Impact des réponses des hôtels aux avis en ligne sur la fidélisation et l’acquisition de clients : une analyse longitudinale des sentiments sur la plateforme Booking

L’industrie hôtelière a été transformée par l’influence croissante des avis en ligne sur la prise de décision des clients. Les gestionnaires d’hôtels répondent activement aux avis des clients sur des plateformes telles que Booking.com afin d’améliorer la satisfaction et la fidélité, mais l’impact réel de ces réponses sur le comportement des clients reste peu étudié. Cette étude examine comment les réponses des hôtels aux avis en ligne influencent la fidélisation des clients et leur intention de retour. Pour répondre à cette problématique, un ensemble de données d’avis en ligne provenant de 50 hôtels de la ville de Québec a été collecté et analysé à l’aide de l’Analyse de Sentiments Basée sur les Aspects (ASBA) pour extraire les aspects clés et la polarité des sentiments. Les réponses des gestionnaires d’hôtels ont été classées en trois catégories à l’aide d’une analyse de similarité. Des modèles d’apprentissage automatique et d’apprentissage profond ont été entraînés pour prédire le comportement de retour des clients en fonction des scores de sentiment, des typologies de réponse et d’autres variables pertinentes. Les résultats obtenus indiquent que les évaluations des clients et la durée du séjour influencent significativement la probabilité de retour. Les scores de sentiment, ainsi que la longueur et le type de réponse fournis par les gestionnaires d’hôtels, jouent également un rôle dans les décisions des clients. Parmi tous les modèles testés, XGBoost a obtenu les meilleures performances, avec un score ROC-AUC de 0,998, un MCC de 0,969, une précision de 98% et un F1-score de 0,98. En définitive, cette étude contribue à la compréhension de la relation entre les réponses des hôtels et la fidélisation des clients en combinant une approche longitudinale avec l’ASBA. Elle identifie les aspects les plus préoccupants pour les clients ainsi que les variables les plus influentes grâce à des techniques d’explicabilité, et aide à déterminer quel type de réponse est le plus convaincant pour encourager un client à revenir. The hotel industry has been transformed by the growing influence of online reviews on customer decision-making. Hotel managers actively respond to guest reviews on platforms such as Booking.com to improve satisfaction and loyalty, but the actual impact of these responses on guest behavior remains under-researched. This study examines how hotels’ responses to online reviews influence customer loyalty and intent to return. To address this issue, a dataset of online reviews from 50 Quebec City hotels was collected and analyzed using Aspect-Based Sentiment Analysis (ABSA) to extract key aspects and sentiment polarity. Hotel managers’ responses were classified into three categories using similarity analysis. Machine learning and deep learning models were trained to predict customer return behavior based on sentiment scores, response typologies and other relevant variables. The results indicate that customer ratings and length of stay significantly influence the likelihood of return. Sentiment scores, as well as the length and type of response provided by hotel managers, also play a role in customer decisions. Of all the models tested, XGBoost performed best, with an AUC-ROC score of 0.998, an MCC of 0.969, an accuracy of 98% and an F1-score of 0.98. Ultimately, this study contributes to understanding the relationship between hotel responses and customer loyalty by combining a longitudinal approach with ASBA. It identifies the aspects of greatest concern to customers, as well as the most influential variables through explicability techniques, and helps to determine which type of response is most convincing in encouraging a customer to return.

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.