A Market Expansion Strategic Model in the Tourism Industry: A Case Study in a Portuguese Travel Tech Startup

In der geschäftigen Welt des modernen Reisens liegt der Unterschied zwischen einem florierenden Unternehmen und einem gescheiterten Vorhaben oft in einer einzigen, schwierigen Frage: Wohin sollten wir als Nächstes gehen? Für Unternehmen, die Technologien entwickeln, um Menschen bei der Fortbewegung zu helfen, geht es bei der Wahl der richtigen Stadt nicht nur darum, zu raten, welcher Ort auf einer Karte schön aussieht. Es erfordert das Verständnis eines komplexen Geflechts von Faktoren, von der Frage, wie einfach man von einem Flughafen zu einem Hotel gelangt, bis hin dazu, wie viel der durchschnittliche Arbeitnehmer im Vergleich zu den Mietkosten verdient. Dies ist das Reich der Datenanalyse, ein Bereich, in dem Forscher Computer nutzen, um verborgene Muster in riesigen Mengen von Informationen zu finden. Durch das Gruppieren ähnlicher Orte basierend auf ihren Merkmalen können Analysten sehen, welche Städte dasselbe Potenzial für den Erfolg teilen. Dieser Ansatz geht über bloße Intuition hinaus und bietet eine Möglichkeit, strategische Entscheidungen mit einer klareren Sicht auf die damit verbundenen Risiken und Chancen zu treffen.

Ein Team von Forschern, das mit einem portugiesischen Reisetechnologie-Startup zusammenarbeitete, setzte sich genau dieses Problem zur Lösung an. Sie wollten dem Unternehmen helfen zu entscheiden, welche europäischen Städte die besten Kandidaten für die Eröffnung neuer Dienste waren. Anstatt sich auf Bauchgefühl oder einfache Listen beliebter Reiseziele zu verlassen, entwickelten sie ein Modell, um fünfundvierzig Städte in Gruppen einzuteilen, basierend darauf, wie gut sie zu den spezifischen Bedürfnissen des Unternehmens passten. Das Team testete drei verschiedene Wege, diese Daten zu organisieren. Die erste Methode war ein geradliniger Computeralgorithmus, der Städte rein auf Basis der bereitgestellten Zahlen gruppierte. Die zweite Methode vereinfachte die Daten zunächst, indem sie unnötige Details entfernte, und wandte dann denselben Gruppierungsalgorithmus an. Die dritte und innovativste Methode brachte menschliche Erfahrung direkt in den Prozess ein. Bevor der Computer mit dem Sortieren begann, gab eine Gruppe von fünf Unternehmensexperten – Menschen, die jahrelang den Betrieb und die Geschäftsentwicklung geleitet hatten – den Forschern vor, wie eine „gute“ Gruppe von Städten aussehen sollte. Sie nutzten ihr Wissen, um die ideale Mischung aus Merkmalen für einen erfolgreichen Markt zu definieren.

Die Forscher führten daraufhin eine massive Suche durch, um die spezifische Kombination von Faktoren zu finden, die die Gruppen des Computers mit der Vision der Experten in Einklang bringt. Sie testeten fast 280.000 verschiedene Möglichkeiten, die Bedeutung jeder Variablen zu gewichten, wie etwa Flugverkehr, die Anzahl der Hotelangebote, Verkehrsbelastung und die Lebenshaltungskosten im Verhältnis zu den lokalen Gehältern. Das Ziel war es, einen Satz von Gewichtungen zu finden, die den Computer dazu brächten, die Städte auf die gleiche Weise zu sortieren, wie die Experten es vorhergesagt hatten. Als sie die Ergebnisse verglichen, erwies sich die Methode, die die Eingaben der Experten beinhaltete, als klarer Gewinner. Die anderen beiden Methoden, die sich ausschließlich auf die eigene Logik des Computers verließen, erzeugten Gruppen, die weniger deutlich voneinander abgegrenzt waren und oft Städte vermischten, die sehr unterschiedlich waren. Beispielsweise könnte ein rein mathematischer Ansatz eine teure Hauptstadt mit einer erschwinglicheren Stadt gruppiert haben, nur weil sie ein einziges Merkmal teilten, wobei die breitere wirtschaftliche Realität ignoriert wurde, die eine der beiden zu einer schlechten Wahl für die Expansion gemacht hätte.

