تحلیل اطلاعات پروفایل کاربران وب‌سایت تریپ ادوایزر بر اساس روش‌های داده‌کاوی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

2 استادیار دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی ، تهران، ایران

3 دانشیار دانشکده مدیریت و حسابداری،دانشگاه علامه طباطبائی ، تهران، ایران

4 دانشجوی دکترای دانشکده مدیریت و حسابداری،دانشگاه علامه طباطبائی، تهران، ایران

چکیده

امروزه صنعت گردشگری یکی از پایه‌های هر اقتصاد پایداری است، به‌گونه‌ای که حدود 10 درصد از اقتصاد جهان را به خود اختصاص داده است. هدف از این پژوهش مطالعه و تحلیل اطلاعات پروفایل کاربران یکی از مطرح‌ترین وب‌سایت‌های تجارت اجتماعی گردشگری به نام تریپ ادوایزر، با بهره‌گیری از تکنیک‌های داده‌کاوی است. بدین منظور پایگاه داده وب‌سایت تریپ ادوایزر موردبررسی قرارگرفته و اطلاعات پروفایل کاربرانی که حداقل در مورد یکی از هتل‌های ایران اظهار نظرکرده بودند استخراج شد. پس‌ازآن کلیه شاخص‌های پروفایل کاربران توسط تکنیک انتخاب شاخص موردبررسی قرار گرفت و شاخص‌هایی که بیشترین تأثیر را بر روی خوشه‌بندی داشتند مشخص شدند. در ادامه با محاسبه شاخص دیویس-بولدین تعداد خوشه بهینه، سه به دست آمد و کاربران به سه خوشه تقسیم گردیدند. هر خوشه دارای مشخصات منحصربه‌فردی بود که به نام‌های پیشروان، سفر دوستان اشرافی و کاربران کم سفر نام‌گذاری گردیدند. سپس بر اساس ویژگی‌های هر یک از این سه خوشه و اطلاعات پروفایل کاربران آن‌ها با استفاده از قوانین انجمنی اقدام به شناخت بیشتر هر خوشه شد. درنهایت متناسب با ویژگی‌های تحلیل‌شده، راهکارهایی برای افزایش مشارکت این کاربران در وب‌سایت و برنامه‌های تبلیغاتی هدفمند برای هرکدام از این خوشه‌ی کاربران ارائه گردید.

کلیدواژه‌ها


عنوان مقاله [English]

Tripadvisor Users’ Profile Analysis: A Data Mining Approach

نویسندگان [English]

  • Mohammad Taghi Taghavifard 1
  • Iman Raeisi Vanani 2
  • Zohreh Dehdashti Shahrokh 3
  • Amir Arzy 4
1 Associate Prof. Allameh Tabatabai Management School, Tehran, Iran
2 Assistant Prof. Allameh Tabatabai Management School, Tehran, Iran
3 Associate Prof. Allameh Tabatabai Management School, Tehran, Iran
4 Ph.D. Student. Allameh Tabatabai Management School, Tehran, Iran
چکیده [English]

Nowadays, the tourism industry is one of the cornerstones of any sustainable economy, in a manner that it assigns about 10 percent of the global economy. The purpose of this article is to study and analyze the profile information of users of one of the most popular social tourism websites called Tripdvisor, by utilizing data mining techniques. For this purpose, the database of the tripadvisor website was considered and the profile information of the users who at least had commented on one of the Iranian hotels was extracted. After that all the information of user profiles were evaluated by feature selection technique and the information that had the most impact on the clustering were identified. In the following, by calculating the Davies–Bouldin index, the optimal number of clusters was obtained and it was three, and the users were divided into three clusters. Each cluster had unique characteristics that were named pioneers, aristocratic friends travel, and low-travel users. Then, based on the characteristics of each of these three clusters and their users' profile information by using association rules, each cluster was attempted to be further identified. Finally, proportional with the analyzed features, some solutions and approaches were provided to increase the participation of these users in the website and targeted promoting programs for each of these users' cluster.

