Anticipare e ridurre la propensione alla cancellazione di una prenotazione alberghiera: i modelli predittivi di machine learning e le strategie comunicative adottabili

Tamiro, Caterina (A.A. 2021/2022) Anticipare e ridurre la propensione alla cancellazione di una prenotazione alberghiera: i modelli predittivi di machine learning e le strategie comunicative adottabili. Tesi di Laurea in Customer intelligence e logiche di analisi dei big data, Luiss Guido Carli, relatore Marco Querini, pp. 115. [Master's Degree Thesis]

[img]
Preview
PDF (Full text)
Download (8MB) | Preview

Abstract/Index

Customer journey e touchpoint del cliente. Travel marketing strategy. I micro-momenti nel turismo. Il marketing nel settore turistico alberghiero. Strategie attuabili. L'importanza di una corretta gestione dell'overbooking. Azioni per evitare la cancellazione. La demand forecasting, perchè è utile nel business. Demand and sales forecasting differenze. Le metodologie classiche di demand forecast. I nuovi metodi di demand forecasting. Revenue management (RM). Introduzione all'intelligenza artificiale. Test di turing. La nascita dell'AI e i primi sistemi di intelligenza artificiale. Il machine learning. Le differenti tipologie di machine learning. Differenti metodologie di apprendimento dell'AI. Descrizione del dataset. Data visualization. Analisi della correlazione. Previsione della cancellazione della domanda. Comunicare con il cliente. Attuare strategie comunicative personalizzate in base alla generazione di appartenenza.

References

Bibliografia: pp. 98-100.

Thesis Type: Master's Degree Thesis
Institution: Luiss Guido Carli
Degree Program: Master's Degree Programs > Master's Degree Program in Marketing (LM-77)
Chair: Customer intelligence e logiche di analisi dei big data
Thesis Supervisor: Querini, Marco
Thesis Co-Supervisor: Italiano, Giuseppe Francesco
Academic Year: 2021/2022
Session: Summer
Deposited by: Alessandro Perfetti
Date Deposited: 22 Nov 2022 09:03
Last Modified: 22 Nov 2022 09:03
URI: https://tesi.luiss.it/id/eprint/33987

Downloads

Downloads per month over past year

Repository Staff Only

View Item View Item