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。

卡罗琳正在寻求从她的家在伦敦飞往巴塞罗那。这对她的男友马克与她想要度过一个浪漫的周末,在西班牙成立两周年的礼物。在航空公司网站,卡罗琳提供三个报价:第一个是基本的,只有随身携带的行李,没有座位预订;第二个包括小吃和饮料,预定座位有更多的腿部空间和优先登机;第三个增加了23千克保持袋和免费改期。卡罗琳去了第二个选项。它是理想的夫妇 - 他们希望有一个轻松的,愉快的经历,但计划前往光反正。

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帮助零售商推荐相关的内容提供。从本质上讲,这是一个统计分析过程,可识别通过识别项目的客户经常购买之间的关系采购模式。例如,航空公司的历史数据进行审查的可能揭示谁选择优先登机服务也是客户喜欢一个前排座位。这种相关性可以用来获取项目优先级列表(项目列表,从最名列至至少经常购买)一定的客户群。这有助于航空公司建立相关优惠,即使客户尚未确定(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,规定型材和自然语言的情感分析用户审查数据的处理,以帮助推荐相关产品。

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基于trip-purpose段的可用的特定于客户的历史记录——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混合算法

提议引擎

不幸的是,我们永远无法确切知道客户的确切偏好或支付意愿。我们可以通过对历史的喜好通过行程用途部分信息的猜测,在客户个人资料所列的喜好,最近的购买历史和用户评论。然而,我们应该允许我们估计的出行目的划分的分类和/或该客户的偏好顺序是不正确的可能性。例如,卡罗琳可能会频繁前往巴塞罗那访问一个客户可能意味着航空公司对她的喜好丰富的历史数据业务。然而,当她打算与男友浪漫的周末之旅卡罗琳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”)行程用特定的(即,它们都基于一个简单的,整体项目受欢迎等级)。对于第二个包的理由是,如果行程目的分析,不会导致良好的匹配与客户的喜好,那么整个项目的普及应该是一个合理的追索权。基于她与航空公司作为平日的商务旅客的历史,卡罗琳可能会提供这一理想,她在这方面需要一个报价;然而,当她与男友行驶的基础上,从周末休闲旅行者的数据更通用的报价可能是更好的适合。

除了“热门精选”,加入了“最适合”的第三个“劣质”版本包是另一个考虑。这是一种广泛使用的营销理念中(在价格和内容,但故意更糟)“最适合”提供的一个非常类似的变化呈现给客户。我们的想法是,人们往往评价一个相对的而不是绝对的基础上的项目;进行比较的类似(但劣)替代产生朝向优选一个认知偏差并提高转换率[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折扣- 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)。