This is a read only archive of pad.okfn.org. See the
shutdown announcement
for details.
Destination_Forecast_Dashboard
##Projektziel
Auf Basis der vorhanden Historydaten von 2 Wintersaisons der letzten zwei Jahre werden in einem Modell Regeln abgeleitet, welche es erlauben, eine Prognose für die Auslastung der Infrastruktur und der Personalplanung abzugeben. Wählbar ist die Ansicht Forecast auf einer oder zwei Wochen. Das Prognose-Tool soll den Benutzern ermöglichen eine genauere Planung von Ressourcen zu erstellen. Als erster Release wird die Kapazitätsplanung der Skischule integriert. Denkbar ist eine Erweiterung auf weitere touristische Leistungsträger wie z.B. Bergrestaurant, Schwimmbad, yssdsdsdsMuseum, etc. Die Progrnoseregeln müssen jeweils pro Stakeholder fachlich definiert und anschliessend implementiert werden. Möglicherweise können heute bestehende Excel-Listen und Tools mit dem Prognosetool abgelöst werden. Das Prognose-Tool soll responsive implementiert werden, sodass sämtliche Devices (Desktop, Tablets, Smartphone, TV-Screens, etc) gut unterstützt sind.
###Zielgruppe
Die Hauptziellgruppe sind touristische Destinationen (z.B. Arosa). Folgende Leistungsträger vor Ort haben einen Mehrwert von diesem Dashboard:
- Tourismusbüro
- Bergbahnen
- Restaurants
- Skischulen
- Hotels
- weitere
###Welche Daten sind involviert?
Historische Daten über 2 Wintersaisions, jeweils November bis April
- Sonnenscheindauer auf der Basis der Bergbahnen
- Ersteintritte d.h. eine Person welche die Bergbahnen genutzt hat, wählbar im Fall von Arosa als Einzelzahlen Arosa/Lenzerheide oder kumuliert über die beiden
- Swisscomdaten Touristen in der Desitnation vom 24.12.16 - 6.1.2017 (nur CH)
Aktuelle Daten aus dem Internet
- Wetterprognose anhand einer REST API (www.weatherbit.io, lizenzpflichtig bei Datenbedarf < 2 Wochen in die Zukunft)
- Ferienkalender über 6 Kantone der Schweiz (exkl. Feiertage und lokale Events) - www.schulferien.org
- Ergänzung absolut möglicher Sonnenscheinstunden pro Tag - www.timeanddate.com
###Welche Daten fehlen oder würden das Model bereichern?
Je mehr Daten eine Destination zur Verfügung stellen kann, desto genauer wird das Destination Forecast Dashboard.
Folgende Datenquellen können das Ergebnis verbessern:
- Telefonie
- Daten auf Tag genau über komplette Wintersaisons
- Daten von anderen Handynutzern (Sunrise, Salt sowie Ausländer)
- Logiernächte auf den Tag genau (diese werden aktuell lediglich auf Monatsbasis erfasst)
- Ferienkalender aller Schweizer Kantone sowie Ferienkalender sämtlicher Herkunftsländer der Destination
- Währungskurse (z.B. EUR vs. CHF)
- Stromverbrauch
- Parkhäuser
- Eintritte in Hallenbad
- Eintritte in Museen
##Wie funktioniert die Berechnung der Prognose?
Random Forest Methode
Abhängige Variablen:
- Ersteintritt, Arosa, Lenzerheitde, kumuliiert
- Anzahl Schüler Skischule
Unabhängige Variablen:
- Datum, Tag des Jahres
- % Sonnenstunden
- Schneefall -2Tage betrachtet
- Schulferienindex von ausgewählten Kanton
- Wetterkategorien: bewölkt, Regen, Schnee, schön, windig
####Darstellung quantitative Aussage zum Modell: 84% von Variation der Ersteintrittsdaten
####Darstellung: Knime - Point and click machine learning tool - Datenstrom
##Das Ergebnis - Dashboard
Das Dashboard erleichtert den touristen Leistungsträgern die kurzfriste Mitarbeiterplanung, indem die zu erwartende Auslastung für Ihren Betrieb von jedem digitalen Gerät aufgerufen werden kann.
###Beispiel Desktop/Wandscreen
###Beispiel Mobil:
##Live-Demo vom Destination Forecast Dashboard:
http://prognose-tool.waleed.ch/
Prognose-Tool Repo. : http://gitlab.waleed.ch/waleed/prognose-tool.git
##Offene Punkte
- Vollständige Automatisierung der Modell-Datenaufbereitung, die erfolgt zur Zeit noch teilweise manuell
- Abschliessende Integration der Business Logik.
- Gedanken zur Vermarktung, Schulung und Nutzung der Leistungsträger in einer Destination.
##Vision & Ausblick
- Pilotphase während einer Wintersaison mit einer Destination (z.B. Arosa) und die Nutzung testen. Falls dies erfolgreich ist, wird ein Produkt daraus entwickelt wür Schweizerische Bergdestinationen.
- Aktuell basiert die Berechnung auf Daten, welche insbesonders bei Bergdestinationen zur Verfügung stehen. Für Städtische Destinationen könnten alternativ z.B. Eintritte von Museen hinzugezogen werden.
- Integration eines Kapazitätsrechners auf Basis der Prognosedaten (Beispiel: 80% Auslastung bedeutet 14 Mitarbeiter werden bei der Skischule benötigt)
##Teammitglieder
- Antje Kroekel, Ideator
- Marliese Jenni, Ideator/Designor
- Helmut Gehrer, Developer, @helmchenx
- Michel Georgy, Developer, @tamtrek
- Waleed El Sayed, Developer
- Pascal Gebert, Ideator, @pascalgebert
- Christoffer Swanström, Developer, @QuantumBIS
- Peter B. Pearman, Data Scientist, Delevoper, @pbpearman
- André Akbrecht, Developer
