Müşterilerin Otel İşletmelerine Yönelik Yorum ve Şikâyetlerinin Değerlendirilmesi
Bibliographic record
Abstract
Müşteri şikayetlerinin yoğunlaştığı konuların bilinmesi, işletmelere önemli bir bilgi kaynağıdır. Hizmetlerin üretildiği yerde tüketilmesi özelliği nedeniyle, hizmet sunumundan hizmeti sunan personel birinci derecede sorumludur. Bu nedenle, hizmet sunumunda farklılık olabileceği gibi, hizmetin üretimi ve tüketimini “insan işi” olarak nitelendirebilmemiz, hizmet sunumundan duyulan tatminin de, göreceli olmasını sağlayabilecektir. Hizmetlerin bu özelliği, TripAdvisor gibi sitelerin kullanımının artması ile sık yorumun yapıldığı otel işletmelerinde daha da önemli olmaktadır. Otellere yönelik potansiyel talebin web sayfalarından incelenen yorumlara göre fiili talebe dönüşebildiği bilinmektedir. Bu çalışmada Belek yöresinde faaliyet gösteren 5 yıldızlı oteller içerisinde olumlu müşteri yorumlarına göre top 50’de yer alanlarla ilgili olumlu müşteri yorumu ve şikayet konularını içerik analizi yöntemi ile belirleyerek kategorize etmek amaçlanmıştır. 1 Haziran-31 Ağustos 2018 tarihlerini içeren müşteri yorumlarına göre; 307 müşteri şikayette, 1990 müşteri de olumlu yorumda bulunmuştur. Olumlu yorum sayısının daha yüksek olmasının nedeni olumlu yorumlara göre top 50 işletmenin seçilmiş olmasıdır. Personel davranışı ve yeme-içme olumlu yorumlarda ve şikayet konularında göreli olarak daha fazla sıklıkta ifade edilmiştir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.033 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".