Методологія та інструментарій смарт-статистики у системі data-driven управління туристично-готельним сектором
DOI:
https://doi.org/10.31767/su.2(113)2026.02.06Ключові слова:
смарт-статистика, data-driven управління, туристично-готельний сектор, Big Data, аналітика даних, цифрова трансформація, прогнозна аналітика, інформаційно-аналітичні системи, сталий розвитокАнотація
Здійснено комплексне дослідження методологічних засад та інструментарію смарт-статистики в умовах трансформації системи управління туристично-готельним сектором на основі data-driven підходу. Обґрунтовано необхідність переходу від традиційної моделі офіційної статистики, що базується на періодичних обстеженнях та агрегованих показниках, до інтегрованої цифрової статистичної системи, яка поєднує адміністративні дані, дані приватного сектору й альтернативні джерела інформації. Визначено роль міжнародних статистичних стандартів у забезпеченні методологічної узгодженості та порівнянності даних. Це стосується, зокрема, International Recommendations for Tourism Statistics та Tourism Satellite Account, що формують базис для вимірювання економічних параметрів туристичної діяльності. Показано, що адаптація цих стандартів до умов цифрової економіки потребує розширення інструментарію за рахунок використання великих даних, цифрових слідів користувачів та потокових даних. Розкрито сутність смарт-статистики як інтегрованої системи виробництва статистичних даних, що функціонує на основі процесних моделей GSBPM та GAMSO, забезпечуючи автоматизацію, масштабованість і гнучкість статистичних процесів. Особливу увагу приділено методам інтеграції різнорідних даних, зокрема даних онлайн-платформ бронювання, соціальних мереж, пошукових систем та геопросторових сервісів. Систематизовано сучасні підходи до аналітики великих даних у туризмі, а саме, методи обробки текстових відгуків, аналізу поведінки споживачів, прогнозування попиту та виявлення просторово-часових патернів туристичної активності. Обґрунтовано доцільність використання композитних індикаторів як інструменту інтегрованої оцінки розвитку туристично-готельного сектору в умовах багатовимірності та фрагментованості даних. Запропоновано концептуальну модель інструментарію смарт-статистики, яка охоплює підсистеми збирання, інтеграції, обробки, аналізу та візуалізації даних, орієнтовану на підтримку управлінських рішень у режимі, близькому до реального часу. Доведено, що впровадження смарт-статистики забезпечує підвищення точності оцінок, скорочення часових лагів, розширення аналітичних можливостей і підвищення адаптивності системи управління до змін зовнішнього середовища. Практичне значення отриманих результатів полягає у можливості їхнього використання органами державного управління, туристичними адміністраціями та підприємствами туристично-готельного бізнесу для формування ефективної data-driven стратегії розвитку, підвищення конкурентоспроможності та забезпечення сталого розвитку галузі.
Завантаження
Посилання
1. International Recommendations for Tourism Statistics 2008 (IRTS 2008). (2010). Studies in Methods. ST/ESA/STAT/SER.M/83/Rev.1. New York: United Nations. Retrieved from https://unstats.un.org/unsd/publication/seriesm/seriesm_83rev1e.pdf
2. Tourism Satellite Account: Recommended Methodological Framework 2008 (TSA: RMF 2008). (2010). Studies in Methods. ST/ESA/STAT/SER.F/80/Rev.1. Luxembourg; Madrid; New York; Paris: United Nations. Retrieved from https://unstats.un.org/unsd/publication/seriesf/seriesf_80rev1e.pdf
3. Fundamental Principles of Official Statistics. (2014). Resolution adopted by the General Assembly on 29 January 2014. A/RES/68/261. New York: United Nations. Retrieved from https://unstats.un.org/unsd/dnss/gp/FP-New-E.pdf
4. Generic Statistical Business Process Model (GSBPM). Version 5.1. (January 2019). Geneva: UNECE. Retrieved from https://unece.org/sites/default/files/2023-11/GSBPM%20v5_1.pdf
5. Generic Activity Model for Statistical Organisations (GAMSO). Version 1.2 (2015). Geneva: UNECE. Retrieved from https://unece.org/fileadmin/DAM/stats/documents/ece/ces/ge.57/2015/S2_GAMSO_for_SPECA_EN.pdf
6. OECD. (2008). Handbook on Constructing Composite Indicators: Methodology and User Guide. Paris: OECD Publishing. Retrieved from https://www.oecd.org/content/dam/oecd/en/publications/reports/2008/08/handbook-on-constructing-composite-indicators-methodology-and-user-guide_g1gh9301/9789264043466-en.pdf
7. Osaulenko, O. H., & Horobets, O. O. (2023). Implementatsiia instrumentariiu Smart-statystyky v ofitsiinu statystyku [Implementing Smart Statistics Toolkit in the Official Statistics]. Statystyka Ukrainy – Statistics of Ukraine, 1, 7–18. Doi: 10.31767/su.1(100)2023.01.01 [in Ukrainian].
