Analyzing and forecasting online tour bookings using Google Analytics metrics

การวิเคราะห์และพยากรณ์การจองทัวร์ออนไลน์โดยใช้ตัวชี้วัดการวิเคราะห์กูเกิล

Name: Jiaranai Awichanirost

ThaSH: Google Analytics

ThaSH: Internet users -- Statistics -- Data processing

ThaSH: Web sites -- Evaluation

Abstract: In today's world, the internet is growing fast and has revolutionized many business operations in the tourism industry. The tourism industry plays an important role in Thailand's GDP and is a great boost to the domestic economy. Most tour operators have created websites to be used as part of their business operations which are the main way to build relationships with customers and sales and hence make the website performance measurement an important strategic factor for online marketing. The objective of this research is to analyze the significant impact of Google Analytics metrics that is a measurement of website performance on online tour bookings which is the case study company's revenue in this study. The analysis is conducted by means of multiple linear regression analysis, because data analysis depends on many factors such as the number of page views, the number of visitors, session duration and visitor types, etc. Then, the Google Analytics metrics that significantly affect online bookings will be used as independent variables in predicting for daily and monthly bookings. In comparing the forecasting models of 2 methods which are the multiple linear regression method and artificial neural network method, that is part of machine learning, by using the mean absolute percentage error as the criterion for comparison. The results show that from year 2015 to 2018, there are 5 metrics of Google Analytics that significantly affect daily bookings with an adjusted coefficient of determination about 0.39. And there are 5 metrics of Google Analytics that significantly affect monthly bookings with the adjusted coefficient of determination about 0.89. In the forecasting section, MLR, ANN, SVR and RF models were not insignificantly different. The author suggests the case study company use MLR model that have the mean absolute percentage error of 31.47% for daily online bookings and 5.99% for monthly online bookings for forecasting as it is the easiest method to be conducted, lesser time to compute and lesser technical skillset are required when compared to the machine learning models. The results of this research can be another option that the case-study company can use to forecast online bookings and develop its website to be attractive to those who visit the website, which will increase profits and revenue for the organization.

Abstract: ในโลกปัจจุบัน อินเทอร์เน็ตกำลังเติบโตอย่างรวดเร็วและได้ปฏิวัติการดำเนินธุรกิจมากมายในอุตสาหกรรมการท่องเที่ยว ซึ่งอุตสาหกรรมการท่องเที่ยวมีบทบาทสำคัญต่อ GDP ของประเทศไทยและเป็นการกระตุ้นเศรษฐกิจภายในประเทศได้เป็นอย่างมาก ผู้ประกอบการท่องเที่ยวส่วนใหญ่มีการจัดทำเว็บไซต์เพื่อใช้เป็นส่วนหนึ่งของการดำเนินธุรกิจ ซึ่งเป็นช่องทางหลักในการสร้างความสัมพันธ์กับลูกค้าและการขาย จึงทำให้การวัดประสิทธิภาพของเว็บไซต์เป็นปัจจัยเชิงกลยุทธ์ที่สำคัญสำหรับการตลาดออนไลน์ งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อวิเคราะห์หาผลกระทบอย่างมีนัยสำคัญของตัวชี้วัดการวิเคราะห์กูเกิลซึ่งเป็นการวัดประสิทธิภาพเว็บไซต์ต่อการจองทัวร์ออนไลน์ซึ่งเป็นรายได้ของบริษัทในกรณีศึกษา การวิเคราะห์นี้ใช้วิธีการวิเคราะห์การถดถอยเชิงเส้นพหุคูณ เนื่องจากการวิเคราะห์ข้อมูลขึ้นอยู่กับหลายปัจจัย เช่น จำนวนการเข้าชมหน้าเว็บ จำนวนผู้เข้าชม ระยะเวลาในการเข้า ช่องทางการเข้าชม ประเภทผู้เข้าชม เป็นต้น จากนั้นตัวชี้วัดการวิเคราะห์กูเกิลที่ส่งผลต่อการจองออนไลน์อย่างมีนัยสำคัญจะถูกนำมาใช้เป็นตัวแปรอิสระในการพยากรณ์การจองทัวร์ออนไลน์ทั้งแบบรายวันและรายเดือน โดยเปรียบเทียบตัวแบบการพยากรณ์ 2 วิธี คือวิธีการวิเคราะห์การถดถอยเชิงเส้นพหุคูณ และวิธีโครงข่ายประสาทเทียม ซึ่งเป็นวิธีหนึ่งของการเรียนรู้ของเครื่อง โดยใช้ค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยเป็นเกณฑ์ในการเปรียบเทียบ ผลวิจัยพบว่าในช่วงปี 2015 ถึง 2018 มี 5 ตัวชี้วัดการวิเคราะห์กูเกิลที่ส่งผลต่อการจองทัวร์รายวันอย่างมีนัยสำคัญ โดยมีค่าสัมประสิทธิ์แสดงการตัดสินใจที่ปรับแก้แล้วเท่ากับ 0.39 และมี 3 ตัวชี้วัดการวิเคราะห์กูเกิลที่ส่งผลต่อการจองทัวร์รายเดือน โดยมีค่าสัมประสิทธิ์แสดงการตัดสินใจที่ปรับแก้แล้วเท่ากับ 0.89 ในส่วนของการพยาการณ์ ตัวแบบพยากรณ์วิเคราะห์การถดถอยเชิงเส้นพหุคูณ, โครงข่ายประสาทเทียม, ตัวแบบการถดถอยซัพพอร์ตเวกเตอร์ และตัวแบบการสุ่มป่าไม้ มีความคลาดเคลื่อนไม่แตกต่างกันอย่างมีนัยสำคัญ ทางผู้เขียนจึงแนะนำให้บริษัทกรณีศึกษาใช้ตัวแบบการถดถอยเชิงเส้นพหุคูณสำหรับการพยากรณ์ โดยมีค่าร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ยเท่ากับ 31.47% สำหรับการจองทัวร์ออนไลน์แบบรายวัน และ 5.99% สำหรับการจองทัวร์ออนไลน์แบบรายเดือน เนื่องจากเป็นวิธีที่ง่ายที่สุดในการดำเนินการ, ใช้เวลาในการคำนวณน้อยกว่า และใช้ทักษะทางเทคนิคน้อยกว่า เมื่อเทียบกับตัวแบบการเรียนรู้ของเครื่อง ทั้งนี้ผลการวิจัยนี้สามารถเป็นอีกทางเลือกหนึ่งที่บริษัทกรณีศึกษาสามารถนำไปใช้พยากรณ์การจองออนไลน์และพัฒนาเว็ปไซต์ให้มีความน่าสนใจของผู้ที่มาเข้าเยี่ยมชมเว็บไซต์ซึ่งเป็นการเพิ่มกำไรและรายได้ให้กับองค์กรได้

Chulalongkorn University. Office of Academic Resources

Address: BANGKOK

Email: cuir@car.chula.ac.th

Name: Nantachai Kantanantha

Role: advisor

Created: 2019

Modified: 2026-06-17

Issued: 2026-06-17

วิทยานิพนธ์/Thesis

application/pdf

DOI: http://doi.org/10.58837/CHULA.THE.2019.288

eng

DegreeName: Master of Engineering

Level: Master's Degree

Descipline: Industrial Engineering

Grantor: Chulalongkorn University

©copyrights Chulalongkorn University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	6170356721.pdf	10.11 MB

ใช้เวลา

0.037615 วินาที