機器學習在航空公司動態(tài)Offer系統(tǒng)構建中的應用研究

文 | 中國民航信息網(wǎng)絡股份有限公司 馬欣 劉毅 趙磊 牛永忠 房健 孫美玲

一、引言

民航業(yè)是全球競爭最為激烈和復雜的行業(yè)之一，面臨著不斷增加的運營成本、監(jiān)管限制和客戶偏好的變化等挑戰(zhàn)。隨著行業(yè)競爭加劇，以及客戶變得更加數(shù)字化，客戶需求變得更加復雜，航空公司正在尋求創(chuàng)新解決方案，以改善客戶體驗，降低運營成本，并增加利潤。

作為航空公司創(chuàng)新解決方案的一部分，航空公司的Offer管理系統(tǒng)，以及進一步的動態(tài)Offer管理系統(tǒng)被以IATA為代表的行業(yè)引領者提出來并在行業(yè)內(nèi)推進實施。本文將著重探討機器學習技術在航空公司動態(tài)Offer管理系統(tǒng)構建過程中的應用場景，并對存在的問題以及可能的解決方向提出看法。

二、機器學習

機器學習方法是計算機利用已有的數(shù)據(jù)，得出某種模型，并利用此模型解決實際業(yè)務問題的一種方法。

舉個例子，比如房產(chǎn)中介希望在官網(wǎng)上提供一個小功能，房東輸入一套房子面積、幾居、朝向、位置等信息的情況下，程序能夠較準確的估算出房產(chǎn)價值。這個問題，通常的解決辦法就是由專業(yè)的人員構建一個模型或者算法，模型算出來房產(chǎn)價值。這個過程就是所謂人工建模。人工建模通常是基于因果關系的，即建立模型的前提是我們知道面積越大、朝向越好、地段越核心的房子就越貴。人工建模是在機器學習技術流行之前，通過計算機解決具體問題的常規(guī)辦法。

那么到了機器學習，解決問題的核心原理和流程沒有變化，還是需要建立一個模型，由這個模型來完成具體問題的計算。但是區(qū)別在于，解決具體問題的模型不再是由人來建立，而是由機器自己建立，即所謂機器建模。機器建模的過程就是所謂機器學習。機器學習的核心就是基于已有數(shù)據(jù)，訓練學習算法，從而生成模型。

三、航空公司動態(tài)Offer管理系統(tǒng)

動態(tài)Offer是指根據(jù)客戶需求和市場變化實時調(diào)整產(chǎn)品和服務質(zhì)量、價格和促銷信息的能力。在航空業(yè)中，動態(tài)Offer技術通常用于產(chǎn)品構建、產(chǎn)品推薦，生成及優(yōu)化運價等銷售服務環(huán)節(jié)。通過了解客戶的旅行需求、偏好和歷史信息，航空公司可以在特定的時間針對特定的旅客提供個性化的產(chǎn)品和服務，從而提高客戶滿意度和忠誠度。

IATA在2021年10月發(fā)布的報告中，為民航業(yè)構建了一個完全由Offer和Order支持的系統(tǒng)轉(zhuǎn)型的藍圖，并且提出一個并不保守的目標是在2030年能夠?qū)崿F(xiàn)100%的基于Offer和Order的銷售。

從IATA的上下文來討論，未來航空公司分銷系統(tǒng)是Offer、Order的世界。也就是說整個行業(yè)期望未來的分銷系統(tǒng)由Offer管理和Order管理兩大模塊作為基礎來構建。其中Offer管理模塊主要職責是響應旅客的需求，提供相關性更高的產(chǎn)品和服務，包括提供與產(chǎn)品相關的價格，這個是Offer管理系統(tǒng)要實現(xiàn)的。

而動態(tài)Offer（即Dynamic Offer），是IATA在動態(tài)打包和動態(tài)運價計算的基礎上，提出的一個整合的概念。我們可以理解動態(tài)Offer是Offer管理模塊的功能目標，即Offer管理最終期望實現(xiàn)動態(tài)Offer的能力目標。

動態(tài)Offer的提出，出發(fā)點或者驅(qū)動因素基于以下考慮。一方面是旅客日益數(shù)字化，他們的需求日益復雜，需求更加趨于個性化，并對交互方式提出了更高要求；另外一方面社會發(fā)展進步會趨于更加重視個體需求和個性化需求，民航業(yè)亦如此；所以機票分銷系統(tǒng)要考慮如何滿足航空公司以旅客為中心的運營訴求。

四、機器學習在航空公司動態(tài)Offer管理系統(tǒng)構建中的應用

動態(tài)Offer能力的構建，換句話說就是人工智能的實現(xiàn)。動態(tài)Offer的核心是數(shù)據(jù)驅(qū)動，在動態(tài)Offer能力實現(xiàn)過程中，大數(shù)據(jù)和機器學習是關鍵的支持技術。如前所述，機器學習主要是解決建模的問題，借助大數(shù)據(jù)建立模型，是實現(xiàn)人工智能的一種方式。只有應用這些技術精確建模，系統(tǒng)具備了人工智能的能力，才能實現(xiàn)銷售過程的動態(tài)決策，航空公司才能快速響應客戶需求和市場變化，實現(xiàn)個性化推薦和實時報價。我們下面討論的，是在航空公司動態(tài)Offer管理系統(tǒng)構建過程中，大數(shù)據(jù)及機器學習建模技術主要的應用場景。

