می ‏دهند که حتی تکنیک های تجزیه و تحلیل پیشرفته مانند استخراج داده‏ ای در صنعت هتلداری برای هدف نماسازی موثر مشتریان از طریق کاربرد داده‏ های جامع مورد استفاده قرار نمی‎گیرد، داده‏ هایی که به‏ صورت روزمره به ‏وسیله سیستم های مدیریت ارتباط با مشتری جمع‏ آوری می‏ شوند. امروزه حجم زیادی از داده ‏های موجود در شرکت های هتلداری اعم از داخلی و ساختاری (مدیریت اموال و مدیریت ارتباط با مشتری) یا خارجی و غیرساختاری (مانند بسترهای نظرسنجی، شبکه‏های اجتمایی، بومی‏ سازی جغرافیایی و سایر عوامل) در دسترس است. در نتیجه لازم است که ابزارهای قدرتمند موجود در فناوری های کلان داده در نظر گرفته شوند که از قبل در سایر رشته‏ ها مانند بیوانفورماتیک (زیست/ اطلاع رسانی)، خدمات درمانی و بهداشتی و مالی مورد استفاده قرار می‏ گرفت (جرج، هاس، پنت‏لند، 2014). فناوری های کلان داده فرصت های بی‏ نظیری را برای استنباط آماری در تجزیه و تحلیل کلان فراهم می‏ کند اما هنگامی که با تحلیل مجموعه داده ‏‏های کوچکتری که با دقت جمع ‏آوری شده‏ اند، مقایسه می‏ گردند، با چالش های جدیدی روبرو می ‏شوند. در تحقیقات سیواراژه، کمال، ایرانی و ویراکودی (2017) یک بررسی نظام‏ مند و گویا بر روی تجزیه و تحلیل فناوری های پیشرفته و تحلیل کلان داده؛ چالش های کلیدی را بر حسب انواع داده‏ های مختلف، پردازش داده‏ ای و مدیریت داده‏ ای نشان می ‏دهد. همانطور که قبلا اشاره کردیم، آمارهای توصیفی ساده‏ ترین شکل روش های تحلیلی کلان داده هستند و معمولا شامل خلاصه ‏سازی و توصیف دانش و الگوها با استفاده از آزمون های آماری ساده مانند میانگین، میانه، نما، واریانس یا تناسب می‏ باشند. وقتی سودمندی فناوری های کلان داده در یک برنامه کاربردی جدید به دقت مورد بررسی قرار می‏ گیرد، لازم است که قبل از انجام تحلیل های پیشرفته مانند استخراج داده ‏ای و یادگیری ماشین پیشرفته؛ رفتار و دامنه آمارهای اولیه مورد بررسی قرار گیرند. در این تحقیق؛ هدف اصلی و کاربردی ما، تعیین نمای مشتری در یک زنجیره هتل بین‏ المللی با استفاده از اطلاعات سیستم مدیریت ارتباط با مشتری است. برای رسیدن به این هدف، ما گروه های متغیر مناسب را شناسایی کردیم، سپس معانی کاربردی آنها را با استفاده از تحلیل های کلان داده در آزمون های تناسب با توجه به نسبت های بین تکرار‏کننده‏ ها و بازدیدکننده اولیه تجزیه و تحلیل نمودیم. استفاده از آزمون های تناسب معتبر و نیرومند در این مرحله صرفا از طریق کاربرد تکنیک های باز نمونه ‏گیری بوت‏ استرپ امکانپذیر است به‎طوری که زمینه برای اجرای آزمون انقطاع زمانی و تصمیم‏ گیری در تحلیل های کلان فراهم می ‏شود. بنابراین، نتایجی که به‏ دست می‏ آیند؛ دو نوع هستند: 1- نتایجی که با تکنیک های کلان داده مدیریت ارتباط با مشتری مرتبط هستند 2- نتایجی که از برنامه‏ های کاربردی زنجیره هتل به ‏دست می‏آیند.

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 so called 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). Nevertheless, it has been recently pointed out (Dursun & Caber, 2016) that even advanced analysis techniques, such as data mining, are not yet being adequately used in the hotel industry for the purpose of effectively profiling the customers by using the comprehensive data that are routinely collected with hotel CRM systems. A large amount of information is available nowadays in hotel companies, either internal and structured (from the Property Management and the CRM systems), or external and unstructured (such as opinion platforms, social networks, or geolocalization, among many others). This brings the need to consider powerful tools available from Big Data technologies, which have already been successfully used in other fields such as bioinformatics, healthcare, or finance (George, Haas, & Pentland, 2014), to name just a few. Big Data technologies are providing unprecedented opportunities for statistical inference on massive analysis, but they also bring new challenges to be addressed, especially when compared to the analysis of carefully collected smaller data sets. In Sivarajah, Kamal, Irani, and Weerakkody (2017), a systematic and illustrative review is presented on the state-of-art analysis of the literature on Big Data techniques and Big Data Analytics, which highlights the key challenges in terms of different data types, data processing, and data management. As pointed therein, descriptive statistics are the simplest form of Big Data analytic methods, and they involve the summarization and description of knowledge and patterns by using simple statistical tests, such as mean, median, mode, variance, or proportions. When scrutinizing the usefulness of Big Data technologies in a new application field, it is necessary to establish well the behavior and scope of basic statistics, before going into more sophisticated analytics such as data mining or advanced machine learning. In the present work, our main practical objective was to determine the client profile in an international hotel chain by exploiting the overall information in its CRM system. For this purpose, we identified the relevant variable groups, and we analyzed their practical meaning by using Big Data analytics on proportion tests from ratios between repeaters and first-timers. The use of robust and reliable proportion tests in this scenario has been tackled by using Bootstrap resampling techniques, which provides us with clear cut-off tests for decision making even in massive analysis conditions. It was possible for us to obtain two types of implications, namely, those related with the application of Big Data techniques to CRM exploitation, and those related with the results derived from the specific application to this hotel chain.

بخشی از ترجمه مقاله (صفحه 14 و 15 فایل ورد ترجمه)