8. Osaulenko, O. H., Motoryn, R. M., & Horobets, O. O. (2025). Vid tsyfrovoi nerivnosti do Data Justice: fenomen Data Poverty u vymirakh statystyky ta Data Science [From Digital Inequality to Data Justice: The Phenomenon of Data Poverty in Statistical and Data Science Dimensions]. Naukovyi visnyk Natsionalnoi akademii statystyky, obliku ta audytu – Scientific Bulletin of the National Academy of Statistics, Accounting and Audit, 1–2, 25–45. DOI: 10.31767/nasoa.1-2-2025.02 [in Ukrainian].
9. Osaulenko, O. H., & Horobets, O. O. (2025). Intehratsiia tekhnolohii Velykykh danykh i shtuchnoho intelektu v tsyfrovii ekosystemi suspilstva: vid kontseptsii do vprovadzhennia v ofitsiinu statystyku [Integration of Big Data Technologies and Artificial Intelligence in the Digital Ecosystem of Society: from Concept to Implementation in Official Statistics]. Ekonomika Ukrayiny – Economy of Ukraine, 68, 8 (765), 76–86. https://doi.org/10.15407/economyukr.2025.08.076 [in Ukrainian].
10. Korepanov, O. S., & Yamshynskyi, M. A. (2024). Suchasni vyklyky i mozhlyvosti informatsiinoho zabezpechennia rynku IKT pid chas viiskovykh konfliktiv [Modern challenges and opportunities for information support of the ICT market during military conflicts]. Proceedings from Development strategy of Ukraine: financial, economic and humanitarian aspects: XI Mizhnarodna naukovo-praktychna konferentsiia (15 zhovtnia 2024 roku) – XI International Scientific and Practical Conference. (Part 2, pp. 743–746). Kyiv: Interservis. Retrieved from https://www.researchgate.net/publication/398484792_Strategia_rozvitku_2024_C2 [in Ukrainian].
11. Li, J., Xu, L., Tang, L., Wang, S., & Li, L. (2018). Big data in tourism research: A literature review. Tourism Management, 68, 301–323. https://doi.org/10.1016/j.tourman.2018.03.009
12. Mariani, M. M., Baggio, R., Fuchs, M., & Höpken, W. (2018). Business intelligence and big data in hospitality and tourism: a systematic literature review. International Journal of Contemporary Hospitality Management, 30 (7), 3514–3554. DOI: 10.1108/IJCHM-07-2017-0461
13. Xiang, Z., Du, Q., Ma, Y., & Fan, W. (2017). A comparative analysis of major online review platforms: Implications for social media analytics in hospitality and tourism. Tourism Management, 58, 51–65. DOI: 10.1016/j.tourman.2016.10.001
14. Ma, S., Li, H., Hu, M., Yang, H., Gan, R. (2024). Tourism demand forecasting based on user-generated images on OTA platforms. Current Issues in Tourism, 27 (11), 1814–1833. DOI: 10.1080/13683500.2023.2216882
15. Hu, M., Li, H., Song, H., Li, X., & Law, R. (2022). Tourism demand forecasting using tourist-generated online review data. Tourism Management, 90, 104490. DOI: 10.1016/j.tourman.2022.104490
16. García-Palomares, J. C., Gutiérrez, J., & Mínguez, C. (2015). Identification of tourist hot spots based on social networks: A comparative analysis of European metropolises using photo-sharing services and GIS. Applied Geography, 63, 408–417. DOI: 10.1016/j.apgeog.2015.08.002
17. 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. https://doi.org/10.1016/j.tourman.2016.09.009
18. Yang, Y., Pan, B., & Song, H. (2014). Predicting hotel demand using destination marketing organization’s web traffic data. Journal of Travel Research, 53 (4), 433–447. DOI: 10.1177/0047287513500391
19. Vu, H. Q., Li, G., Law, R., & Ye, B. H. (2015). Exploring the travel behaviors of inbound tourists to Hong Kong using geotagged photos. Tourism Management, 46, 222–232. https://doi.org/10.1016/j.tourman.2014.07.003
20. Yang, X., Pan, B., Evans, J. A., & Lv, B. (2015). Forecasting Chinese tourist volume with search engine data. Tourism Management, 46, 386–397. https://doi.org/10.1016/j.tourman.2014.07.019
21. Wu, D. C., Zhong, S., Wu, J., & Song, H. (2025). Tourism and Hospitality Forecasting with Big Data: A Systematic Review of the Literature. Journal of Hospitality Tourism Research, 49 (3), 615–634. DOI: 10.1177/10963480231223151
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Статистика України
TЦя робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.
Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.