（一）產(chǎn)品打包

打包這個概念，我們并不陌生。亞馬遜把啤酒和尿布放在一起銷售，就是借助大數(shù)據(jù)實現(xiàn)產(chǎn)品打包的經(jīng)典故事。

航空公司銷售場景，也是類似的，當機票以及相關產(chǎn)品和服務日趨豐富的時候，就要考慮哪些產(chǎn)品可以打包在一起，這些產(chǎn)品更可能被用戶一起選擇，從而促進交叉銷售和收益的提高

Offer系統(tǒng)要自動對產(chǎn)品進行打包，涉及大數(shù)據(jù)、機器學習以及基于相關性的關聯(lián)規(guī)則的發(fā)現(xiàn)，發(fā)現(xiàn)不同產(chǎn)品之間的相關性，這個相關性是產(chǎn)品打包的依據(jù)，這是機器學習的典型應用場景。

（二）產(chǎn)品推薦

產(chǎn)品推薦是動態(tài)Offer系統(tǒng)核心能力之一。一個查詢請求過來，借助機器學習建立的模型，要能夠?qū)崟r的生成產(chǎn)品推薦。在特定的時間特定的場景給特定旅客提供旅客正好需要的產(chǎn)品和服務，這是提升旅客購票體驗的關鍵，也是航空公司提高收益的關鍵。產(chǎn)品動態(tài)推薦的實現(xiàn)同樣涉及大數(shù)據(jù)、機器學習以及基于相關性的關聯(lián)規(guī)則的發(fā)現(xiàn)，即發(fā)現(xiàn)特定旅客和特定產(chǎn)品之間的相關性，這同樣是機器學習的典型應用場景。

（三）動態(tài)運價計算

動態(tài)運價計算，包含兩個目標，一個是運價的實時性，產(chǎn)品報價由一個算法實時計算而來。這個算法需要綜合考慮，或者算法的輸入?yún)?shù)可能包括：用戶信息，場景信息，產(chǎn)品信息，競品信息，艙位、預發(fā)布的運價信息等等。

另外一個是運價的連續(xù)性，運價的輸出會趨于連續(xù)，也就是更細的顆粒度；這個目標更趨于理論化，因為理論上連續(xù)的定價能夠?qū)崿F(xiàn)收益最大化。

區(qū)別于預發(fā)布的運價系統(tǒng)，動態(tài)運價計算能力的實現(xiàn)最后都需要通過模型算法來支持，所以大數(shù)據(jù)、機器學習會是助力動態(tài)運價得以實現(xiàn)的關鍵技術手段。

（四）降低Offer系統(tǒng)成本

動態(tài)Offer要求實時識別客戶需求，實時計算生成Offer，并實時計算生成運價，這對系統(tǒng)算力消耗相比傳統(tǒng)Offer系統(tǒng)要高。算力問題，也就是成本問題。如何構建一個成本可持續(xù)的動態(tài)Offer系統(tǒng)，這個是動態(tài)Offer未來規(guī)模化應用必須要考慮的問題。

動態(tài)Offer的計算成本高，但是并不是所有的Offer請求都需要實時計算，可行的辦法就是區(qū)分請求區(qū)別響應，一部分請求需要實時計算，一部分請求不需要實時計算。借助大數(shù)據(jù)和機器學習建模，實時識別用戶請求意圖以及請求所處漏斗模型的階段，分流區(qū)別響應，這也是機器學習在Offer系統(tǒng)構建過程中的應用場景之一。

五、問題和展望

基于大數(shù)據(jù)，利用機器學習建模，在航空公司Offer管理系統(tǒng)中的應用已經(jīng)是行業(yè)進行時。應用取得了可見的效果，但是也存在一些普遍性的問題。比如，通常機器學習的前提是大數(shù)據(jù)，盡管民航業(yè)從整體來看確實是一個擁有海量數(shù)據(jù)的行業(yè)，但是具體到個體旅客，航空消費行為和數(shù)據(jù)都呈現(xiàn)低頻特征，這對基于大數(shù)據(jù)的機器學習建模以及模型的準確性是一個很大的挑戰(zhàn)。

解決上述問題的方向，可能需要我們?nèi)ミM一步關注基于小數(shù)據(jù)的人工智能實現(xiàn)，或者說基于小數(shù)據(jù)的機器學習的應用。機器學習并不局限于大數(shù)據(jù)，還有廣泛使用的小數(shù)據(jù)方法，這個方向是我們后續(xù)需要關注和研究的。