1. Inteligentny system wyszukiwania ofert turystycznych oparty na algorytmach rozumienia języka naturalnego (NLP)
Celem projektu jest realizacja prac badawczo-rozwojowych prowadzących do opracowania nowego, inteligentnego systemu wyszukiwania i prezentacji ofert turystycznych opartego na algorytmach rozumienia języka naturalnego. Rozwiązania będące przedmiotem projektu będą wykorzystywały unikatowe możliwości selektywnej analizy semantycznej tekstów w języku naturalnym, ze szczególnym uwzględnieniem języka polskiego i dostosowane do wielkoskalowego zastosowania w wyszukiwarce. Rozwiązania tego typu nie są dostępne na polskim rynku turystycznym, a na rynkach zagranicznych stosowane są w znikomym stopniu i z ograniczoną funkcjonalnością.
Efektem realizacji projektu będzie wypracowanie innowacyjnych rozwiązań pozwalających na efektywny dobór ofert turystycznych poprzez analizę kontekstową i znaczeniową fraz wpisanych przez użytkownika oraz mechanizm inspiracji potencjalnego klienta np. z wykorzystaniem sieci semantycznych rozbudowywanych półautomatycznie na podstawie analizy dużych wolumenów danych.
Projekt jest realizowany z dofinansowaniem Narodowego Centrum Badań i Rozwoju (NCBiR) pod przewodnictwem firmy QTravel we współpracy z Politechniką Wrocławską (nr grantu: POIR.01.01.01-00-0798/19-0).
2. Opracowanie inteligentnego systemu predykcyjnego dla sektora turystycznego z wykorzystaniem zaawansowanych metod fuzji danych wielowymiarowych i uczenia maszynowego (ePREDYKTOUR)
Celem projektu jest realizacja prac badawczych i rozwojowych prowadzących do opracowania unikatowego na skalę światową inteligentnego systemu predykcji cen ofert turystycznych, wykorzystującego najnowsze osiągnięcia w dziedzinie przetwarzania dużych zbiorów danych (Big Data) oraz uczenia maszynowego (machine learning), ze szczególnym uwzględnieniem uczenia głębokiego (deep learning).
Rozwiązania będące przedmiotem projektu będą wykorzystywały unikatowe algorytmy predykcyjne cen ofert turystycznych na przykładzie wycieczek zorganizowanych, oparte zarówno na danych historycznych, jak i biorące pod uwagę czynniki zewnętrzne mogące mieć wpływ na cenę oferty turystycznej. Podejście uwzględniające zewnętrzne i wewnętrzne determinanty ceny turystycznej będzie pierwszą systemową próbą zbadania wpływu różnych czynników na ceny turystyczne wycieczek zorganizowanych w skali światowej.
Rozwiązania tego typu nie są dostępne w Polsce oraz w ograniczonym stopniu na rynkach zagranicznych. Efektem realizacji projektu będzie wypracowanie innowacyjnych rozwiązań pozwalających na efektywny dobór ofert turystycznych przez konsumentów na podstawie informacji dostarczanych przez mechanizmy predykcji cen (segment B2C) oraz na zaawansowane analizy danych historycznych dla całego rynku turystycznego udostępniane w ramach usługi Software as a Service dla podmiotów działających na rynku tur. (segment B2B).
Projekt jest realizowany z dofinansowaniem Narodowego Centrum Badań i Rozwoju (NCBiR) pod przewodnictwem firmy QTravel we współpracy z Politechniką Gdańską (nr grantu: POIR.01.01.01-00-1252/19).
3. Wykorzystanie dużych zbiorów danych (big data) w modelu prognozowania dyfuzji pakietów turystycznych polskich touroperatorów z wykorzystaniem modelu Bassa.
Eksplozja nieustrukturyzowanych wielkich zbiorów danych (big data – BD), automatyzacji i uczenia maszynowego pozwala współczesnym przedsiębiorcom lepiej przewidywać zachowania poszczególnych podmiotów. W badaniach naukowych duże zbiory danych są szeroko wykorzystywane do badania zachowań i opinii konsumentów. Jednym z narzędzi umożliwiających prognozowanie wielkości sprzedaży jest model dyfuzji Bassa, którego uniwersalny charakter udowodniono w licznych zastosowaniach w prognozowaniu sprzedaży produktów w różnych segmentach rynku. W niniejszym artykule zaproponowano zastosowanie big data jako zmiennych egzogenicznych w modelu Bassa w celu zwiększenia dokładności prognozowania wolumenu sprzedaży pakietów turystycznych.
Celem badań jest ocena wpływu wykorzystania wielkich zbiorów danych na poprawę dokładności prognoz sprzedaży pakietów turystycznych. Uogólniony model Bassa został w tym celu rozszerzony o zbiory big data: zmienne egzogeniczne obejmują: (1) treści generowane przez marketerów (marketer-generated content, MGC) i (2) treści generowane przez użytkowników (user-generated content, UGC), w tym wyszukiwania w sieci i posty zamieszczane na blogach i mikroblogach. W badaniu analizowane są dane obejmujące wiadomości online, posty na blogach i wolumen wyszukiwań w Internecie (ruch sieciowy) związane z informacjami dotyczącymi pakietów turystycznych polskich touroperatorów. Informacje te zostały zintegrowane z modelem Bassa jako część zmiennych egzogenicznych reprezentujących działania marketingowe touroperatorów. Założono, że wolumen informacji zamieszczanych on-line przez touroperatorów stanowi odzwierciedlenie treści generowanych przez marketerów (MGC), podczas gdy posty na blogach i ruch związany z wyszukiwaniem w sieci stanowią treści generowane przez użytkowników (UGC). Analiza empiryczna wykazała, że włączenie dużych zbiorów danych do modelu Bassa zapewnia dokładniejsze prognozowanie wielkości sprzedaży pakietów turystycznych. Ponadto UGC (jako zmienna egzogeniczna) lepiej służy prognozowaniu wielkość sprzedaży niż MGC. UGC jest dość dobrym narzędziem wyjaśniającym poziom zainteresowania i zaangażowania potencjalnych turystów. Wykazano jednak, że skuteczność prognozowania jest różna w przypadku wpisów na blogach i liczby wyszukiwań w sieci.