Wie Künstliche Intelligenz den Tourismus verändert

10.02.2020  /  5 Minuten Lesezeit
Autor:
Wolfram Höpken

Amadeus Blog: Künstliche Intelligenz kann eine Menge – lässt sich das für den Tourismus nutzen? Oh, ja, sagt Prof. Dr. Wolfram Höpken von der Hochschule Ravensburg-Weingarten. Er umreißt die Möglichkeiten für konkrete Anwendungen lernender Software.

In den Publikumsmedien kursieren einige sehr schöne griffige Beispiele dafür, was Künstliche Intelligenz (KI) leisten kann:

Die drei Beispiele zeigen bereits, was die Aufgabe und auch die Stärke Künstlicher Intelligenz ist: Die Software knöpft sich große, mehr oder weniger strukturierte Datenmengen vor, sucht darin nach Mustern und findet sie auch, denn sie ist in der Lage, ihre Suche eigenständig zu optimieren und zu verfeinern. Dieser Punkt, das Machine Learning, ist das Revolutionäre an KI.

Und wenn Kreditkartenanbieter und Supermarktketten daraus nutzen ziehen können, dann kann die Touristik das auch – und zwar datenschutzrechtlich und ethisch einwandfrei.

KI und Tourismus

Klassische Computerprogramme sind hart codierte Algorithmen. Die Programmierer stecken das Wissen in feste Abläufe, die der Rechner wiederholt und wiederholt, unabhängig davon, ob es (noch) sinnvoll ist oder nicht. Ein gutes Beispiel sind Fahrkartenautomaten, die mir auch an Streiktagen fröhlich ein Ticket verkaufen. Einen Schritt weiter geht regelbasierte Software: Hier steckt das Wissen in Regeln, die die Nutzer definieren. Das macht die Software flexibel, zum Beispiel wenn sie für die Routenplanung meinen Standort erkennt, bedeutet aber aufwändige Prozesse. KI dagegen schreibt sich ihre Regeln praktisch selbst, ihr Wissen ist weder fest eingeschrieben noch durch externe Vorgaben festgelegt, sondern wird selbstständig aus externen Daten extrahiert.

Dieses maschinelle Lernen funktioniert, indem Computer solche externen Daten auf vielerlei Arten und Weisen miteinander verknüpfen. Nehmen wir an, ein Reiseanbieter möchte herausfinden, welche seiner vielen verschiedenen und verschiedenartigen Kunden am ehesten eine gebuchte Reise storniert. Der Anbieter verfügt über viele Einzeldaten zu seiner Kundschaft, zum Beispiel „Freizeit-/Geschäftsreise“, „Alter“, „Zimmertyp“ und „Reisezeitpunkt“. In einem ersten Schritt verbindet die KI-Software diese Einzeldaten auf alle erdenkliche Weisen miteinander. Dabei entstehen Datengruppen wie „Junge Geschäftsreisende mit Einzelzimmer unter der Woche“.

Diese Verknüpfungen werden im zweiten Schritt mit den Stornierungen abgeglichen. Starke Korrelationen merkt sich die Software, schwache Korrelationen werden hintangestellt. Auf diese Weise erkennt sie Muster und kann für bestimmte Datenverknüpfungen Stornierungs-Wahrscheinlichkeiten bestimmen. Der nächste Schritt ist dann, dieses Wissen auf frische Daten anzuwenden und so zum Beispiel für aktuelle Buchungen zu prognostizieren, wer mit welcher Wahrscheinlichkeit storniert. Das heißt „predictive analytics“, auf Deutsch in etwa „Prognose durch Analyse“.

Das Verfahren dauert relativ lange, weil die Software die Daten zigmal vorgesetzt bekommen und durchkauen muss, bevor sie Muster erkennt. Der Vorteil aber liegt auf der Hand: Kein Mensch kann Hunderttausende Datensätze auf nützliche Muster hin durchsehen. Die KI erschließt uns Dinge, die außerhalb unserer Sinne und Denkweisen liegen.

Drei Anwendungsbeispiele

Damit sind wir schon mitten in der Touristik. Es folgen drei von vielen möglichen Anwendungen dieser Technologie über Stornierungen hinaus.

