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。这是送给男友马克的两年纪念礼物,她想和他在西班牙度过一个浪漫的周末。在航空公司网站上,卡罗琳获得了三项优惠:第一项是基本优惠,只需携带行李,无需预订座位;第二项包括小吃和饮料,预订的座位有更多的腿部空间和优先登机权;第三项增加了一个23公斤的行李袋和免费订票。卡罗琳选择了第二种。这对夫妇来说是理想的选择——他们想要一个无麻烦、愉快的体验,但无论如何都计划轻装旅行。

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要提供的相关内容。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,回顾航空公司的历史数据可能会发现,选择优先登机的客户也更喜欢前排座位。此关联可用于获取特定客户细分的项目偏好列表(从最常购买到最不常购买的项目列表)。这有助于航空公司创建相关的优惠,即使尚未确定客户(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,声明的配置文件并对用户评论数据进行自然语言处理,进行情感分析,帮助推荐相关产品。

呈现给卡罗琳个性化的优惠是用加权平均组合总行程用途部分和个人客户历史记录获得。应用到每个数据源的权重是基于行程用途部分可用的客户特定的历史 - 更丰富,更相关的历史客户,更大的她喜好历史的重量。所以,如果卡罗琳是行之有效的喜好航空公司的常客,这个历史是权重较大;如果她很少书籍载体,市场购物篮分析将优先考虑。在军刀vwin电竞投注,个性化相结合的喜好这个过程被称为混合算法

提供引擎

不幸的是,我们永远无法确定客户的确切偏好或支付意愿。我们可以根据旅行目的段、客户资料中的说明偏好、最近的购买历史和用户评论,利用历史偏好信息进行有根据的猜测。然而,我们应该考虑到我们对该客户的旅行目的地细分分类和/或优惠顺序估计不正确的可能性。例如,Caroline可能经常去巴塞罗那拜访一位客户,这可能意味着航空公司有丰富的历史数据来记录她的偏好。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”)特定于旅行目的(即基于简单的、整体的项目受欢迎程度排名)。第二个捆绑包的基本原理是,如果旅行目的分析不能很好地与客户的偏好相匹配,那么总体的项目受欢迎程度应该是一个合理的追索。根据Caroline作为一名平日商务旅客在航空公司的工作经历,她可能会得到一份非常适合她在这种情况下需求的报价;然而,当她和男友一起旅行时,根据周末休闲旅客的数据,一份更通用的报价可能更合适。

除了“热门精选”之外,添加第三个“劣质”版本的“最适合”捆绑包也是另一个考虑因素。这是一个广泛使用的营销概念,其中一个非常相似的变化(但故意在价格和内容上更糟)的“最适合”提供给客户。这个想法是人们倾向于以相对的而不是绝对的基础来评价项目;比较相似的(但较低的)替代方案会产生对首选方案的认知偏差,并提高转换率[一]

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贴现- 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。

[一]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)。