Skip to main content

Koneoppiminen ja tekoäly liikematkustusalalla

Liikematkustuksen yksilöinti koneoppimisen avulla

5 min
Julkaistu: 15 September 2020
GettyImages-880219542_Edit1.jpg

Kirjoittaja: Tristan Rees, Senior Technology Director

Kuvittele, että olet juuri astumassa ulos koneesta Lontoossa ja yhtäkkiä puhelimesi värisee. Viestistä näet, että matkasi onkin uudelleenreititetty Frankfurtiin asiakashätätilanteen vuoksi. Sinulla on välilasku Pariisissa, sillä Berliiniä koettelee erittäin huono sää.

Lentolippusi ovat valmiina yrityksen matkasovelluksessa hotellivarausten ja illallisbistroehdotuksen kera. Suosimasi paikalliskuljetus on jo varattu seuraavalle aamulle.

Suuntaat uudelle lähtöportillesi ja alat suunnitella tätä yllätyksellistä matkamuutosta. Olet yöpynyt kyseisessä Frankfurtin hotellissa aiemmin – pidit kovasti baarissa soittaneesta jazz-bändistä – ja halusit kokeilla kollegoidesi suosittelemaa hotellin bistroa.

Matkasuunnitelma oli kokonaan tekoälyn luoma – tervetuloa uudelle koneoppimisen aikakaudelle.

Olen työskennellyt matkustusalalla koko urani ajan ja nähnyt eri teknologioiden muuttavan liikealaa. Lähes vuosikymmen sitten silloisella tiimilläni oli kädet täynnä matkapuhelinvallankumouksen kanssa. Kaikista siitä lähtien näkemistämme teknologian edistysaskelista huolimatta en muista koskaan olleeni yhtä innoissani tietojenkäsittelytieteen nykyisestä kehityksestä. Se muuttaa matkustuskokemusta aivan uudella tavalla tehden siitä yksilöllisempää matkustajalle ja vaivattomampaa matkahallinnolle.

Egencian tietojenkäsittelytiimi työskentelee Expedia Groupin tekoälytiimien kanssa tekoälyn sisällyttämiseksi alustallemme. Vaikka yllä esitelty tilanne on edelleen kuvitteellinen, niin ei enää lähitulevaisuudessa. Aiheeseen kannattaa perehtyä, sillä kehittelemämme ominaisuus tulee luomaan matkustuskokemuksen, joka on yksilöllinen ja pystyy ennustamaan matkustajan tarpeet ja mieltymykset.

Toistuvien mallien etsintää

Uutisia tekoälystä näkee nykyisin kaikkialla, ja me Egencialla olemmekin kirjoittaneet tekoälystä jo jonkin aikaa. Vastoin yleistä luuloa tekoäly ei ole kuitenkaan yksittäinen teknologia. Se on kokoelma teknologioita ja lähestymistapoja, joiden avulla on tarkoitus löytää toistuvia malleja valtavasta määrästä dataa. Kun nämä toistuvat mallit on saatu määriteltyä, liikealan prosesseja voidaan automatisoida.

Egencialla on valtavat määrät dataa liikematkustuksesta. Meillä on tietoa yritysten matkustuskäytännöistä, varaushistorioista, majoitusmieltymyksistä, alan vertailukohteista ja monista muista aiheista. Meillä on onni olla osa Expedia Groupia, sillä meillä on pääsy laajaan kokoelmaan kaikenlaisia matkatietoja.

Tähän tietoon soveltamamme tekoälyosa-alue on koneoppiminen. Käytämme koneoppimistekniikoita tunnistamaan toistuvia tapahtumia kouluttamalla dataa tietynlaisten tavoitteiden saavuttamiseksi, kuten ennakoimaan matkustajan suosiman hotellin tai lentohintojen vaihtelut. Koneoppimista hyödyntämällä on mahdollista löytää myös tarkempia toistuvia datamalleja. Nämä tekniikat löytävät sellaisia malleja, joiden havaitseminen ei olisi ihmiselle mahdollista ilman apua. Koneoppiminen tekee koko matkanhallintajärjestelmästä ennakoivamman ja toimintakeskeisemmän.

