本文是关于基于客户偏好优化航空公司辅助包的三部分系列文章的第二部分。第一部分讨论了数据收集和客户细分方法。在本节中,我们将介绍推荐引擎和提供引擎。

卡罗琳正在寻找从她在伦敦的家中飞往巴塞罗那的航班。这是她想要在西班牙度过一个浪漫的周末的男朋友标记是一个两年周年纪念礼物。在航空公司网站上,Caroline有三个优惠:第一个是基本的,只需进行行李,没有座椅预留;第二个包括小吃和饮料,保留座椅,具有更多血清和优先挂载;第三个增加了23公斤持有袋和免费重新预订。卡罗琳参加了第二种选择。这是这对夫妇的理想选择 - 他们想要无忧无虑,令人愉快的经验,但无论如何都计划旅行。

卡洛琳对她的购买和经历感到满意。但我们是怎么做到的呢?在后台发生了什么?航空公司是如何给卡洛琳提供她喜欢并想预订的服务的?

推荐引擎

向Caroline提供正确报价的第一步是前一篇文章中讨论的旅行目的细分。这里获得的信息可以通过一个称为市场购物篮分析这有助于零售商建议提供相关内容。基本上,这是一个统计分析过程,通过识别商品之间的关系来识别购买模式。例如,对航空公司的历史数据的审查可能揭示选择优先寄存的客户也喜欢前排座位。此相关性可用于获得某个客户段的项目偏好列表(从大多数最少购买的项目列表)。这有助于该航空公司创建相关优惠,即使客户尚未确定(即匿名购物)。

下一层的优惠定制是一对一的个性化——如果顾客已经被识别出来,这是可能的,因为这允许零售商考虑以前的销售历史,说明书和自然语言处理用户审查数据进行情感分析,以帮助推荐相关产品。

通过使用加权平均值组合聚合旅行段和个人客户历史来获得呈现给Caroline的个性化优惠。适用于每个数据源的重量基于跳闸用途的可用客户特定的历史 - 富裕和更相关的客户,她的历史偏好的重量越大。因此,如果卡罗琳是航空公司的频繁客户,则具有良好的偏好,如果历史则重量重;如果她很少与承运人书籍,市场篮子分析将采取优先权。在Savwin电竞投注ber,这种结合个性化偏好的过程被称为混合算法

提供发动机

不幸的是,我们永远无法确定客户的准确偏好或愿意支付。我们可以通过旅行专员使用关于历史偏好的信息进行了解的猜测,在客户个人资料中,最近购买历史和用户评论中所述的首选项。尽管如此,我们应该允许我们估计的旅行用途分割分类和/或本顾客的偏好订购的可能性不正确。例如,Caroline可能经常前往巴塞罗那访问客户的业务,这可能意味着航空公司对她的偏好具有丰富的历史数据。然而,当她计划和她的男朋友计划浪漫的周末度假时,卡罗琳的要求可能会有所不同。

考虑到细分不准确的风险,我们通常建议提供多种多样的报价,以提高找到符合客户需求的良好匹配的可能性。我们的实际建议是,除了提供一个“最适合”的捆绑解决方案(从我们的推荐引擎),我们还包括一个单独的捆绑提供(“流行选择”)基于项目偏好特定行程特定(即它们基于简单,整体项目人气等级)。第二个束的理由是,如果行程目的分析不会导致客户的偏好与良好的匹配,那么整体物品人气应该是合理的追索权。根据她的历史与航空公司作为平日商务旅行者,Caroline可能会提供一个非常适合她在这种背景下的需求的报价;然而,当她和她的男朋友一起旅行时,基于周末休闲旅客的数据的更通用的优惠可能是较好的。

除了“流行挑选”之外,添加了第三个“劣质”版本的“最佳拟合”捆绑包是另一个考虑因素。这是一个广泛使用的营销理念,其中呈现给客户的“最佳拟合”优惠与价格和内容中的价格和内容中的差别更差。这个想法是人们倾向于评估相对而不是绝对基础的物品;比较类似(但劣质的)替代方案对优选的偏差产生认知偏压并提高转换速率[1]

报价引擎最重要的功能之一是定价决策。根据Svwin电竞投注abre的经验,一个有用的定价方法是动态折扣-捆绑销售的收益越高,折扣就越大(相对于单个道具的全价)。等应用的一个简单的模型逐步增加折扣等收入花导致凹曲线如下所示——non-discounted在水平轴上显示总价格(平均花归一化值为1),和适用的折扣比例显示在纵轴。该方法在许多行业得到广泛应用,管理简单,被消费者广泛接受。

在第三部分中,我们将介绍如何使用实验引擎来提供一个“测试-学习”框架,以进一步提高我们对辅助捆绑包的营销效果。

[1]丹·艾瑞里在他的书《怪诞行为学(2010年,哈珀出版社)。