機器學習在ctrip酒店業務中的應用

【前言】機器學習在很多領域都有不錯的應用，在提高自動化和智能化方向都很有幫助，此文根據歷史的經驗，說了一下在酒店房態和後端服務方面的一些優化，希望對大家有所啟發。雖然時間過去很久了，但是其中的思路是可以借鑒的，工具和方法到現在都隨時代的發展而在不斷的演進。

背景介紹:

不同於其他行業，酒店OTA有一些自己的特點，比如天生限時限購，每個酒店庫存固定。作為第三發平台，我們不掌握實際庫存，依賴酒店方的行為。還有就是有些酒店設備落後，導致無法系統直連、無法接入EBK系統，所以管理起來比較困難。

雖然有種種挑戰，但我們仍希望能給用戶提供極致的預訂體驗，酒店服務主要從好、快、准三個方面來衡量。「好」的KPI包括「到店無房率」和「到店無預訂率」，「快」包括「訂單確認時長」和「立即確認率」，「准」則包括了「信息准」、「價格准」、「房態准」。

目前來說，很多指標都控制在極低的水平上。但隨著業務量的持續增長，持續增加客服人員來維持高服務水準就變得不太現實，因此藉助於技術手段來實現自動化、智能化是一個很好的方向，機器學習演算法在其中扮演了一個很重要的角色。

攜程每天產生2億PV，10TB的數據量，數據量挺大的。但數據大！=價值大，在實踐中我們主要會用到業務數據和用戶行為數據，業務數據包括了訂單數據、房態、房價等數據，用戶行為數據包括了用戶點擊、瀏覽等數據。

一般性數據時效性越高，數據價值越大，未來的人工智慧就是基於過去和當前的狀態來預測未來，再用預測來影響未來。打個比方，如果你只利用過去的數據，比如統計報表、數據分析，那麼你就挖到了銀礦，因為分析過去的數據只能控制未來不會犯同樣的錯誤，但如果你結合過去和當下的數據預測了未來，那麼你就挖到了鑽石，因為你可以用預測結果和實際進行對比發現新的黑天鵝現象，從而來指導業務進行轉變。

接下來我們看看一些實踐案例，看一下機器學習演算法是怎麼提高業務水平的。

一、機器學習提升用戶預訂極致體驗

在服務指標中，「快」體現了我們的服務速度，有兩個重要KPI：立即確認和訂單確認時長。我們有個業務邏輯叫保留房，是酒店承諾給攜程的庫存量。針對保留房我們可以立即確認訂單給客人，確認時長為零。針對非保留房，我們確認速度比較慢，需要等酒店回複信息之後才能確認訂單給客人，導致客人體驗差，當然並不是所有的酒店都願意和我們簽訂保留房，並且保留房有時間限制，到了入住日晚上X點以後，保留房就失效了，所以非保留房的存在，決定了「快」的服務水準。針對提高非保留房的服務水準是我們的一個很重要的課題。

我們先看一下確認流程簡圖：

對整個流程進行分析，我們發現有兩個可以優化的點；

1、 非保留房的確認率90%+，也就是我們的推翻的訂單10%都不到，如果我們可以對非保留房裡面的確認概率高（確認準確率99%+，與保留房的確認率持平）的訂單先確認，那麼實際上非保留房的流程可以遵循保留房的流程，我們暫且叫虛擬保留房。針對怎麼挑出這些確認概率高的訂單命題，機器學習演算法就起作用了；

2、 紅色部分「等待至X分鐘「設置的不合理，因為有些酒店在X分鐘內是肯定不回傳的，還要硬等X分鐘，導致很多訂單確認時長就白白多了X分鐘。那麼針對哪些訂單是肯定不回傳，哪些是回傳的命題，機器學習演算法就發揮作用了。

針對這兩個優化的點，我們嵌入了兩個機器學習模型，我們看一下優化後的流程是怎麼樣的：

從紅色部分的兩個模型上可以看到，虛擬保留房可以新增立即確認訂單佔比，從而提高確認速度；酒店回傳時長預測模型優化了現有的訂單外呼流程，針對有部分的時長過長的訂單提前干預，從而縮短了整體的確認時長。

我們看一下模型最終的效果，虛擬保留房預測模型準確率99%+，酒店回傳時長預測模型準確率93%+。整體提升立即確認率5%，縮短平均確認時長約2分鐘。通過以上的案例可以看到，模型很好的提升了用戶的預訂體驗，取得了不錯的效果。

二、機器學習提升大戶室詢房效率

過去，詢房主要是人工經驗為主，經理們會根據過去的房型預訂情況和區域緊張度情況，篩選出今天要重點詢問的酒店列表，然後大戶室人員會對酒店列表打電話詢問房態，我們的酒店數量龐大，人工詢問的電話量有限，怎麼提升詢房有效率，即每通電話的有效性是個很棘手的問題。

過去一年，我們著力於使用機器學習演算法來預測酒店的房態和技術手段持續的優化流程，提高詢房有效性，通過演算法篩選詢房酒店比人工經驗篩選的有效性從25%左右提升到了50%+，這是個很顯著的提升，可以大大節省人工成本，提高工作效率。

以下是我們優化後的流程；

簡單的說是變化的是兩個模型+IVR自動外呼。通過這兩個模型，我們把房態變化概率高的酒店先篩選出來，放在詢房看板上。IVR自動外呼概率高的酒店。通過這一流程改造，我們實現了詢房的自動化、智能化，人工介入的成分很少，節省了大量的人力成本，也提高了我們的工作效率。

通過以上兩個例子可以看到，機器學習演算法可以幫助公司創造出價值。目前來看，我們的數據利用只是數據價值的冰山一角，也藉此機會希望大家多思考一下數據的利用價值，讓數據發揮出應有的價值。