Supporting Informed Destination Development Using Visitor Intelligence
Notice bibliographique
Résumé
Abstract Understanding of the profile of visiting markets can assist destinations to make informed and effective marketing investments. This case study describes a collaborative model to design and pilot a community-based visitor experience study on Vancouver Island intended to create a system for ongoing, local data for tourism development. Initiated in 2013 by two communities and Vancouver Island University, the model expanded across the island to 9 communities by 2015 due to its success and community buy in. The model intercepts visitors on their trip asking them to complete a ballot with their email address in exchange for a chance to win a set of attractive prizes from the destination. In exchange, visitors are later sent a web-based survey by email asking about their experience, preferences, satisfaction and characteristics. The project has enabled participating communities to learn more about their visitors and to enhance their marketing intelligence. The project is evaluated with communities annually at a meeting where refinements are made for successive years. This project highlights that systems to provide locally relevant data on visitors are valuable to assist communities to allocate their scarce marketing dollars effectively. The case study describes the elements in the design of the model, the process used to gather data, the tools used to share results and the feedback from the community stakeholders involved. Insights gained are valuable to those interested in modernizing data collection on visitors at the community or regional level. VIU logo WLCE logo Information Vancouver Island University World Leisure Centre of Excellence © N.L. Vaugeois and P. Parker, 2015
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 | 0,001 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».