Web-Daten können den Umfang des zukünftigen Städtetourismus vorhersagen

Eine Studie der MODUL University Vienna zeigt den Wert von Google-Analytics-Daten für die Prognose von Touristenzahlen. [...]

Webseiten für Reiseinformationen liefern Daten für Google Analytics – Daten, die zu besseren und genaueren Vorhersagen von Touristenzahlen für Großstädte verwendet werden können, insbesondere für Zeitperioden zwischen den nächsten drei bis zwölf Monaten. Zu dieser Erkenntnis gelangte ein an der MODUL University Vienna durchgeführtes und soeben veröffentlichtes Forschungsprojekt, in dem der Nutzen von ausgewählten Google-Analytics-Datensätzen für die Prognose zukünftiger Touristenzahlen für Großstädte analysiert wurde. 
Die Nutzung von Reiseinformationsseiten ist bei Personen begehrt, die sich für Reisen in näherer Zukunft interessieren. Google Analytics, eine Software für das Erfassen und Analysieren von Website-Nutzungen, sammelt Daten über das User-Verhalten und stellt anonyme Durchschnitts-Statistiken zur Verfügung. Diese Informationen werden derzeit hauptsächlich von IT-Abteilungen für die Optimierung des Webdesigns genutzt. Ulrich Gunter und Irem Önder vom „Department of Tourism and Service Management“ an der MODUL University Vienna haben jetzt herausgefunden, dass diese Daten noch viel mehr Aussagekraft besitzen als bisher angenommen. Sie evaluierten die Aussagekraft dieser Daten im Hinblick auf die Prognose zukünftiger Touristenzahlen für Großstädte – einem bedeutsamen Faktor für das Ressourcenmanagement im Tourismus.
Web-Visits und Städtebesucher
„Wir analysierten die zentrale Website für Städtetourismus in Wien www.wien.info„, erläutert Ulrich Gunter die in „Annals of Tourism Research“ publizierte Arbeit. „Insgesamt verwendeten wir elf Variablen für unsere Prognosemodelle. Zehn davon stammen von Google Analytics für Zugriffe auf diese Seite, dazu kommt die Gesamtzahl aller Ankünfte von Stadttouristen in Wien. Unsere Ergebnisse zeigen deutlich, dass die Ergänzung bestimmter Prognosemodelle mit Google-Analytics-Daten diese Modelle sehr aussagekräftig für das Vorhersagen zukünftiger Touristenzahlen für eine gegebene Destination machen können.“
Die von Gunter und Önder verwendeten Google-Analytics-Variablen umfassten die durchschnittliche Verweildauer pro Besuch und auf den einzelnen Seiten, die Bounce-Rate, die Anzahl neuer Besuche und Site-Views, die Anzahl der wiederkehrenden User sowie derer, die von Social Media gekommen sind, die Anzahl aller Besuche sowie die Unique-Page-Views. All diese Daten wurden für den Zeitraum von August 2008 bis Oktober 2014 erhoben.
Viele Variablen und ein Ergebnis
Verwendet wurden die Daten vom Team für sogenannte Vektor-Autoregressive-(VAR)-Modelle. Diese sind ökonometrische Vorhersagemodelle, die insbesondere für Anwendungen geeignet sind, bei denen mehrere sich gegenseitig beeinflussende Variablen berücksichtigt werden sollen. „Insgesamt konnten wir feststellen, dass Modelle, die Google-Analytics-Daten berücksichtigten, zukünftige Touristenzahlen besser vorhersagen können als jene, die das nicht tun. Insbesondere, wenn es um Vorhersagezeiträume von drei bis zwölf Monaten geht“, erklärt Dr. Önder. „Für kürzere Vorhersagezeiträume funktionierten Modelle ohne diese Daten besser.“ Zur eigentlichen Beurteilung der Vorhersagekraft der Modelle verglich das Team prognostizierte Touristenzahlen mit den tatsächlichen, die von der Datenbank TourMIS bereitgestellt wurden – einer führenden europäischen Datenbank für Touristeninformation, die von wissenschaftlichen Mitarbeitern der MODUL University Vienna entwickelt wurde.
„Die größte Herausforderung“, ergänzt Gunter, „war die schiere Menge an verfügbaren Daten. Es gelang uns, passende Methoden zur Datenreduktion und zur Kombination von Vorhersagemethoden anzuwenden, sodass wir alle zehn Datensätze von Google Analytics in unsere Modelle einspeisen konnten. Die umfangreiche Erfahrung an der MODUL University Vienna mit der Analyse von Big Data war dabei eine enorme Unterstützung – genauso wie die großzügige Zurverfügungstellung der Daten durch WienTourismus.“
Forschung ohne Grenzen
Tatsächlich zeigt dieses Projekt von Gunter und Önder sehr gut den interdisziplinären Ansatz der Forschung an der MODUL University Vienna: „Unsere Studierenden profitieren sehr durch unsere umfangreichen wissenschaftlichen Aktivitäten“, erklärt Prof. Sabine Sedlacek, die vor Kurzem zur Vizerektorin der MODUL University Vienna berufen wurde. „Wir brechen hier gerne die Grenzen der traditionell definierten Forschungsbereiche auf und kombinieren diese in neuer Weise mit dem Ziel, Lösungen für die globalen Probleme von morgen entwickeln zu können. Das Projekt meiner Kolleginnen und Kollegen ist ein tolles Beispiel. Die Analyse neuer Medien, Big Data Shrinkage und die Erforschung von Touristenströmen wurden kombiniert, um ein wirksames Tool für die Tourismusindustrie zu entwickeln. Das ist genau die Zielrichtung unserer Forschungsaktivitäten, die es uns ermöglicht, unseren Studierenden praxisnahe sowie wissenschaftlich-analytische Einblicke in Zukunftsthemen zu ermöglichen.“


Mehr Artikel

News

Große Sprachmodelle und Data Security: Sicherheitsfragen rund um LLMs

Bei der Entwicklung von Strategien zur Verbesserung der Datensicherheit in KI-Workloads ist es entscheidend, die Perspektive zu ändern und KI als eine Person zu betrachten, die anfällig für Social-Engineering-Angriffe ist. Diese Analogie kann Unternehmen helfen, die Schwachstellen und Bedrohungen, denen KI-Systeme ausgesetzt sind, besser zu verstehen und robustere Sicherheitsmaßnahmen zu entwickeln. […]

Be the first to comment

Leave a Reply

Your email address will not be published.


*