پاورپوینت کاربرد هوش تجاری در صنعت گردشگری

توضیحات

عنوان:  کاربرد هوش تجاری در صنعت گردشگری: یک بررسی موردی درخصوص یک جشنواره غذای محلی در تایلند

• چکیده مطالب
• مقدمه
• مرور کارهای انجام شده
• فریم‌ورک هوش تجاری پیشنهادی
• متدلوژی
• نتایج حاصل از بکارگیری فریمورک و مباحثه
• کمک های مدیریتی و عملی
• چالش ها و درس های آموخته شده
• نتیجه‌گیری

چکیده

جشنواره‌های محلی و رویدادهای خاص، تاثیر بسیار زیادی بر جامعه، اقتصاد و فرهنگ محلی دارند.

می توان داده‌های عظیمی درباره محصولاتی که گردشگران می‌خرند، خدماتی که تجربه می‌کنند، گزینه‌های مقصد که مورد ارزیابی قرار می‌دهند، و امکاناتی که در رویدادها انتخاب می‌کنند، بدست آورد.

این مطالعه روشی را برای درست کردن یک فریمورک هوش تجاری طرح ریزی می کند تا داده ها را مدیریت کرده و به بینش هایی برای گردشگریِ جشنواره ای تبدیل کند. این فریمورک معماری مدیریت پایگاه داده، تحلیل های تجاری، مدیریتِ کارایی کسب و کار، و بصری سازی داده ها را ترکیب می کند تا تحلیلگر را در استخراج دانش از داده های بازدید کننده، راهنمایی کند

در این مطالعه برای نشان دادنِ اعتبارِ فریمورک هوش تجاری پیشنهادی، یک بررسی موردی از یک جشنواره‌ی محلی در تایلند اجرا شده است.

مقدمه

جشنواره‌های محلی و رویدادهای خاص، تاثیر بسیار زیادی بر جامعه، اقتصاد و فرهنگ محلی و مخصوصاً در ایجاد بخش‌های گردشگری جدید و بهبود هویت و تصویر یک مقصد دارند.

دلایل حضور گردشگران در رویدادها

بازدیدکنندگانِ بار اول، بیشتر مایل به گردش و سفر هستند، و آن دسته از برنامه ریزان سفر می باشند که فعالترند

بازدیدکنندگان تکراری بیشتر مایل به بازآفرینی و فعالیت هستند و نسبت به بازدیدکنندگان سطح اول، در ارزیابی های بعدِ سفر مثبت تر می باشند.

برخی از افراد بخاطر دلایلِ زیبایی از یک مقصد بازدید می کنند، دلایلی مانند: احساسات، خاطره، و حس تعلق

عوامل مهم در توسعه ی مدیریت موثرِ گردشگری و استراتژی های بازاریابی

انجام دادن بررسی هایی برای نمایه سازی از گردشگرانی که از جشنواره بازدید می کنند.

فهم اینکه چرا گردشگران تصمیم می گیرند از یک رویداد بازدید کنند

کسب بینش هایی در خصوص بخش های گردشگریِ رویدادهای بالقوه

اصلاح ترکیب بازاریابیِ رویدادهای موجود

ایجاد رویدادهای جدید برای بخش های هدفِ خاص

مرور مقالات

Turban و همکارانش، 2011

هوش تجاری یک چتر واژه است که معماری‌ها، پایگاه داده‌ها، ابزارهای تحلیلی، متدلوژی‌ها و کاربردها را ادغام می‌کند تا در فرآیندهای تصمیم‌گیری یاری دهد.

Turban و همکارانش، 2011

معماری هوش تجاری از چهار جزء اصلی تشکیل می‌شود: انبار داده، تحلیل تجاری، مدیریت کارایی کسب و کار (BPM)، و واسط کاربری

Chen و همکارانش، 2012

مدیریت کارایی کسب و کار (BPM) بر نظارت، اندازه‌گیری، و مقایسه ی انواع مختلفی از معیارهای کارایی که بعنوان اصولِ هسته‌ایِ یک استراتژی تجاری تعریف شده‌اند، تمرکز دارد .