کلیدواژه‌ها [English]

  • Data mining
  • e-commerce
  • social commerce
  • Social Media
  • Tourism
  • Tripadvisor
سهرابی، ب.، رئیسی وانانی، ا.، و خداپرست، ف. 1395. تحلیل نظرات کاربران وب‌سایت‌های تجارت اجتماعی بر اساس روش‌های متن‌کاوی و داده‌کاوی. مجله جهانی رسانه، 11(2)، 163-179.
سیادت، س.، شکوهیار، س.، و سخی جوارشک، س. 1395. ارزیابی عوامل مؤثر بر محبوبیت تبلیغات در رسانه اجتماعی آنلاین. مجله جهانی رسانه، 11(1)، 66-79.
شریف‌آبادی، ع.، و اسدیان اردکانی، ف. 1393. اولویت‌بندی رسانه‌ها در حوزه‌های مختلف گردشگری با استفاده از روش VIKOR فازی. مجله جهانی رسانه، 9(1)، 113-128.
Chen, Y.  H., & Barnes, S.  2007.  Initial trust and online buyer behaviour.  Industrial management & data systems, 107(1), 21-36.
Clement, J. 2019. Online shopping behavior in the United States - Statistics & Facts. URL: https://www.statista.com/topics/2477/online-shopping-behavior.
Curty, R.  G., & Zhang, P.  2011.  Social commerce: Looking back and forward.  Proceedings of the American Society for Information Science and Technology, 48(1), 1-10.
Dickinger, A., & Lalicic, L.  2016.  An analysis of destination brand personality and emotions: A comparison study.  Information Technology & Tourism, 15(4), 317-340.
Ghose, A., & Ipeirotis, P. 2009. The EconoMining project at NYU: Studying the economic value of user-generated content on the internet. Journal of Revenue & Pricing Management, 8(2), 241-246.
Holsing, C., & Schultz, C. D. 2013. Association Rules in Web Usage Logfile Data–Empirical Insights into the Use of User-Generated Web Site Features. In Co-created Effective, Agile, and Trusted eServices (pp. 50-62). Springer Berlin Heidelberg.
National Internet Development Agency of Korea.  2018.  Social Software: Beyond Consumer, Go Enterprise.
Leitner, P., & Grechenig, T.  2008.  Collaborative shopping networks: Sharing the wisdom of crowds in E-commerce environments.  BLED 2008 Proceedings, 21.
Lu, Y., Zhao, L., & Wang, B.  2010.  From virtual community members to C2C e-commerce buyers: Trust in virtual communities and its effect on consumers’ purchase intention.  Electronic Commerce Research and Applications, 9(4), 346-360.
Mangold, W.  G., & Faulds, D.  J. 2009.  Social media: The new hybrid element of the promotion mix.  Business horizons, 52(4), 357-365.
Park, D.  H., Lee, J., & Han, I.  2007.  The effect of on-line consumer reviews on consumer purchasing intention: The moderating role of involvement.  International Journal of Electronic Commerce, 11(4), 125-148.
Pitchayadejanant, K., & Nakpathom, P. 2018. Data mining approach for arranging and clustering the agro-tourism activities in orchard. Kasetsart Journal of Social Sciences, 39(3), 407-413.
Ridings, C.  M., & Gefen, D.  2004.  Virtual community attraction: Why people hang out online.  Journal of Computer‐Mediated Communication, 10(1).
Saundage, D., & Lee, C.  Y. 2011, January.  Social commerce activities–a taxonomy.  In ACIS 2011: Identifying the information systems discipline: Proceedings of the 22nd Australasian Conference on Information Systems.  ACIS.
Tuominen, P. 2011. The influence of TripAdvisor consumer-generated travel reviews on hotel performance.
Wirth, R., & Hipp, J.  2000, April.  CRISP-DM: Towards a standard process model for data mining.  In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (pp.  29-39).
Yang, H. L., & Tang, J. H. 2005. Key user roles on web-based information systems requirements. Industrial Management & Data Systems, 105(5), 577-595.