Webseiten für Reiseinformationen liefern 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. Eine Studie der MODUL University Vienna zeigt nun den Wert von Google-Analytics-Daten für die Prognose von Touristenzahlen. [...]
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 nun 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.
„Wir analysierten die zentrale Website für Städtetourismus in Wien www.wien.info“, erläutert 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 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, 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“, so 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.
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“, so 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.“
Be the first to comment