Uncovering the predictive power of neural networks in the adoption of beacon technology in the tourism sector: Adoption of beacon technology in the tourism sector

Abstract

This study examines the main factors influencing the adoption of location-based mobile services (LBS) powered by beacon technology in the tourism sector. Using logistic regression models and neural networks, specifically the multilayer perceptron (MLP), this research identifies eleven significant variables driving the adoption process. Among these, system quality, trust, perceived ease of use, perceived usefulness, and service quality stand out as the most influential factors. The MLP model demonstrated superior performance with a classification accuracy of 99.14% and an area under the curve (AUC) of 0.947, highlighting the exceptional predictive capability of non-parametric models over traditional logistic regression. These findings underscore the importance of system trust and reliability in driving users' adoption of beacon-based applications. Additionally, this study provides valuable insights for marketing professionals and tourism stakeholders, suggesting that enhancing user trust, improving system quality, and simplifying the user experience can positively impact LBS figures in the tourism sector. The results provide a solid foundation for leveraging advanced predictive models to improve the operational efficiency of digital solutions in tourism. ------------------------------------------------------------------------------------------------------

Este estudio examina los principales factores que influyen en la adopción de servicios móviles basados en la localización (LBS) impulsados por la tecnología de balizas en el sector turístico. Utilizando modelos de regresión logística y redes neuronales, concretamente el perceptrón multicapa (MLP), esta investigación identifica once variables significativas que impulsan el proceso de adopción. Entre ellas, la calidad del sistema, la confianza, la facilidad de uso percibida, la utilidad percibida y la calidad del servicio destacan como los factores más influyentes. El modelo MLP demostró un rendimiento superior con una precisión de clasificación del 99,14% y un área bajo la curva (AUC) de 0,947, lo que pone de relieve la excepcional capacidad predictiva de los modelos no paramétricos frente a la regresión logística tradicional. Estos resultados subrayan la importancia de la confianza y la fiabilidad del sistema a la hora de impulsar la adopción de aplicaciones basadas en balizas por parte de los usuarios. Además, este estudio proporciona información valiosa para los profesionales del marketing y las partes interesadas del sector turístico, ya que sugiere que aumentar la confianza de los usuarios, mejorar la calidad del sistema y simplificar la experiencia del usuario puede tener un impacto positivo en las cifras de LBS en el sector turístico. Los resultados proporcionan una base sólida para aprovechar los modelos predictivos avanzados con el fin de mejorar la eficiencia operativa de las soluciones digitales en el turismo.