Segmenting the market of first-time visitors to an island destination
Notice bibliographique
Résumé
Purpose The purpose of this study is to segment the market of first-time visitors based on the activities travelers engage in while at a destination using demographics, socio-economic variables, and trip-related characteristics. Design/methodology/approach The research analyzes 1,104 exit surveys completed by first-time visitors to the Canadian province of Prince Edward Island. Clustering analysis identifies three segments that are refined and tested by multivariate and bivariate analyses. Findings The results indicate that there are three distinct segments of first-time visitors based on travel activities: culture-oriented (26 percent of the market), active (37 percent), and casual (37 percent). The key differences among the three segments are demographic, socio-economic, trip-related characteristics, and spending patterns. These results confirm the sustainability and profitability of the market segments. Practical implications Segmenting markets for products or services, in any industry, is vital to gain a better understanding of the customer, and to better allocate scarce tourism resources to product development, marketing, service, and delivery. Therefore, all tourism industry stakeholders must be aware of the market segments that are currently visiting the destination. Originality/value Tourist segments based on activities are not absolutes, but a continuum. The majority of first-time visitors to a destination engage in a variety of travel activities across the segments, running from more to less involved. Successful tourism destinations are those that meet the various activity needs of their segments in both their marketing and on the ground.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».