Das gewinnende Modell, welches die Anleitung der Experten mit der Sortierleistung des Computers kombinierte, erstellte fünf klare Gruppen von Städten. Eine dieser Gruppen stach als die vielversprechendste für eine sofortige Expansion hervor. Sie enthielt Städte, die eine kraftvolle Kombination boten: hohe Touristenströme, relativ geringe Geschäftskosten und starke logistische Verbindungen. Die Analyse deutete spezifisch auf Städte wie Zagreb und Warschau als Top-Prioritäten hin. Diese Orte teilten das gleiche strategische Profil wie die bereits bestehenden erfolgreichen Märkte des Startups, wie etwa Lissabon, Athen und Budapest. Das Modell zeigte, dass diese Städte die richtige Balance aus Flugaktivität, Unterkunftsangebot und wirtschaftlicher Machbarkeit besaßen, um das Wachstum des Unternehmens zu unterstützen. Im Gegensatz dazu identifizierte das Modell auch Gruppen von Städten, die weniger geeignet waren, wie etwa solche mit extrem hohen Lebenshaltungskosten oder schlechten Transportverbindungen, und schloss sie somit effektiv für die nächste Phase der Expansion aus.

Diese Studie unterstreicht eine entscheidende Lektion für die Zukunft der Geschäftsstrategie: Die mächtigsten Werkzeuge sind oft jene, die menschliche Einsicht mit maschineller Präzision verbinden. Während der Computer tausende von Datenpunkten in Sekundenschnelle verarbeiten konnte, benötigte er die Experten, um ihm zu sagen, was diese Punkte in der realen Welt tatsächlich bedeuteten. Ohne diese menschliche Führung verfehlte die beste mathematische Lösung des Computers immer noch das Ziel und lieferte Ergebnisse, die auf dem Papier gut aussah, aber nicht mit der Realität des Marktes übereinstimmten. Die Forscher fanden heraus, dass der beste Weg, den Erfolg vorherzusagen, nicht darin bestand, die Daten für sich selbst sprechen zu lassen, sondern die Daten in einer Sprache sprechen zu lassen, die die Wirtschaftsführer verstanden. Indem sie die Gruppen des Computers gegen die Erfahrung von Menschen validierten, die diese Herausforderungen bereits gemeistert hatten, schuf das Team eine Roadmap, die sowohl statistisch fundiert als auch praktisch nützlich war.

Die Ergebnisse bieten einen klaren Weg nach vorne für das Startup und legen nahe, dass ihre nächsten Schritte sich auf die identifizierten Städte der Gruppe mit hohem Potenzial konzentrieren sollten. Die Forscher weisen jedoch vorsichtig darauf hin, dass dies ein Ausgangspunkt ist und keine endgültige Garantie. Das Modell stützt sich auf historische Daten und aktuelle Bedingungen, die sich durch neue wirtschaftliche Verschiebungen oder globale Ereignisse ändern können. Um wirklich effektiv zu sein, muss die Strategie im Feld getestet werden, wobei reale Ergebnisse die Vorhersagen bestätigen müssen. Die Studie legt zudem nahe, dass diese Methode für andere Unternehmen im Tourismussektor angepasst werden kann, sofern diese ihre eigenen Experten einbinden, um zu definieren, was Erfolg für ihr spezifisches Geschäft bedeutet. Letztendlich zeigt die Arbeit, dass Technologie und menschliche Erfahrung, wenn sie zusammenwirken, ein chaotisches Meer an Möglichkeiten in einen klaren, navigierbaren Kurs für Wachstum verwandeln können.