Fakultät Tourismus-Management
Refine
Year of publication
Document Type
- Part of a Book (57)
- Article (51)
- Book (24)
- Working Paper (24)
- conference proceeding (article) (12)
- Report (11)
- conference proceeding (volume) (5)
- Moving Images (3)
- Other (3)
- Preprint (2)
Publication reviewed
- begutachtet (151)
- nicht begutachtet (40)
Keywords
- Tourismus (27)
- Digitalisierung (9)
- Tourismusindustrie (9)
- Tourismusmarketing (8)
- Bayern (7)
- Fachkräfte (6)
- BayernCloud (5)
- Besucherlenkungsmaßnahme (4)
- Hotelgewerbe (4)
- Linked Open Data (4)
Tourism is an important economic driver for numerous regions, at- tracting more than one billion visitors annually. While economically significant, excessive numbers of visitors lead to local overcrowding, which negatively im- pacts visitors’ experience and safety, and causes environmental harm. This paper proposes a practical approach to empowering destination management organiza- tions (DMOs) to manage tourist flows. We advocate for a rule-based approach that models visitor occupancy based on easily understandable influence factors like weather and date. As a central component, an ontology-guided knowledge graph ensures compatibility with diverse touristic data models and allows seam- less integration into existing infrastructures. By digitizing DMOs’ experiential knowledge, we facilitate the implementation of lean and cost-effective visitor guidance. We demonstrate our approach by implementing two applications for two different use cases. The results of our qualitative evaluation reveal the com- pelling potential for rule-based occupancy modeling approaches serving as a baseline for future visitor management systems.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Füssen ländlicher Raum werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Sauerland (Winter) werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Sauerland (Sommer) werden in diesem Bericht dargestellt.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Ruhrgebiet werden in diesem Bericht dargestellt.
Digitales Besuchermanagement beschreibt die Beeinflussung von Reise- und Ausflugsentscheidungen durch digitale Verfahren zur Vermeidung von Überlastungen in Destinationen. Es umfasst die Bereitstellung von Daten, die Datenhaltung, das Erarbeiten von Empfehlungen und das Ausspielen der Ergebnisse über digitale Touchpoints. Dieses Kapitel beschreibt die Ziele und Bestandteile eines digitalen Besuchermanagementsystems im Tourismus und bewertet Möglichkeiten und Grenzen. Abschließend werden offene Forschungsfelder definiert.
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Ostsee werden in diesem Bericht dargestellt.
Die Rahmenbedingungen der Personalarbeit haben sich in den vergagenen zehn Jahren dramatisch verändert. Als Gründe zu nennnen sind die Digitalisierung, die Globalisierung, der demograischen Wandel, der Kulturwandel sowie die großen Krisen der vergagenen Jahre. Dies alles hat in unterschiedlicher WEise Auswirkung auf die Personalwirtschaft.
Ein Aspekt der Personalwirtschaft wird in den vergagnenen Jahren zunehmend diskutiert: die Zukunft der Arbeit. Dabei scheint eines klar: Der Arbeit - zumindest in Deutschland - gehen zunehmend die Werktätigen aus. Dabei wird oft auf die Utopie des New Work (Bergmann, 2007) verwiesen und neben diesem Begriff des New Work werden Aspekte zukünfiger Arbeitsmodelle (Future of Work) mitdiskutiert (Cloots, 2022). Wie also steht es um die Auswirkungen der vierten industriellen Revolution of Organisationen, Führung und Beschäftigung?
Im Rahmen des Forschungsprojektes AIR – AI-basierter Recommender für nachhaltigen Tourismus – wurden Gästebefragungen in Form von Face to Face-Interviews in allen sechs Use Cases durchgeführt. Diese Form der Bedarfsanalyse soll dazu dienen, Informationen über die Demographie der Gäste, touristische Verhaltensmuster, Gründe für die Zielauswahl und Wahrnehmung des Zielgebiets und das Informationsverhalten zu erhalten. Die Ergebnisse der Befragungen im Use Case Füssen Innenstadt werden in diesem Bericht dargestellt.
Carsharing is an integral part of the transformation toward flexible and sustainable mobility. New carsharing programs are entering the market to challenge large operators by offering innovative services. This study investigates the use of generative machine learning models for creating synthetic data to support carsharing decision–making when data access is limited. To this end, it explores the evaluation, selection, and implementation of leading-edge methods, such as generative adversarial networks (GANs) and variational autoencoders (VAEs), to generate synthetic tabular transaction data of carsharing trips. The study analyzes usage data of an emerging carsharing program that is expanding its services to include free-floating electric vehicles (EVs). The results show that augmenting real training data with synthetic samples improves predictive modeling of upcoming trips by up to 4.63%. These results support carsharing researchers and practitioners in generating and leveraging synthetic mobility data to develop solutions to real-world decision support problems in carsharing.