Chen و همکارانش، 2012؛ Davenport، 2010

تحلیل تجاری به کاربرد وسیع داده ها و تحلیل کمّی اشاره دارد، که معمولاً پایه و اساس آن داده کاوی و تحلیل آماریست، تا بینش های جدید را توسعه داده و کاراییِ کسب و کار را درک کند

Rivera و Meulen، 2014

Gartner، پژوهشِ پیشتاز جهانی در حوزه ی فناوری اطلاعات و شرکت مشاوره، چهار نوع قابلیت تحلیلی را تعیین می کند که این قابلیت ها به سازمان ها کمک می کنند تا از تحلیل های توصیفیِ سنتی به تحلیل های تشخیصیِ پیشرفته، تحلیل های پیشگویانه، و تحلیل های حرکت کنند.

Chen و همکارانش، 2012

تکنیک‌های داده کاوی مانند درخت‌های تصمیم‌گیری، شبکه‌های عصبی، ماشین‌های بردار پشتیبان، و تحلیل خوشه‌ای برای قطعه‌بندی داده‌ها، مدلسازی پیشگویانه، تحلیل انجمنی، خوشه‌بندی، و دسته‌بندی در کاربردهای متنوع کسب و کار اتخاذ شده‌اند.

Turban و همکارانش، 2011

یک واسط کاربری (UI)، که معمولاً به یک داشبورد یا بصری‌سازی داده‌ها اشاره دارد، ارتباط دوطرفه بین سیستم و کاربران نهایی را اجازه داده و دید جامعی از معیارهای کارایی سازمانی را ارائه می‌دهد.

Chen و همکارانش، 2012

مفهوم اصلیِ داده‌های بزرگ و تحلیل، استفاده از تکنیک‌های تحلیلی جهت توصیف، بررسی و تحلیل مجموعه داده‌های بزرگ و پیچیده است که نیازمند تکنیک‌های پیشرفته‌ی ذخیره‌سازی، مدیریت، و بصری‌سازی هستند.

Byrd و Gustke، 2007

Byrd و Gustke (2007) از یک مدل درخت تصمیم بهره برده و با تمرکز بر درصد تاثیر گردشگری بر جامعه شان، درگیریِ ذینفع در برنامه‌ریزی، توسعه و مدیریت گردشگری را بررسی می‌نمایند.

Golmohammadi و همکارانش، 2011

Jahandideh (2011) یک شبکه عصبی ناهموارِ مبتنی بر مجموعه پیشنهاد می‌دهد تا رضایت کلی گردشگران در خصوص تجربه‌ی سفر به ایران را پیش‌بینی کرده و اهمیت صفاتی را که تاثیر بسیاری بر رضایت آنها دارد، اولویت‌بندی کند.

Pyo و همکارانش، 2002

در مورد جنبه‌های متنوعِ کشف دانش بحث می‌کند، که عبارتند از: مسائل عملیاتی، ابزارها، و تکنیک‌ها، کاربردهای مربوط به مشتریان، بازارها، محصولات و خدمات، برگزارکنندگانِ مقصد، و متخصصان گردشگری

Fuchs و همکارانش، 2013

یک راهکار هوش تجاری پیشنهاد می‌دهند که بر پردازش تحلیلیِ آنلاین (OLAP) تمرکز دارد تا نشان دهد که فرآیندهای ایجاد، تبادل، و کاربرد چگونه می‌توانند برای مقصد گردشگری سوئد بهبود یابند.

فریم‌ورک هوش تجاری پیشنهادی

یک فریمورک هوش تجاری (BI) برای مدیریت و ترجمه‌ی داده‌ها به اطلاعات معنادار در گردشگریِ جشنواره‌ای، در شکل 1 پیشنهاد شده است. این فریمورک معماری مدیریت پایگاه داده، تحلیل تجاری، مدیریت کاراییِ کسب و کار، و بصری سازی داده‌ها را ترکیب می‌کند تا تحلیلگر را در استخراج دانش از داده‌های بازدیدکننده راهنمایی نماید.

اولین گام تنظیم اهدافِ پروژه‌ی BI در حوزه‌ی گردشگری جشنواره‌ای است. برای نمونه، تحلیلگران بازاریابی در مکان‌های جشنواره ممکن است علاقمند باشند که مدل‌های پیشگویانه توسعه دهند تا با تمرکز بر فهمِ رضایت کلی بازدیدکنندگان از تجربه‌ی سفرشان یا قطعه‌بندی بازدیدکنندگان بر اساس صفات مختلف، از تصمیم‌گیری مدیرانه پشتیبانی نمایند.

