Journals / Türk Turizm Araştırmaları Dergisi / 2020 / Cilt: 4 - Sayı: 4

Data Mining in Tourism Sector

Turizm Sektöründe Veri Madenciliği

Pages
3465–3485
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

According to the results of this study, most articles were published in 2019.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Technological developments are increasing by multiplying data production.
📊
Key Findings & Data:Internet use, social media interactions of people and internet-connected devices are factors that increase data production.
💡
Conclusion & Impact:According to the results of this study, most articles were published in 2019.
🔬Design:Modeling & Simulation
📍Scope:2015-2019 Verileri
⚙️Variables:Domain Parameters

Abstract

Technological developments are increasing by multiplying data production. Internet use, social media interactions of people and internet-connected devices are factors that increase data production. In the digital world where the data is stored with the stack, these data stacks are stored or flowed instantaneously. The series of transactions made to extract potential information from these data stacks is called Data Mining. Data mining is used effectively in every field today. One of the areas where Data Mining is used is tourism. There are many data regarding personal data, consumer habits, tourist mobility by months, duration of stay and regularity in tourism. Data stacks can be used for a number of basic functions such as customer profile determination, developing marketing strategies, choosing e-commerce options, process management, logistics management, increasing customer satisfaction, determining travel routes, improving service quality by processing with the Data Mining process. In this research, data mining studies in the tourism sector between 2015-2019 have been examined. These studies were examined according to y ears, countries, models used, journals, data sources, and study topics. According to the results of this study, most articles were published in 2019. It can be said that studies of DM on Tourism have increased in the last two years. It is seen that the most researched country is China. The proportion of predictive and descriptive models in application studies is close to each other. The most studied topics are tourist satisfaction and regularity, determining tourist travel behaviors, decisions, and touring, touring and suggestions for tourists.

Özet

Teknolojik gelişmelere bağlı olarak veri üretimi katlanarak artmaktadır. İnternet kullanımı, insanların etkileşimlerine bağlı olarak sosyal medya ve internete bağlı cihazlar, veri üretimini artıran etkenlerdir. Yığınla verinin oluştuğu dijital dünyada bu veri yığınları depolanmakta veya anlık olarak akmaktadır. Bu veri yığınlarından potansiyel bilgiyi çıkarmak amacıyla yapılan işlemler silsilesi, veri madenciliği olarak adlandırılmaktadır. Veri madenciliği, günümüzde her alanda etkin bir biçimde kullanılmaktadır. Veri Madenciliğinin kullanıldığı alanlardan biri de turizmdir. Turizmde müşterilere ilişkin kişisel veri, tüketim alışkanlıkları, aylara göre turist hareketliliği, konaklama süresi ve müdavimliğe ilişkin birçok veri bulunmaktadır. Veri yığınları, “Veri Madenciliği” süreci ile işlenerek müşteri profili belirleme, pazarlama stratejileri geliştirme, e-ticaret seçenekleri belirleme, süreç yönetimi, lojistik yönetimi, müşteri memnuniyetini artırma,seyahat güzergahları belirleme, hizmet kalitesini artırma gibi bir dizi temel işlev içinkullanılabilmektedir. Bu araştırmada 2015-2019 yılları arasında turizm sektöründe yapılan verimadenciliği çalışmaları incelenmiştir. Bu çalışmaların yıllara, ülkelere, kullanılan modele,yayımlandıkları dergilere, veri kaynaklarına ve çalışma konularına göre incelenmiştir. Araştırmanın sonuçlarına göre en çok makale, 2019 yılında yayımlanmıştır. Son iki yılda buçalışmaların arttığı söylenebilir. En çok araştırma yapılan ülke Çin olduğu görülmektedir. Uygulama çalışmalarında tahmin edici ve tanımlayıcı modellerin oranı birbirine yakındır. En çokçalışılan konular, turist memnuniyeti ve müdavimlik, turist seyahat davranışlarını, kararlarınıbelirlemek ve turistler için gezinti, tur rotası belirleme ve önerilerdir.

