Predicting Air Passenger Satisfaction: A Machine Learning Approach

Abstract

The air travel industry plays a crucial role in the global economy by fostering economic growth and promoting connectivity. Within this industry, airlines face various challenges, such as intense competition, cost management, environmental sustainability, and passenger satisfaction. Extensive research has been conducted to understand the relationship between service quality and passenger satisfaction, exploring dimensions such as punctuality, ease of online booking, and convenience of schedules. The ability to predict passenger satisfaction is of great importance, as a considerable portion of passengers may not explicitly express their dissatisfaction to airlines. In this context, most of the current studies try to identify the impact of each service dimension on passenger satisfaction. While this approach may be useful for airlines to design or reformulate their product and service offerings, it is not as useful to predict overall satisfaction, since passenger satisfaction is typically influenced by a complex interplay between various service dimensions and demographic factors. Therefore, it is important to develop a model that can learn these complex relationships and use them to predict if a passenger was, in overall terms, satisfied or not. With this in mind, this study uses a dataset from an airline survey, encompassing personal responses such as seat comfort and Wi-Fi service scores, as well as general factors like flight punctuality and distance, to develop two predictive models using Classification Machine Learning algorithms: one incorporating only general factors to which the airline has immediate access and another including personal responses. The performance of each model is compared to the performance of random guessing. Remarkably, both models present strong predictive capabilities in determining passenger satisfaction when compared to random guessing. The model without personal responses achieved, in the test dataset, an average accuracy of 79%, with F1-Scores and AUC averaging at 0.76 and 0.84, respectively. Furthermore, the model incorporating personal responses achieved, also in the test dataset, even higher performance, with an average accuracy of 93% and F1-Scores and AUC averaging at 0.92 and 0.97, respectively. The Random Forest algorithm proved to be the most effective in both models, highlighting its significance in uncovering hidden patterns and establishing connections between seemingly unrelated variables. This study demonstrates that even in the absence of explicit features indicating passenger satisfaction with specific service dimensions, it is still possible to predict overall passenger satisfaction with a satisfactory level of accuracy. By using machine learning algorithms, airlines can effectively identify which passengers were dissatisfied with their experience, allowing them to take proactive measures to address any issues or concerns. This capability enables airlines to enhance customer satisfaction and elevate the overall passenger experience by paying more attention to individual passenger satisfaction and taking proactive measures to address their needs. As a result, airlines can improve their customer service efforts and foster positive customer relationships, increasing loyalty. These findings contribute to the continuous pursuit of passenger focused strategies within the aviation industry, emphasizing the importance of placing passengers at the center of all decisions and attempting to, at least, meet their expectations throughout their journey.

A indústria das viagens aéreas desempenha um papel crucial na economia global fomentando o crescimento económico e promovendo a conectividade. Nesta indústria, as companhias aéreas enfrentam diversos desafios como a competição intensa, gestão de custos, sustentabilidade ambiental e a satisfação dos passageiros. Muita pesquisa foi desenvolvida no sentido de compreender a relação entre a qualidade de serviço e a satisfação dos passageiros, explorando dimensões como a pontualidade, facilidade de reserva online e conveniência dos horários. A capacidade de prever a satisfação dos passageiros é de extrema importância, uma vez que uma parte considerável de passageiros pode não exprimir a sua insatisfação às companhias aéreas. Nesse contexto, a maioria dos estudos atuais procura identificar o impacto de cada dimensão de serviço na satisfação dos passageiros. Embora essa abordagem possa ser útil para as companhias aéreas desenvolverem ou reformularem os seus produtos e serviços, a mesma já não é tão útil para prever a satisfação geral, uma que vez que a satisfação dos passageiros é tipicamente influenciada por uma interação complexa entre diversas dimensões de serviço e variáveis demográficas. Portanto, é importante desenvolver um modelo capaz de aprender essas relações complexas e utilizá-las para prever se um passageiro ficou, em termos gerais, satisfeito ou não. Com isto em mente, este estudo utiliza um conjunto de dados de um inquérito realizado junto de uma companhia aérea, que engloba avaliações pessoais, tais como conforto dos lugares e pontuações do serviço Wi-Fi, bem como fatores gerais tais como a pontualidade dos voos e a distância percorrida, para desenvolver dois modelos preditivos utilizando algoritmos de Aprendizagem Computacional de Classificação: um incorporando apenas fatores gerais, e o outro incluindo avaliações pessoais. A performance de cada modelo é comparada com a performance de adivinhar aleatoriamente. Notavelmente, ambos os modelos apresentaram fortes capacidades preditivas em determinar a satisfação do passageiro, quando comparado com adivinhar aleatoriamente. O modelo sem avaliações pessoais alcançou, no conjunto de teste, uma precisão média de 79%, com F1-Scores e AUC de 0.76 e 0.84, em média, respetivamente. Além disso, o modelo incorporando avaliações pessoais alcançou, também no conjunto de teste, uma performance ainda mais elevada, com uma precisão média de 93%, e F1-Scores e AUC de 0.92 e 0.97, em média, respetivamente. O algoritmo Random Forest provou ser o mais eficaz em ambos os modelos, revelando a sua importância na identificação de padrões ocultos e no estabelecimento de ligações entre variáveis aparentemente não relacionadas. Este estudo demonstra que, mesmo na ausência de características explícitas que indiquem a satisfação dos passageiros com dimensões de serviço específicas, ainda assim é possível prever a satisfação geral dos passageiros com um nível satisfatório de precisão. Ao utilizar algoritmos de aprendizagem computacional, as companhias aéreas podem identificar efetivamente quais os passageiros que ficaram insatisfeitos com a sua experiência, permitindo que tomem medidas proativas para resolver quaisquer problemas. Esta capacidade permite que as companhias aéreas melhorem a satisfação do cliente e que elevem a experiência geral dos passageiros, dando mais atenção à satisfação individual do passageiro e tomando medidas proativas para atender às suas necessidades. Como resultado, as companhias aéreas podem melhorar os seus esforços de serviço ao cliente e promover relacionamentos positivos com o mesmo, aumentando a fidelidade. Estes resultados contribuem para a procura contínua de estratégicas focadas no passageiro na indústria da aviação, enfatizando a importância de colocar os passageiros no centro de todas as decisões e tentar, no mínimo, satisfazer as suas expectativas ao longo das suas viagens.