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]
|
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 |