گام دوم، تعریفِ معیارهای کلیدیِ کارایی است که در لایه‌ی مدیریت کاراییِ کسب و کار (BPM) با استراتژی‌های سازمانی در ارتباطند. این شاخص‌ها ممکن است شامل موارد زیر باشند: عایدی، فروش‌ها، سودها، هزینه‌ها، امتیازهای رضایتمندی، یا قصد بازدید مجدد از مکان جشنواره.

گام سوم، جمع آوری داده‌های مربوط به حوزه‌ی گردشگریِ جشنواره‌ای است. برای نمونه، جهت فهم اینکه بازدیدکنندگان چگونه مقصد را انتخاب می‌کنند، در نظر گرفتن صفات زیر حائز اهمیت است: صفات مربوط به آمارگیری نفوس (سن، جنسیت، درآمد، و وضعیت تاهل)، صفات مربوط به انگیزه (استراحت و آرامش، سلامتی، فعالیت‌ها، یا تجربه)، و صفات مربوط به نگرانی (ایمنی، زبان، فرهنگ، یا بهداشت) در فرآیند تحلیل تجاری.

گام چهارم در لایه‌ی مدیریت پایگاه داده، برای یکپارچه‌سازی داده‌هایی است که ممکن است از منابع مختلفی نشأت گیرند. این گام معمولاً زمانگیر است؛ و نیازمند پاکسازی، فرمت بندی، و سازماندهی داده‌ها جهت مناسب‌سازی آنها برای ایجاد مدل در آینده می‌باشد، مخصوصاً زمانی که تحلیلگران با مشکلات ناسازگاری داده‌ها، تکرار داده‌ها، و خطاهای داده‌ای مواجهند.

در گام پنجم، لایه‌ی بصری‌سازی داده‌ها توسعه یافته است. برای تحلیلگران مهم است که پی ببرند مقصدِ جشنواره چگونه تهیه می‌شود و بازدیدکنندگانی که در آن مکان شرکت می‌کنند را درک نمایند.

در گام ششم، تحلیلگران حتی اگر بتوانند الگوهای نامعمولی را بر اساسِ تحلیل داده‌های مقدماتی کشف کنند، به دنبال بینش‌هایی در داده‌ها هستند. برای نمونه، ممکن است تحلیلگران دریابند که تقریباً 50 درصد از بازدیدکنندگانی که در آن مکان حضور دارند از ناحیه ی شمالیِ کشور هستند و فقط 10 درصد از آنها اطلاعات تبلیغ شده‌ی جشنواره را از طریق فیسبوک دریافت کردند؛ از طرف دیگر، فقط 20 درصد از بازدیدکنندگان از ناحیه ی جنوبی کشور می‌باشند ولی بیش از 80 درصد از آنها از طریق صفحه هواداران فیسبوک به مکان جشنواره پی برده‌اند. 

گام هفتم، بر ایجاد سناریوهای تحلیل داده تمرکز دارد که در آن انواع مختلفی از تکنیک‌های داده کاوی، مانند تحلیل خوشه‌ای، رگرسیون‌های لجستیک و چند جمله‌ای، درختان تصمیم، و مدل‌های شبکه عصبی، می‌توانند بکارگیری شوند تا شاخص‌های کلیدیِ کارایی و مورد هدف را پیش‌بینی کنند.

در گام 8، هر اطلاعات و یافته‌های کلیدی از بررسی و تحلیل داده‌ها در گام‌های 5 و 6 و مدلسازی پیشگویانه در گام 7 که می‌تواند ارزشمند باشد، برای ارائه‌ی بازخورد به تحلیلگر استفاده می‌شوند بطوریکه هر کمپین بازاریابیِ پیگیر جهتِ حفظِ بازدیدکنندگان برای رویدادهای آتی یا برنامه‌های قابل انجام برای بهبود رضایت بازدید کنندگان، می‌توانند تقویت شوند.

آخرین گام، یعنی گام 9، نظارت بر آن استراتژی‌هاست تا تضمین کند که شاخص‌های کاراییِ مورد هدف می‌توانند مدیریت و کنترل شوند.

 

توجه:

• برای دانلود فایل پاورپوینت لطفا اقدام به خرید فرمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.

سفارش پاورپوینت دلخواه

به منظور سفارش پاورپوینت با جزئیات دلخواه خود بر روی کلید زیر کلیک نمایید.

سفارش پاورپوینت