  • Vorhersage touristischer Ankünfte in Zielgebieten. Wer reisen möchte, fragt oft Google nach Informationen zu Zielgebieten. Wenn nun eine KI-Software die Ankunftsstatistiken der vergangenen Jahre mit den Google-Suchstatistiken derselben Zeit abgleicht, kann sie Korrelationen aufspüren: Wie stark wurden welche Ziele mit welchem zeitlichen Vorlauf vor der tatsächlichen Ankunft gegoogelt? Zeigen sich Korrelationen zwischen besonders hohem Suchaufkommen und besonders hohen Gästezahlen?Auf der Grundlage dieser Erkenntnisse lässt sich aus dem aktuellen Suchvolumen prognostizieren, wann mit welchen Gästezahlen zu rechnen ist. Die Einbeziehung des Google-Suchverhaltens verbessert die Prognosen um rund 30 Prozent.
  • Analyse von Kundenbewertungen. Die Datenbanken der Bewertungsportale enthalten Millionen von Einträgen, viele davon unstrukturiert, außerdem in verschiedenen Sprachen. Das sozusagen von Hand auszuwerten ist möglich, aber schlicht zu teuer.KI-Software dagegen kann lernen, die Texte in einzelne Sätze zu zerlegen, Füllwörter auszusondern und die wichtigen Wörter auf ihren Wortstamm zu reduzieren und zu verstehen. Die so herausgefilterten Wörter werden sortiert, etwa nach Themen („Hotel“, „Zimmer“, „Speisen und Getränke“) und nach Stimmungen (positiv, negativ, neutral) – und das wiederum wird miteinander verknüpft. So lassen sich aus einer großen Zahl unstrukturierter Bewertungen strukturierte Erkenntnisse zum Beispiel zu den eigenen Hotels gewinnen. Und die eigenen Häuser mit denen des Wettbewerbs vergleichen, und zwar tagesaktuell und (bis auf den Aufwand) kostenlos, denn die Bewertungen sind in der Regel frei zugänglich (Ausnahme: die Amadeus Trusted Reviews).
  • Analyse der Touristenströme. Der Social-Media-Grundsatz „Pic or it didn’t happen“ (etwa „Ohne Foto glauben wir gar nichts“) führt dazu, dass Reisende ihre Urlaubsbilder oft noch am Ort der Aufnahme zum Beispiel auf ihr Flickr-Konto hochladen. Das ermöglicht es bis zu einem gewissen Grad, ihre Wege von Sehenswürdigkeit zu Sehenswürdigkeit zu verfolgen.KI-Software kann lernen, in den Datenbanken der Dienste die Schlösser, Kirchen, Museen usw. zu erkennen und die Einträge anhand der Upload-Daten zu sortieren. Diese Auswertung erlaubt es dann festzustellen, in welcher Reihenfolge die Orte besucht werden und wohin Touristen eher allein, wohin sie in Gruppen gehen. Auch die berühmte Amazon-Formel „Wer A kauft, kauft oft auch B“ lässt sich hier anwenden. Und wer die Touristenpfade in Korrelation zum Wetter setzt, kann die Wettervorhersage für die Auslastungsprognose nutzen.Eine Auswertung von 147.000 hochgeladenen Flickr-Fotos Münchener Sehenswürdigkeiten von 11.300 Nutzern und aus den Jahren 2005 bis 2015 führte zu sehr schönen farbigen Wolken auf einem Münchener Stadtplan – sie standen für ganz klare Präferenzen der Besucher.All das ist für Städtevermarkter hochrelevant, um Auslastungen zu prognostizieren und die Kapazitäten am Ort zu planen, zum Beispiel Museumspersonal oder Busverbindungen. Natürlich müssen sie ständig berücksichtigen, dass nicht alle Touristen Flickr nutzen und nicht alle Flickr-Nutzer alles hochladen. Aber auch klassische Umfragen haben ihre Unschärfen, und die Flickr-Daten sind prinzipiell kostenlos und täglich auf dem neuesten Stand. (So lange halt, bis die nächste Social-Media-Fotoplattform Flickr irrelevant macht, aber das ist eine andere Frage.)

Fazit: Lauter unentdeckte Muster

Google-Anfragen, Produktbewertungen, Social-Media-Posts und natürlich die Buchungsdatenbanken von Leistungsträgern, Reiseveranstaltern, Reisebüros und Technologie-Anbietern wie Amadeus bieten riesige, ständig wachsende und stets hochaktuelle Datenmengen – lauter Big Data voller unentdeckter Muster. Künstliche Intelligenz kann sie entdecken und auf vielfältige Weise für die tägliche Arbeit nutzbar machen.

Die Technik ist da, ihre Leistungsfähigkeit wächst. Der Flaschenhals ist die Fähigkeit, damit umzugehen. Touristiker aller Wertschöpfungsstufen tun gut daran, hier gezielt Expertise aufzubauen. Sowieso gehören die Möglichkeiten lernender KI-Software und der Umgang damit zur digitalen Grundbildung. Sie sollte bereits in den Schulen gelehrt werden, zumindest aber in den Tourismus-Studiengängen.

Über den Autor

Wolfram Höpken ist Professor für Wirtschaftsinformatik an der Hochschule Ravensburg-Weingarten und Leiter des Instituts für Digitalen Wandel (IDW). Seine Forschungsschwerpunkte sind Business Intelligence und Data Mining, Semantic Web & Interoperabilität…
Mehr über den Autor

Schreiben Sie einen Kommentar