Исследование качества обслуживания клиентов авиакомпаний методами машинного обучения

В статье приводятся результаты применения методов машинного обучения для исследования данных специальной анкеты, учитывающей общие характеристики авиарейсов, характеристики пассажиров и их мнения о различных аспектах авиарейса. Цель исследования – выявление в экспериментальных данных факторов, негативно влияющих на отношение пассажиров к услугам авиакомпании.

При проведении исследования были использованы популярные алгоритмы, входящие в состав свободного программного обеспечения для анализа данных и машинного обучения, университета Вайкато (Новая Зеландия) WEKA, распространяемого по лицензии GNU GPL: наивный байесовский классификатор; многослойный перцептрон, использующий алгоритм обратного распространения ошибки; метод ближайших соседей (KNN) с адаптивным подбором параметров; деревья решений – алгоритм J48, который является аналогом на Java известного алгоритма C4.5; случайный лес; логистическая регрессия; алгоритм адаптивного бустинга (AdaBoost); машина опорных векторов – алгоритм SMO (Sequential Minimal Optimization), являющийся одной из возможных реализаций алгоритма машины опорных векторов.

Показано, что наилучшие по точности модели, отражающие удовлетворенность пассажиров услугами авиакомпании, получаются с помощью алгоритмов «случайный лес» (погрешность на тестовой выборке – 3,9 %) и нейросетевого подхода (погрешность на тестовой выборке – 3,7 %). Вместе с тем, указанные алгоритмы не позволяют явным образом выделить факторы, характерные для авиапассажиров, не удовлетворенных качеством обслуживания. Этот пробел восполняет алгоритм на основе метода структурного резонанса в многомерных данных SRMD, позволивший выявить в данных точные логические правила, обладающие высокой полнотой. Полученные логические правила являются хорошо интерпретируемыми паттернами пассажиров, которые либо отрицательно, либо нейтрально оценивают услуги авиакомпании в целом.

1. Dike, S. E., Davis, Z., Abrahams, A., Anjomshoae, A., Ractham, P. Evaluation of passengers’ expectations and satisfaction in the airline industry: an empirical performance analysis of online reviews. Benchmarking: An International Journal, 2024, Vol. 31, Iss. 2, pp. 611–639. DOI: 10.1108/BIJ-09-2021-0563.

2. Fodness, D., Murray, B. Passengers’ expectations of airport service quality. Journal of Services Marketing, 2007, Vol.21, Iss.7,pp.492–506.DOI:10.1108/08876040710824852.

3. Ban, H.-J., Kim, H.-S. Understanding Customer Experience and Satisfaction through Airline Passengers’ Online Review. Sustainability, 2019, Vol. 11 (15), pp. 1–17. DOI: 10.3390/su11154066.

4. Awadh, M. Assessing the Quality of Sustainable Airline Services Utilizing the Multicriteria Decision-Making Approach. Sustainability, 2023, Vol. 15 (9), pp. 1–19. DOI: 10.3390/su15097044.

5. Namukasa, J. The influence of airline service quality on passenger satisfaction and loyalty: the case of Uganda airline industry. The TQM Journal, 2013, Vol. 25, Iss. 5, pp. 520–532. DOI: 10.1108/TQM-11-2012-0092.

6. Tahanisaz, S., Shokuhyar, S. Evaluation of passenger satisfaction with service quality: A consecutive method applied to the airline industry. Journal of Air Transport Management, 2020, Vol. 83, pp. 101764. DOI: 10.1016/j.jairtraman.2020.101764.

7. Tsaur, S.-H., Chang, T.-Y., Yen, C.-H. The evaluation of airline service quality by fuzzy MCDM. Tourism Management, 2002, Vol. 23 (2), pp. 107–115. DOI: 10.1016/S0261-5177(01)00050-4.

8. Айриев Р. С., Кудряшов М. А. Показатели качества транспортного обслуживания населения // Мир транспорта. – 2018. – Том 16. – № 4 (77). – С. 140–149. DOI: https://doi.org/10.30932/1992-3252-2018-16-4-11.

9. Матанцева О. Ю., Аредова А. К., Щеголева И. В. Исследование влияния факторов на качество обслуживания пассажиров и эффективность использования подвижного состава // Мир транспорта. – 2022. – Том 20. – № 4 (101). – С. 98–104. DOI: https://doi.org/10.30932/1992-3252-2022-20-4-8.

10. Соколов Ю. И. Клиенты сами оценивают качество их обслуживания // Мир транспорта. – 2015. – Том 13. – № 4 (59). – С. 100–109. [Электронный ресурс]: https://mirtr. elpub.ru/jour/article/view/490/761. Доступ 07.01.2024.

11. Дюк В. А. Логические методы машинного обучения (инструментальные средства и практические примеры). – СПб.: Издательско-полиграфическая ассоциация высших учебных заведений. – 2020. – 248 с. ISBN 978-5-91155-087-5.

12. Frank, E., Hall, M. A., Witten, I. H. The WEKA Workbench. Online Appendix for «Data Mining: Practical Machine Learning Tools and Techniques», Morgan Kaufmann, Fourth Edition, 2016. [Электронный ресурс]: https://www.scirp.org/reference/referencespapers?referenceid=2477648. Доступ 07.01.2024.

13. Platt, C. Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines. In: Advances in Kernel Methods – Support Vector Learning. Ed. by B. Schölkopf and C. J. C. Burges and A. J. Smola. Cambridge, MA, MIT Press, 1999, pp. 185–208. [Электронный ресурс]: https://www.researchgate.net/publication/2624239_Sequential_Minimal_Optimization_A_Fast_Algorithm_for_Training_Support_Vector_Machines. Доступ 07.01.2024.

14. Quinlan, J. R. C4.5 Programs for Machine Learning, San Mateo, CA, Morgan Kaufmann, 1992, 302 p. ISBN 978-1558602380.

15. Дюк В. А., Малыгин И. Г. Сравнение алгоритмов распознавания типов транспортных средств по параметрам их силуэтов // Морские интеллектуальные технологии. – 2018. – Т. 4. – № 4 (42). – С. 197–201. EDN: YXSDNR.

16. Дюк В. А., Малыгин И. Г. Сравнительное исследование алгоритмов машинного обучения в задаче прогнозирования динамики велошеринга // Транспорт: наука, техника, управление. Научный информационный сборник. – 2023. – № 6. – С. 40–45. EDN: BVMMSV.