實例分析機器學習在酒店服務(wù)領(lǐng)域的實踐
在攜程技術(shù)中心推出的線上公開課程［攜程技術(shù)微分享］上，來自攜程酒店研發(fā)的BI經(jīng)理潘鵬舉，介紹了如何借助大數(shù)據(jù)和算法，通過機器學習去克服酒店服務(wù)行業(yè)挑戰(zhàn)，給用戶帶來更好的服務(wù)體驗，給公司帶來效率提升，希望能對你有所啟發(fā)。
攜程是一個在線OTA服務(wù)公司。不同于其他行業(yè)，酒店OTA有一些自己的特點，比如天生限時限購、每個酒店庫存固定、跟酒店直接談合作房型等。作為第三方平臺，OTA酒店行業(yè)也面臨眾多挑戰(zhàn)，比如我們無法掌握實際庫存，依賴酒店行為；有些酒店設(shè)備落后，導致無法系統(tǒng)直連、無法接入EBK系統(tǒng)，所以管理起來比較困難。
雖然有種種挑戰(zhàn)，但我們?nèi)韵Ｍ転橛脩籼峁┝己玫念A(yù)訂體驗，酒店服務(wù)主要從好、快、準三個方面來衡量?！昂谩钡腒PI包括“到店無房率”和“到店無預(yù)訂率”，“快”包括“訂單確認時長”和“立即確認率”，“準”則包括了“信息準”、“價格準”、“房態(tài)準”。
目前來說，很多指標都控制在極低的水平上。 但隨著業(yè)務(wù)量的持續(xù)增長，持續(xù)增加客服人員來維持高服務(wù)水準就變得不太現(xiàn)實，因此借助于技術(shù)手段來實現(xiàn)自動化、智能化是一個很好的方向，機器學習算法在其中扮演了一個很重要的角色。
攜程每天產(chǎn)生2億PV，10TB的數(shù)據(jù)量。但 數(shù)據(jù)大！=價值大，在實踐中我們主要會用到業(yè)務(wù)數(shù)據(jù)和用戶行為數(shù)據(jù)，業(yè)務(wù)數(shù)據(jù)包括了訂單數(shù)據(jù)、房態(tài)、房價等數(shù)據(jù)，用戶行為數(shù)據(jù)包括了用戶點擊、瀏覽等數(shù)據(jù)。
一般性數(shù)據(jù)時效性越高，數(shù)據(jù)價值越大，未來的人工智能就是基于過去和當前的狀態(tài)來預(yù)測未來，再用預(yù)測來影響未來。打個比方，如果你只利用過去的數(shù)據(jù)，比如統(tǒng)計報表、數(shù)據(jù)分析，那么你就挖到了銀礦，因為分析過去的數(shù)據(jù)只能控制未來不會犯同樣的錯誤，但若結(jié)合過去和當下的數(shù)據(jù)預(yù)測了未來，那么可就挖到鉆石，因為可以用預(yù)測結(jié)果和實際進行對比發(fā)現(xiàn)新的黑天鵝現(xiàn)象，從而來指導業(yè)務(wù)進行轉(zhuǎn)變。
接下來我們看看一些實踐案例，看一下機器學習算法是怎么提高業(yè)務(wù)水平的。
一、機器學習提升用戶預(yù)訂極致體驗
在服務(wù)指標中，“快”體現(xiàn)了我們的服務(wù)速度，有兩個重要KPI：立即確認和訂單確認時長。我們有個業(yè)務(wù)邏輯叫保留房，是酒店承諾給攜程的庫存量。針對保留房我們可以立即確認訂單給客人，確認時長為零。針對非保留房，確認速度比較慢，需要等酒店回復(fù)信息之后才能確認訂單給客人，導致客人體驗差，當然并不是所有的酒店都愿意和我們簽訂保留房，并且保留房有時間限制，到了入住日晚上X點以后，保留房就失效了，所以非保留房的存在，決定了“快”的服務(wù)水準。針對提高非保留房的服務(wù)水準是我們的一個很重要的課題。
確認流程簡圖
對整個流程進行分析，我們發(fā)現(xiàn)有兩個可以優(yōu)化的點：
非保留房的確認率90%+，也就是我們的推翻的訂單10%都不到，如果我們可以對非保留房里面的確認概率高（確認準確率99%+，與保留房的確認率持平）的訂單先確認，那么實際上非保留房的流程可以遵循保留房的流程，我們暫且叫虛擬保留房。針對怎么挑出這些確認概率高的訂單命題，機器學習算法就起作用了；
紅色部分“等待至X分鐘“設(shè)置的不合理，因為有些酒店在X分鐘內(nèi)是肯定不回傳的，還要硬等X分鐘，導致很多訂單確認時長就白白多了X分鐘。那么針對哪些訂單是肯定不回傳，哪些是回傳的命題，機器學習算法就發(fā)揮作用了。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%