Proactive Handling of Flight Overbooking: How to Reduce Negative eWOM and the Costs of Bumping Customers
Notice bibliographique
Résumé
This research examines the extent to which proactivity in handling flight overbooking reduces negative electronic word-of-mouth (NeWOM) and the required costs of compensation, thus increasing firm profitability. It answers recent calls to use a multimethod approach (i.e., we include archival data, qualitative interviews, seven experiments, and a Monte Carlo simulation for a total of 10 studies) and to adapt recovery to specific contexts (i.e., airlines) and heterogeneous customers (i.e., voluntary/involuntary bumping or offloading). The preliminary studies indicate that overbooking and offloading are pervasive and that a proactive approach is both feasible and desirable. The experiments show that, compared to the default reactive approach (informing passengers at the gate), a proactive approach (informing them before they leave for the airport) substantially reduces NeWOM and the sought compensation. Further, a very reactive approach (informing them in the plane) significantly increases NeWOM and the sought compensation, especially when offloading occurs involuntarily. We also unveil the mechanism explaining the effects of proactivity on NeWOM, through the serial mediation of justice and betrayal. Finally, the results of a Monte Carlo simulation show that offering reduced compensation through a proactive approach allows more aggressive overbooking, higher capacity utilization, and increased net revenue of up to 1.3%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».