Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/64C9C9B2-7B3D-4CCD-B96E-DF5A28348FAB | - |
| Αναγνωριστικό | https://doi.org/10.1007/s10614-018-9842-5 | - |
| Αναγνωριστικό | https://link.springer.com/article/10.1007/s10614-018-9842-5 | - |
| Γλώσσα | en | - |
| Μέγεθος | 21 pages | en |
| Τίτλος | Customer satisfaction prediction in the shipping industry with hybrid meta-heuristic approaches | en |
| Δημιουργός | Bekiros, Stelios | en |
| Δημιουργός | Loukeris Nikolaos | en |
| Δημιουργός | Λουκερης Νικολαος | el |
| Δημιουργός | Matsatsinis Nikolaos | en |
| Δημιουργός | Ματσατσινης Νικολαος | el |
| Δημιουργός | Bezzina, Frank | en |
| Εκδότης | Springer Nature [academic journals on nature.com] | en |
| Περίληψη | Optimization and prediction of customer satisfaction in the shipping industry impacts immensely upon strategic planning and consequently on the targeted market share of a corporation. In shipping industry, accurate measures of customer satisfaction are usually very cumbersome to elaborate. In this work we aim to reveal the most effective optimization methods, employing artificial intelligence approaches such as rough sets, neural networks, advanced classification methods as well as multi-criteria analysis under a comparative framework vis-à-vis their forecasting performance. | en |
| Τύπος | Peer-Reviewed Journal Publication | en |
| Τύπος | Δημοσίευση σε Περιοδικό με Κριτές | el |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2019-11-14 | - |
| Ημερομηνία Δημοσίευσης | 2019 | - |
| Θεματική Κατηγορία | Data mining | en |
| Θεματική Κατηγορία | Decision support systems | en |
| Θεματική Κατηγορία | Multi-criteria decision analysis | en |
| Θεματική Κατηγορία | Neural networks | en |
| Θεματική Κατηγορία | Preference models | en |
| Θεματική Κατηγορία | Rough sets | en |
| Θεματική Κατηγορία | Shipping | en |
| Βιβλιογραφική Αναφορά | S. Bekiros, N. Loukeris, N. Matsatsinis and F. Bezzina, "Customer satisfaction prediction in the shipping industry with hybrid meta-heuristic approaches," Comput. Econ., vol. 54, no. 2, pp. 647-667, Aug. 2019. doi: 10.1007/s10614-018-9842-5 | en |
Copyright © DIAS 2013