Datan voima

Koneoppimisen kaltaisten ominaisuuksien lisääminen liikematkustukseen tapahtuu todennäköisesti täysin matkustajien huomaamatta – paitsi siinä mielessä, että varauskokemus muuttuu paremmaksi. Yksi skenaario esimerkiksi on jatkoa teknologiamuutokselle lankapuhelimista tietokoneisiin ja mobiililaitteisiin.

Älypuhelin on mukana kannettava portaali eri matkustusvaihtoehtoihin. Lentoyhteydet, hotellit – kaikki vain muutaman napautuksen päässä. Älypuhelimen selkein rajoite on tietenkin ruudun koko, jolla voi tarkastella vain muutamaa vaihtoehtoa kerrallaan ilman sivun vierittämistä.

Sivun vierittäminen ei estä ketään tutkimasta sosiaalisen median uutisvirtaa. Se voi kuitenkin vaikeuttaa hätätilanteen selvittämistä liikkeellä ollessa. Kaikki haluavat hoitaa varaamisen välittömästi ja palata sitten takaisin tärkeämpien asioiden pariin. Kaikki tiedot, joiden avulla voimme asettaa suosimasi vaihtoehdot hakutulosten kärkeen, helpottavat sinua varaamisen kanssa. Se auttaa sinua myös noudattamaan yrityksen matkustuskäytäntöjä paremmin, eikä sinun tarvitse käyttää useita eri matkavaraussovelluksia.

Egencian käytössä oleva data osoittaa, että koneoppimisella varustettu hotellitulosten lajittelualgoritmi tuottaa onnistuneesti käyttäjän suosimat matkavaihtoehdot niin mobiililaitteilla kuin verkossa. Algoritmimme todella toimii, sillä olemme huomanneet seitsemän prosentin kasvun hakutulosten ensimmäiselle osumalle tehtyihin varauksiin. Hakutulosten kärjessä oleva hotelli on juuri se, minkä kone arvelee matkustajan varaavan todennäköisimmin. Olemme myös helpottaneet hotellin etsimiseen käytettävää vaivaa vähentämällä jokaiseen varaukseen keskimäärin tehtävien hakujen määrää. Viidessä minuutissa haun aloittamisesta hotellin varaavien matkustajien määrä on myös kasvanut. Tämä on juuri tekoälyn ja koneoppimisen vahvuus – voimme tarjota sinulle haluamasi vaihtoehdon ensimmäisenä.

Kaikkia toistuvia malleja etsiviä tekniikoita ohjailee data. Mitä enemmän dataa on käytössä, sitä parempia analyyseja niistä on mahdollista tehdä. Tämä tukee Egencian aikoinaan tekemää päätöstä luoda oma teknologia liikematkustuksen jokaiselle osa-alueelle. Monet kilpailijat panostavat palvelunsa ulkoasun visuaalisuuteen, mutta kulisseissa ne tekevät itse asiassa yhteistyötä muiden yritysten kanssa, joista kaikilla on oma datapankkinsa.

Toisin sanoen, jos teet yhteistyötä muiden liikematkatoimistojen kanssa, heillä ei välttämättä ole pääsyä kaikkeen siihen dataan, jota tarvitaan laajamittaisten analyysien tekemiseen tai koneoppimismallien kouluttamiseen. Näiden koneoppimisalgoritmien toimivuus riippuu kuitenkin niiden kouluttamiseen käytetyn datan laadusta. Mikäli algoritmien kouluttamiseen käytettävä data on vaillinainen, niin algoritmit eivät pysty tunnistamaan oikeita malleja. On kuin palkkaisi yksityisetsivän jäljittämään Pat-serkkua, joka katosi New Yorkiin, muttet koskaan mainitsisi, mitä sukupuolta Pat-serkku on ja että tarkoititkin amerikkalaiskaupungin sijaan Pohjois-Englannissa sijaitsevaa New York -nimistä kylää. Koneoppimismallit ovat juuri niin laadukkaita kuin niiden kouluttamiseen käytetty data. Niin kuin sanonta kuuluu: sitä niittää mitä kylvää. Kaiken liikematkustuskokemukseen liittyvän teknologian omistaminen varmistaa kunnollisen tiedon keräämisen, mikä on tärkeää toistuvien mallien löytämiseksi ja algoritmien kouluttamiseksi.

