Les trois types de données touristiques
D’après Dominique Cardon (2015), « le principal défi que doivent affronter les big data est de donner du sens à ce magma de données brutes ». Il est donc moins question d’obtenir une forte quantité de données que d’en comprendre l’intérêt et la pertinence pour les acteurs. En tourisme, on distingue dans les recherches académiques trois catégories de données massives qui deviennent des sources potentielles d’innovation : 1- les données issues des contenus utilisateurs, 2- les données issues des dispositifs techniques et 3- les données de transaction(Li & al., 2018).
Les contenus utilisateurs (User Generated Content - UGC)
Ce sont les données produites par les usagers dans le but de partager leurs expériences touristiques. Elles comprennent les avis en ligne, les blogs, les récits de voyages, les tweets ou encore les photographies. Largement exploitées par les start-ups, leur analyse apporte une dimension qualitative des comportements touristiques qui jusque-là n’étaient identifiés qu’à travers des enquêtes fastidieuses et couteuses dont les biais méthodologiques ou affectifs restaient importants.
- Les avis en lignes permettent de mesurer la satisfaction des voyageurs à l'égard des produits touristiques (ex Guo & al., 2017).
- Les données des blogs et les récits de voyage peuvent établir des routes touristiques et des périodes d’affluences selon les destinations (Yuan & al., 2017).
- Les photographies permettent d’explorer l’activité des visiteurs et les points d’intérêts en étudiant les métadonnées associées (Jacquot & al., 2018).
Les dispositifs techniques (Devices data)
Chaque interaction avec du matériel électronique enregistre des données. Ainsi, toutes les données enregistrées par les appareils, tels que smartphones ou les appareils externes (GPS, Roaming, RFID, WIFI, Bluetooth etc.) sont susceptibles d’apporter une information sur le traçage de l’expérience touristique.
- Les données GPS reconstituent les déplacements des touristes dans un parc pour connaître les trajets empruntés et questionner le parcours touristique proposé (East & al., 2017).
- Les données mobiles représentent la saisonnalité et l’origine des touristes dans une région et entre les différentes espaces touristiques identifiés (Saluveer & al., 2020).
- Les données Météo permettent l’analyse de la relation entre le nombre de nuit et l'épaisseur de la neige dans les stations de ski pour assurer une gestion durable de la destination (Falk, 2010).
Les transactions (Transactions data)
Les transactions en lignes représentent toutes les données enregistrées par les recherches en lignes, les réservations en lignes ou les paiements par cartes bleues. Détenir ces données, c’est disposer d’information très précises pour l’analyse prédictive ou la connaissance du comportement des visiteurs.
- Au-delà du référencement marketing sur les moteurs de recherche, les données web peuvent prédire les arrivées touristiques dans les villes pour prévenir les effets de surtourisme (Gunter&Ondër, 2016).
- Les autres transactions peuvent révéler l'(in)efficacité des hôteliers dans la gestion de l’énergie à travers des données de consommation d’eau ou d'électricité (Kahn & al., 2016).
Image issue du film Lucy de Luc Besson
Quelques précautions autour de l’engouement issue des données massives
Les données massives permettent de nombreuses possibilités notamment à travers la recherche et l’analyse de nouveaux phénomènes. Cette innovation peut avoir un impact considérable sur le tourisme, même si les données ne sont pas encore structurées (Silva & al, 2018). La donnée apporte de nombreuses solutions très concrètes et des économies parfois significatives, toutefois elle reste parfois largement fantasmée.
Ibekwe-Sanjuan et Paquienséguy (2016) précisent : « L'engouement actuel pour une science orientée donnée semble opportunément balayer trois évidences (…)
- Aucune collection de données, aussi grand soit elle ne peut être exhaustive (...)
- Le monde algorithmique de découverte imposé par l'investigation à l'échelle du Big data ne conduit pas à des vérités irréfutables" (...)
- Les connaissances ne sont pas immanentes au données (…) la connaissance nécessite une participation active des humains ».
Vers une recherche d’autonomie et une compréhension des enjeux
Pour conclure, la donnée devient un symbole d’innovation et peut être perçue comme l’unique voie de gestion touristique. Pour en identifier le potentiel réel, les académiques - parfois en partenariat avec les territoires et les partenaires privés - apportent de nombreuses orientations sur l’exploitation possibles des données touristiques. Souvent repris par les industries, ces initiatives peuvent être transformés en solution techniques sous condition d’un modèle économique viable.
Cependant comme tout produit brut, l’exploitation de la donnée nécessite parfois d’être sous-traité auprès d’intermédiaires. Le discours de ces partenaires n’est donc pas toujours neutre et repose sur leur seule interprétation. Ainsi, pour garantir une indépendance des acteurs touristiques et une exploitation réellement fiable et convenable des données, les acteurs souhaitant comprendre les transformations issues du big data verront évoluer leurs méthodologies de travail et leurs connaissances tout en acceptant de remettre en cause certaines dynamiques de décisions.
Bibliographie
Cardon, D. (2015). A quoi rêvent les algorithmes. Nos vies à l'heure: Nos vies à l’heure des big data. Le Seuil.
East, D., Osborne, P., Kemp, S., &Woodfine, T. (2017). Combining GPS & survey data improves understanding of visitor behaviour. Tourism Management, 61, 307-320.
Falk, M. (2010). A dynamic panel data analysis of snow depth and winter tourism. Tourism Management, 31(6), 912-924.
Guo, Y., Barnes, S. J., & Jia, Q. (2017). Mining meaning from online ratings and reviews: Tourist satisfaction analysis using latent dirichlet allocation. Tourism Management, 59, 467-483.
Gunter, U., &Önder, I. (2016). Forecasting city arrivals with Google Analytics. Annals of Tourism Research, 61, 199-212.
Ibekwe-Sanjuan et Paquienséguy (2016) inBroudoux, E., &Chartron, G. (2016). Open data. De Boeck Supérieur.
Jacquot, S., Chareyron, G., & Cousin, S. (2018). Le tourisme de mémoire au prisme du «big data». Cartographier les circulations touristiques pour observer les pratiques mémorielles. Mondes du Tourisme, (14).
Kahn, M. E., & Liu, P. (2016). Utilizing “Big Data” to improve the hotel sector’s energy efficiency: Lessons from Recent Economics Research. Cornell Hospitality Quarterly, 57(2), 202-210.
Li, J., Xu, L., Tang, L., Wang, S., & Li, L. (2018). Big data in tourism research: A literature review. Tourism Management, 68, 301-323.
Saluveer, E., Raun, J., Tiru, M., Altin, L., Kroon, J., Snitsarenko, T., ... &Silm, S. (2020). Methodological framework for producing national tourism statistics from mobile positioning data. Annals of Tourism Research, 81, 102895.
Silva, F. B., Herrera, M. A. M., Rosina, K., Barranco, R. R., Freire, S., &Schiavina, M. (2018). Analysing spatiotemporal patterns of tourism in Europe at high-resolution with conventional and big data sources. Tourism Management, 68, 101-115.
Yuan, H., Xu, H., Qian, Y., & Li, Y. (2016). Make your travel smarter: Summarizing urban tourism information from massive blog data. International Journal of Information Management, 36(6), 1306-1319.
Doctorant en sciences de l’information et de la communication à l’Université Gustave Eiffel, Cyril décrit l’actualité touristique à travers la littérature académique spécialisée dans l’innovation, le tourisme et les popular studies. Dans ses recherches, il tente d’identifier la place du tourisme dans la smart city. Il est chroniqueur pour TOM depuis janvier 2020.
