Analýza zákaznické zkušenosti na základě analýzy velkých dat v maloobchodě s potravinami

Abstract

Tato studie zkoumá efektivitu kombinace velkých jazykových modelů (LLM ? Large Language Models) a tradičních metod analýzy mapování textu s cílem analyzovat dimenze kvality služeb (SQ ? Service Quality) a spokojenosti zákazníků v prostředí fyzického i online maloobchodu. Zkoumáme využití NLP technik a LLM k extrakci sentimentu a dimenzí SQ z hlediska uživatelsky generovaného obsahu (UGC ? User Generated Content). Analyzujeme zákaznické recenze v angličtině a perštině a identifikujeme klíčové faktory ovlivňující spokojenost a nespokojenost zákazníků v prostředí fyzického maloobchodu a vícekanálového prodeje prostřednictvím nesupervizovaného mapování textu zákaznických recenzí ze supermarketů. Naše analýza odhaluje, že mezi obecnými dimenzemi SQ mají osobní interakce, obchodní politika a produktové faktory pozitivní dopad na spokojenost zákazníků, zatímco obavy o spolehlivost služeb přispívají k nespokojenosti. Význam osobní interakce je obzvláště výrazný v menších obchodech a městech. Naopak hypermarkety by se měly zaměřit na zlepšení fyzických aspektů a kvality osobní interakce, aby snížily negativní zpětnou vazbu. Integrace LLM s textovou analýzou umožňuje komplexní zkoumání dimenzí SQ napříč různými maloobchodními formáty, což podtrhuje nutnost neustálého lidského dohledu pro zajištění přesnosti a spolehlivosti analýzy sentimentu a extrakce informací. Přesto se objevují výzvy, například nesoulad mezi predikcemi modelu a lidskými úsudky či obtíže při přesné identifikaci konkrétních dimenzí v nestrukturovaném textu.