这篇文章是基于优化客户的喜好航空公司辅助包三部分组成的系列的第二位。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,并提供引擎。

卡罗琳正在寻找从伦敦的家飞往巴塞罗那的航班。这是她送给男友马克的两周年纪念礼物,她想和他一起在西班牙度过一个浪漫的周末。在航空公司的网站上,卡洛琳得到了三种优惠:第一种是基本优惠,只带随身行李,不预订座位;第二种包括一份快餐和饮料,一个有更多伸腿空间的预留座位和优先登机;第三个增加一个23公斤装舱袋,免费重订。卡罗琳选择了第二种选择。这对新婚夫妇来说是理想的选择——他们想要一个无忧无虑、愉快的体验,但无论如何都打算轻装上路。

卡罗琳是高兴与她购买和她的经验。但是,我们是怎么到达那里?在后台会发生什么?航空公司是如何实现的要约卡罗琳说,她喜欢和希望预订?

推荐引擎

在得到合适的报价卡罗琳的第一步是在前面的文章中讨论了拟议的出行目的分割。这里所获得的信息可以通过这个过程被称为增强市场购物篮分析这有助于零售商推荐相关内容提供。本质上,这是一个统计分析过程,通过识别客户经常购买的商品之间的关系来识别购买模式。例如,查看该航空公司的历史数据可能会发现,选择优先登机的乘客也更喜欢前排座位。这种相关性可用于获取特定客户群体的商品偏好列表(按购买次数从多到少排列的商品列表)。这有助于航空公司创造相关的优惠,即使客户没有被识别(即匿名购物)。

提供定制化的一个新的水平是一个一对一的个性化 - 如果客户已被确定为这使得零售商考虑到之前的销售历史,这是可能的,说明资料并对用户评论数据进行自然语言处理,进行情绪分析,帮助推荐相关产品。

提供给卡罗琳的个性化服务是通过综合旅行目的段和个人客户历史使用加权平均值获得的。应用于每个数据源的权重是基于trip-purpose段的可用的特定于客户的历史记录的——客户的历史记录越丰富、相关性越强,其历史偏好的权重就越大。所以,如果卡洛琳是这家航空公司的常客,并且有着明确的偏好,那么她的这段经历就很重要了;如果她很少与运营商签约,市场篮子分析将优先考虑。在Savwin电竞投注bre,这个结合个性化偏好的过程被称为the混合算法

提供发动机

不幸的是,我们永远不可能确切地知道客户的偏好或支付意愿。我们可以通过使用历史偏好信息,根据trip-purpose细分,客户档案中的陈述偏好,最近的购买历史和用户评论,做出有根据的猜测。尽管如此,我们应该考虑到我们估计的旅行目的细分分类和/或该客户的偏好排序是不正确的这种可能性。例如,卡洛琳可能经常去巴塞罗那拜访客户,这可能意味着该航空公司有丰富的关于她偏好的历史数据。然而,当卡罗琳计划和男友一起度过一个浪漫的周末时,她的要求可能会有所不同。

要占到分割不准确的风险,我们通常建议呈现多个不同的报价,以提高找到一个很好的匹配与客户需求的可能性。我们实际的建议是,除了提供基于项目的偏好是“最适合”捆绑解决方案(从我们的推荐引擎),我们也有一个单独的包报价(“热门精选”)特定的旅行目的(例如,他们基于一个简单的,整体的物品流行等级)。第二个捆绑的基本原理是,如果旅行目的分析不能很好地匹配客户的偏好,那么整体产品的受欢迎程度应该是一个合理的资源。根据卡洛琳平时在航空公司出差的经历,她可能会得到一个最适合她需要的服务;然而,当她和男友一起旅行时,一个基于周末休闲旅行者数据的更普通的提议可能会更合适。

除了“受欢迎的选择”,在“最适合的”组合中添加第三个“劣质”版本是另一个考虑。这是一个被广泛使用的营销概念,在这个概念中,一个与“最适合”的产品相似的变体(但在价格和内容上故意变差)被呈现给客户。其理念是,人们倾向于在相对的基础上而不是绝对的基础上评估项目;比较相似(但低劣)的选择会产生对首选选择的认知偏差,从而提高转化率[1]

其中一个提议引擎的最重要的功能是定价决策。在Savwin电竞投注bre的经验,为定价提供一个有用的方法是动态打折- 束的高收入,更大的折扣(相对于全价的个别项目)。的简单模型用于在凹曲线如下面所示施加与收入支出的结果,例如逐渐增大的折扣 - 非折扣总价在横轴上示出(以归一化到1的值的平均花费),以及适用的折扣百分比被示出在垂直轴上。这种方法被广泛应用于多个行业,易于管理和被消费者广泛接受。

在第三部分,我们将介绍使用实验引擎提供了“测试和学习”的框架,进一步完善我们的配套捆绑营销效果。

[1]这些不对称的显性效应极好的描述可以在丹阿雷利的书中找到,预见的非理性(2010年,哈珀出版社)。