دانلود ترجمه مقاله تعیین استراتژی های تخصیص سرمایه گذاری برای بهبود رضایت مشتری

1. مقدمه 2. مروری بر مقالات 3. مدل IPA نامتقارن مبتنی بر یادگیری ترجیحات با نظرات آنلاین 4. مطالعه موردی: توسعه استراتژی‌های بهبود برای هتل‌ها 5. مفاهیم تحقیق 6. نتیجه گیری

چکیده – استخراج عملکرد ویژگی‌های محصول، اهمیت آن‌ها و اثرات (نا)متقارن آن‌ها بر رضایت مشتری از نظرات آنلاین برای شرکت‌ها بسیار مهم است تا بتوانند راهبردهای تخصیص سرمایه‌گذاری در زمان واقعی برای بهبود محصول را تدوین کنند. در حالی که مطالعات موجود از یادگیری ماشین، رگرسیون و تحلیل همبستگی برای بررسی این روابط پیچیده استفاده کرده‌اند، با چالش ایجاد تعادل بین دقت پیش‌بینی و قابلیت تفسیر مواجه هستند. این مقاله یک مدل تحلیل اهمیت-عملکرد نامتقارن مبتنی بر یادگیری ترجیحات با استفاده از نظرات آنلاین ارائه می‌دهد. این مدل یک تابع ارزش نامتقارن را با ترکیب پارامترهای ترجیحی ناشناخته طراحی می‌کند تا اثرات (نا)متقارن عملکرد ویژگی‌ها بر رضایت کلی مشتری را روشن کند. فرآیند یادگیری پارامترهای ترجیحی از طریق برنامه‌ریزی ریاضی با یک آزمایش شبیه‌سازی پیاده‌سازی می‌شود. ویژگی‌ها بر اساس عملکرد و اهمیتشان به هشت دسته تقسیم می‌شوند که هر کدام با یک استراتژی بهبود مطابقت دارند. یک مدل بهینه‌سازی برای توسعه راهبردهای تخصیص سرمایه‌گذاری برای بهبود ویژگی‌ها، با هدف به حداکثر رساندن رضایت مشتری در چارچوب محدودیت‌های مالی مشخص، ساخته شده است. یک مطالعه موردی متمرکز بر هتل، این رویکرد را به نمایش می‌گذارد و شبیه‌سازی‌ها استحکام مدل پیشنهادی را تأیید می‌کنند. مقدمه: تحلیل رضایت مشتری یک روش موثر برای توسعه استراتژی‌های بهبود محصول است که به نوبه خود به شرکت‌ها کمک می‌کند هزینه‌ها را به حداقل برسانند، نرخ خرید مجدد مشتری را بهبود بخشند و سودآوری شرکت را افزایش دهند. رضایت مشتری از یک محصول تابعی از عملکرد ویژگی‌ها و ترجیحات او برای ویژگی‌های مختلف است (سونگ و همکاران، 2024). ترجیحات مشتری معمولاً با اهمیت ویژگی‌ها منعکس می‌شود (ژو و همکاران، 2022). تأثیر ترجیحات مشتری و عملکرد ویژگی‌ها بر رضایت مشتری در تحقیقات مربوط به مشتریان مهم است (لو و همکاران، 2023).

Mining product attribute performance, importance, and their (a)symmetric impacts on consumer satisfaction from online reviews is crucial for enterprises to formulate real-time investment allocation strategies for product improvement. While existing studies have employed machine learning, regression, and correlation analysis to explore these complex relationships, they face the challenge of balancing prediction accuracy with interpretability. This paper proposes an asymmetric importance-performance analysis model based on preference learning with online reviews. It devises an asymmetric value function incorporating unknown preference parameters to elucidate (a)symmetric impacts of attribute performance on overall consumer satisfaction. The process of learning preference parameters is implemented by mathematical programming with a simulation experiment. Attributes are classified into eight categories according to their performance and importance, each corresponding to an improvement strategy. An optimization model is constructed to develop investment allocation strategies for attribute improvement, aiming at maximizing consumer satisfaction within established financial constraints. A hotel-focused case study showcases the approach, and simulations validate the robustness of the proposed model. Introduction: Consumer satisfaction analysis is an effective way to develop product improvement strategies, which in turn helps enterprises minimize costs, improve consumer repeat purchase rates, and enhance corporate profitability. A consumer's satisfaction with a product is a function of attribute performance and his/her preferences for different attributes (Song et al., 2024). Consumer preferences are usually reflected by the importance of attributes (Zhu et al., 2022). The impact of consumer preferences and attribute performance on consumer satisfaction is important in consumer research (Lu et al., 2023).