Vorhersagen der Gäste von morgen als strategische Quelle
Projektprofil
Die Vorhersage von standardisierten statistischen Kennzahlen im Tourismus ist immer wieder eine Herausforderung. Vor allem in Zeiten von COVID! Wir haben mit einem Ansatz auf Basis von Mobilfunkdaten in Wien und einem Ansatz über bestehenden Datenquellen der Statistik Austria wie einem umfangreichen Set an Additiven Daten unsere Modelle zu trainieren um eine 3 monatige Prognose für die Ankünfte und Nächtigungen Wiens zu erreichen. In Zusammenarbeit mit dem AIT (Austrian Institute for Technology / http://www.ait.ac.at) ist es uns gelungen eine bewertbare Prognose zu erstellen.
Auf einen Blick - Wesentliche Projektdaten
| Dauer | Von 2/1/2020 to 10/28/2020 with about 9 months of full engagement | |
|---|---|---|
| Data and Tools | Market ? Tourism Sources • Mobilfunkdaten Flugdaten VIE • EU-COVID Data • 30 Jahre Ankünfte/Nächtigung • Wetter • Google Trends • Globaler Feiertagskalender | |
| Integration | • Prognoseinformationen auf den Systemen des Kunden • PowerBI als Visualisierung der Prognosedaten • Kontinuierlicher Prozess zur Datenaufbereitung mit Partner für unsere Modelle | |
| AI Methoden | • Deep Learning • Time Series • ML - Regression |
Hauptanwendungsfall
Prognosemodell für Ankünfte und Nächtigungen für eine Stadt, Region, ? über den Zeitraum von 2 Jahren Prognosehorizont
Kundenmotivation / Lösungsansätze
Bugetierung
Marketing Einsatz abhängig von den zukünftigen touristischen Stömungen richtig zu planen und einzusetzen
Strategisches Werkzeug für zukünftige Kampagnen erreichen
Effizienz in der Planung des Tourismus bekommen
AI-Ansatz
| Eingesetzte AI Schlüsseltechnologien | Zusammenarbeit mit dem AIT als unabhängige Qualitätssicherung. Erhöhung der Granularität der Eingangsdaten (Nächtigungen) durch Hochrechnung mit tagesgenauen Mobilfunkdaten. | |
|---|---|---|
| Lösungsansatz | • Kurzzeitmodell: LSTM TimeSeries • Langzeitmodell: Logistisches Wachstum (Gompertz) • DNN-Timeseries Modell. Zerlegung der Zeitreihe in drei additive Komponenten für Trend Saisonalität und Residuen. | |
| Projekt-Ansatz | Simply agile | |
| Projekt-Typ | Project | |
| ML Integration und ML Betrieb | • Operation-Integration API • FTP • VIsualizationPower-BI • Azure Synapse |
Einblicke und Details
Wir nutzen unterschiedliche Herangehensweisen für die Prognose in den unterschiedlichen Stufen der touristischen Entwicklung nach dem Lockdown
Das DL Modell lernt aus den April Daten, das eine Reduktion angezeit ist und wendet diese auch bei COVID Berücksichtigung an - Siehe linke Bildhälfte!
Unser Prognosemodell als Zusammenspiel von vielen Kompetenzen. Von der Hochrechnung bis zur Prognose!
Die Prognoseergebnisse wurden in einem kleinen PowerBI Dataset dargestellt.
