A Market Expansion Strategic Model in the Tourism Industry: A Case Study in a Portuguese Travel Tech Startup
Deze studie stelt een op machine learning gebaseerd strategisch model voor de marktuitbreiding van een Portugese travel tech-startup voor, waarbij wordt aangetoond dat een gewogen K-means-benadering effectief hoogpotentiele Europese steden zoals Zagreb en Warschau identificeert, terwijl het een breed toepasbare methodologie voor de toerismesector biedt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de bruisende wereld van het moderne reizen komt het verschil tussen een bloeiende onderneming en een mislukt avontuur vaak neer op één moeilijke vraag: waar moeten we als volgende naartoe? Voor bedrijven die technologie bouwen om mensen te helpen zich te verplaatsen, gaat het vinden van de juiste stad niet alleen over raden welke plek er mooi uitziet op een kaart. Het vereist een begrip van een complex web van factoren, van hoe gemakkelijk het is om van een luchthaven naar een hotel te komen, tot hoeveel geld de gemiddelde werknemer verdient in verhouding tot de kosten van de huur. Dit is het domein van data-analyse, een veld waar onderzoekers computers gebruiken om verborgen patronen te vinden in enorme hoeveelheden informatie. Door vergelijkbare plaatsen bij elkaar te groeperen op basis van hun kenmerken, kunnen analisten zien welke steden dezelfde potentie voor succes delen. Deze aanpak gaat verder dan eenvoudige intuïtie en biedt een manier om strategische beslissingen te nemen met een helderder zicht op de risico's en de beloningen die daarbij komen kijken.
Een team van onderzoekers dat samenwerkt met een Portugese reistechnologie-startup, zette zich af om exact dit probleem op te lossen. Ze wilden het bedrijf helpen beslissen welke Europese steden de beste kandidaten waren voor het openen van nieuwe diensten. In plaats van te vertrouwen op onderbuikgevoel of eenvoudige lijsten van populaire bestemmingen, bouwden ze een model om veertig-vijf steden in groepen in te delen op basis van hoe goed ze aansluiten bij de specifieke behoeften van het bedrijf. Het team testte drie verschillende manieren om deze gegevens te organiseren. De eerste methode was een rechttoe rechtaan computeralgoritme dat steden groepeerde op basis van de verstrekte cijfers. De tweede methode vereenvoudigde eerst de gegevens door overbodige details te verwijderen en paste vervolgens hetzelfde groeperingsalgoritme toe. De derde en meest innovatieve methode bracht menselijke ervaring direct in het proces. Voordat de computer begon met sorteren, vertelde een groep van vijf experts van het bedrijf — mensen die jarenlang operaties en business development hebben beheerd — de onderzoekers hoe een "goede" groep steden eruit moest zien. Zij gebruikten hun kennis om de ideale mix van kenmerken te definiitseren voor een succesvolle markt.
De onderzoekers voerden vervolgens een enorme zoektocht uit om de specifieke combinatie van factoren te vinden die ervoor zou zorgen dat de groepen van de computer overeenkwamen met de visie van de experts. Ze testten bijna 280.000 verschillende manieren om het belang van elke variabele te wegen, zoals vliegverkeer, het aantal hoteladvertenties, verkeerscongestie en de kosten van levensonderhoud in verhouding tot de lokale salarissen. Het doel was om een set gewichten te vinden die de computer ertoe zouden aanzetten om de steden op dezelfde manier te sorteren als de experts hadden voorspeld. Wanneer ze de resultaten vergeleken, bleek de methode die de input van de experts bevatte de duidelijke winnaar. De andere twee methoden, die uitsluitend vertrouwden op de eigen logica van de computer, produceerden groepen die minder onderscheidend waren en vaak steden bij elkaar mengden die zeer verschillend van elkaar waren. Zo zou een puur wiskundige benadering bijvoorbeeld een kapitaalstad met hoge kosten met een meer betaalbare stad kunnen groeperen, simpelweg omdat ze één kenmerk deelden, waarbij de bredere economische realiteit die van een slechte keuze voor expansie zou maken, werd genegeerd.
Het winnende model, dat de begeleiding van de experts combineerde met het sorteervermogen van de computer, creëerde vijf duidelijke groepen steden. Eén van deze groepen viel op als de meest veelbelovende voor onmiddellijke expansie. Deze bevatte steden die een krachtige combinatie boden: hoge volumes toeristen, relatief lage kosten voor zakendoen en sterke logistieke verbindingen. De analyse wees specifiek naar steden als Zagreb en Warschau als topprioriteiten. Deze plaatsen deelden hetzelfde strategische profiel als de reeds succesvolle markten van de startup, zoals Lissabon, Athene en Boedapest. Het model toonde aan dat deze steden de juiste balans hadden tussen vliegactiviteit, accommodatieaanbod en economische haalbaarheid om de groei van het bedrijf te ondersteunen. In contrast hiermee identificeerde het model ook groepen steden die minder geschikt waren, zoals die met extreem hoge kosten van levensonderhoud of slechte transportverbindingen, waardoor ze effectief werden uitgesloten voor de volgende fase van expansie.
Deze studie benadrukt een cruciale les voor de toekomstige bedrijfsstrategie: de krachtigste instrumenten zijn vaak die welke menselijk inzicht combineren met computerprecisie. Hoewel de computer duizenden datapunten in enkele seconden kon verwerken, had hij de experts nodig om te vertellen wat die punten daadwerkelijk betekenden in de echte wereld. Zonder die menselijke begeleiding miste zelfs de beste wiskundige oplossing van de computer het doel, en produceerde het resultaten die er op papier goed uitzagen maar niet overeenkwamen met de realiteit van de markt. De onderzoekers ontdekten dat de beste manier om succes te voorspellen niet was om de data voor zichzelf te laten spreken, maar om de data te laten spreken in een taal die de bedrijfsleiders begrepen. Door de groepen van de computer te valideren tegen de ervaring van mensen die deze uitdagingen al eerder hadden doorstaan, creëerde het team een routekaart die zowel statistisch onderbouwd als praktisch bruikbaar was.
De bevindingen bieden een duidelijk pad vooruit voor de startup, waarbij wordt gesuggereerd dat hun volgende stappen zich moeten richten op de steden die in de groep met een hoog potentieel zijn geïdentificeerd. De onderzoekers merken echter voorzichtig op dat dit een startpunt is, en geen definitieve garantie. Het model leunt op historische gegevens en huidige omstandigheden, die kunnen veranderen door nieuwe economische verschuivingen of wereldwijde gebeurtenissen. Om echt effectief te zijn, zal de strategie in het veld getest moeten worden, waarbij de resultaten in de echte wereld de voorspellingen bevestigen. De studie suggereert ook dat deze methode kan worden aangepast voor andere bedrijven in de toerismesector, mits zij hun eigen experts in de loop betrekken om te definiëren wat succes betekent voor hun specifieke bedrijf. Uiteindelijk demonstreert het werk dat wanneer technologie en menselijke ervaring samenwerken, ze een chaotische zee van mogelijkheden kunnen veranderen in een heldere, navigeerbare koers voor groei.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.