Täydellisen datan ja sen alkuperätietojen yhdistelmä vastaa myös toiseen tähän uuteen teknologiaan liittyvään aihealueeseen – huoleen, jota kutsutaan selitettävyydeksi. Mitä jos tekoälyn tekemät päätökset perustuvat niin monimutkaisiin malleihin, etteivät ihmiset voi ymmärtää, miksi annettu päätös on juuri se oikea? Valjastamme tekoälyn käsittelemään valtavaa datamäärää, jota emme itse pystyisi analysoimaan. Mikäli lopputulos on vähänkään hämmentävä, koneet eivät kovin hyvin pysty selittämään logiikkaansa. Hallinnoidulla matkustusalalla tieto siitä, kuinka näihin päätöksiin päädytään, on ensiarvoisen tärkeää matkustajien pitämiseksi tuottavina ja turvassa.

Me Egencialla tiedämme, mistä data on peräisin ja sen, että se on korkealaatuista. Osa datasta tulee meiltä, osa Expedialta ja osa palvelumme asiakkaiden käyttöhistoriasta. Meidän ei tarvitse täyttää tietoaukkoja arvauksilla. Matkahallinnolla ei ole mitään mustaa laatikkoa, johon pitäisi sokeasti luottaa. Sinulla on mahdollisuus tietää, miksi jotain suositeltiin juuri sinulle.

Hotellien hakutulosjärjestyksiin eniten vaikuttavaan dataa kuuluvat aiemmat varaustiedot, kollegoiden aiemmat varaustiedot, matkustajan kanta-asiakasohjelma, matkustajan etäisyyshaku hotellille ja sopimushinnat, jotka auttavat käytäntöjen noudattamisessa. Nämä ovat vain pieni osa sitä dataa, jota käytämme algoritmeissamme antaaksemme matkustajalle yksilöllisiä hotellivaihtoehtoja.

Takaisin Frankfurtiin

Tietojenkäsittelytieteeseen nojaava koneoppimispalvelumme aloittaa itsestäänselvyydestä, eli hotellien ja lentoyhtiöiden lajittelujärjestyksestä. Asiakkaat hyödyntävät jo tämän lajittelujärjestyksen tuomia etuja. Näiden ominaisuuksien kehittyessä voimme tietää sen, että tämän artikkelin alussa mainittu matkustaja pitää Frankfurtin hotellin jazz-baarista.

Teemme töitä voidaksemme kehittää tarjoamaamme asiakaskokemusta koneoppimisen kaltaisella teknologialla. Näemme jo nyt hotellien lajittelujärjestyksen tuomat hyödyt matkustajille: yksilöidyt hotellivaihtoehdot. Myös matkahallinto hyötyy asiasta, sillä lajittelujärjestys heijastaa myös käytössä olevia matkustuskäytäntöjä, mikä tehostaa niiden noudattamista.

Nämä palvelut kehittyvät sitä mukaa, kun ihmiset käyttävät niitä. Kaikenlainen vuorovaikutus Egencian kanssa – tapahtuipa se sitten tietokoneelta, mobiililaitteelta tai puhelimitse asiakaspalveluumme – tuottaa dataa, jolla voimme kouluttaa koneoppimisalgoritmeja. Egencia on kokonaisvaltaista matkustusteknologiaa käyttävä yritys ja kerää dataa, joka on kaikkien meidän kanssamme yhteistyötä tekevien käytössä. Pystymme näkemään asiakaskokemuksen kokonaisuudessaan. Tähän eivät muut liikematkatoimistot pysty, sillä olemme mukana matkustuskokemuksen joka vaiheessa.

Mikäli matkustajalla ilmenee ongelmia matkalla ollessa, hän voi ottaa yhteyttä asiakaspalveluumme, joka näkee saman yksilöidyn hotellien hakutulosjärjestyksen kuin matkustajakin. Virkailija voi sitten varata hänelle nopeasti hotellin, joka vastaa matkustajan tarpeisiin ja sopii yrityksen käytäntöihin.

Jatkamme tämän tasoisen palvelun tarjoamista asiakkaillemme, sillä uskomme, että tarpeidesi tunnistaminen ja niiden täyttäminen automaattisesti on mahdollista. Ei kestä kauaa ennen kuin pystymme tarjoamaan sinulle aiemmin mainitun päivitetyn matkasuunnitelman astuessasi ulos koneesta Lontoossa.

Oliko tästä sisällöstä hyötyä?
0

Etsitkö parempia liikematkustusratkaisuja? Ota yhteyttä tiimiimme.