🔖

Cite This Article

UZAN, Ş. B., ÖZÜÇAĞLIYAN, M. Ö. (2020). Data Mining in Tourism Sector. Türk Turizm Araştırmaları Dergisi, Cilt: 4 - Sayı: 4, 3465–3485. https://ajindex.com/articles/329299

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Ackoff, R. L. (1989). From data to wisdom. Journal of Applied System Analysis, 16, 3-9.
  2. Akgöbek, Ö. ve Çakır, F. (2009). Veri Madenciliğinde Uzman Bir Sistem Tasarımı. Akademik Bilişim Konferansları. İnternet Teknolojileri Derneği, Şanlıurfa. Akgöbek, Ö. ve Kaya, S. (2011). Veri Madenciliği Teknikleri ile Veri Kümlerinden Bilgi Keşfi: Medikal Veri Madenciliği Uygulaması. e-Journal of New World Sciences Academy, 6(1), 237-245.
  3. Akgün, A. ve Çizel, B. (2017). Günlük Tur Programları Oluşturmada Veri Madenciliği: A Grubu Seyahat Acentesi Örneği. Turizm & Araştırma Dergisi. 6(1): 73-87.
  4. Aktan, C. C. ve Vural, İ. Y. (2005).
  5. Bilgi Çağı, Bilgi Yönetimi ve Bilgi Sistemleri. Konya: Çizgi Kitabevi.
  6. Alaei, A. R., Becken, S., and Stantic, B. (2019). Sentiment Analysis in Tourism: Capitalizing on Big Data. Journal of Travel Research. 58(2), 175–191.
  7. Alpaydın, E. (2000). Zeki Veri Madenciliği: Ham Bilgiden Altın Bilgiye Ulaşma Yöntemleri. Bilişim 2000
  8. Eğitimi Semineri. Altun, M., Kayıkçı, K., Irmak S. (2019). Sınıf Öğretmenliği Öğrencilerinin Mezuniyet Notlarının Regresyon Analizi ve Yapay Sinir Ağları Yöntemleriyle Tahmini, E-Uluslararası Eğitim Araştırmaları Dergisi, 10(3) 2019, 29-43.
  9. Amjad, R. and Croock, M. S. (2019). Dominated Destinations of Tourist İnside İraq Using Personal Information and Frequency of Travel. Telkomnika, 17(4), 1723–1730.
  10. Argüden, Y. ve Erşahin, B. (2008). Veri Madenciliği Veriden Bilgiye Masraftan Değere. ARGE Danışmanlık. İstanbul.
  11. Aydın, S. (2007). Veri Madenciliği ve Anadolu Üniversitesi Uzaktan Eğitim Sisteminde Bir Uygulama. Eskişehir Anadolu Üniversitesi Sosyal Bilimler Enstitüsü, Eskişehir. Bigné, E., Oltra, E., and Andreu, L. (2019) Harnessing Stakeholder Input on Twitter: A Case Study of Short Breaks in Spanish Tourist Cities. Tourism Management, 71, 490-503.
  12. Bin, C., Gu, T., Sun, Y., and Chang, L. (2019) A Personalized POI Route Recommendation System Based on Heterogeneous Tourism Data and Sequential Pattern Mining. Multimedia Tools and Applications, 78 (24), 35135-35156.
  13. Cankurt, S. and Subaşı, A. (2016). Tourism Demand Modelling and Forecasting Using Data Mining Techniques in Multivariate Time Series: A Case Study in Turkey. Turkish Journal of Electrical Engineering & Computer Sciences, 24(5), 3388–3404.
  14. Cavagnaro, E., Staffieri, S. and Postma, A. (2018). Understanding Millennials’ Tourism Experience: Values and Meaning to Travel as a Key for Identifying Target Clusters for Youth (Sustainable) Tourism, Journal of Tourism Futures, 4(