Personlig tilpasning av reiser med maskinlæring

Forretningskvinne på en flyplass

Av Tristan Rees, overordnet teknologisjef

Se for deg at du går av et fly i London og så plinger telefonen. Når du sjekker den, ser du at du må reise til Frankfurt og håndtere et problem med en kunde. På grunn av været i Berlin må du reise via Paris.

I bedriftens reiseapp finner du både boardingkortene dine, hotellinformasjon og forslag til spisesteder. Det er allerede bestilt lokaltransport til kl. 08.00 morgenen etter.

Du vender nesen mot neste fly og begynner å planlegge denne uventede delen av reisen. Du har bodd på hotellet i Frankfurt tidligere og likte jazzmusikken i baren. Du har dessuten hatt lyst til å prøve hotellets restaurant etter anbefalinger fra flere kollegaer.

Denne reiseruten ble satt sammen uten menneskelig hjelp. Velkommen til en ny tid med maskinlæring (ML).

Jeg har jobbet i reisebransjen hele livet og har sett den endre seg på grunn av forskjellige teknologier. For nesten et tiår siden var et team jeg jobbet med, en del av den store mobilrevolusjonen. Til tross for all fremgangen siden den gang, har jeg aldri vært mer begeistret for datavitenskapen enn jeg er nå. Teknologien kommer til å endre reiseopplevelsen for alltid og gjøre den mer personlig for de reisende og mer effektiv for Travel Managers.

Egencias datavitenskapsteam jobber med AI-team i Expedia Group for å gjøre kunstig intelligens til en del av plattformen vår. Selv om vi ikke kan oppfylle det ovennevnte scenarioet riktig ennå, er vi på god vei. Det er verdt å sette seg inn i hvordan vi prøver å gi deg en reiseopplevelse som er mer personlig, og som kan forutse både behov og preferanser.

Bruk av kunstig intelligens for å finne mønstre

AI er svært populært for tiden, og i Egencia har vi skrevet om AI en god stund. I motsetning til hva mange tror, er ikke AI én enkelt teknologi. Det er en samling av teknologier og fremgangsmåter som brukes for å finne mønstre i store mengder data. Når disse mønstrene er identifisert, kan forretningsprosesser automatiseres.

Egencia har rikelig med forretningsreisedata. Vi har informasjon om bedriftsreisepolicyer, bestillingshistorikk, overnattingspreferanser, bransjereferansemålinger og mye annet. Siden vi er så heldige å være en del av Expedia Group, har vi tilgang til en stor samling av ulike reisedata.

AI-fremgangsmåten vi bruker på disse dataene, er maskinlæring. Vi bruker ML-teknikker for å finne mønstre ved å lære opp datasett til å oppnå bestemte resultater, som å forutse hvilket hotell den reisende foretrekker, eller om prisen på en flyving vil gå opp eller ned. Slike datamønstre kan også utvides gjennom videre maskinlæring. Med disse teknikkene kan vi finne flere mønstre som det ikke er lett for mennesker å finne, ettersom vi ikke kan behandle så store datamengder like raskt. ML gjør hele reiseadministrasjonssystemet mer prediktivt og handlingsorientert.

Vis meg dataene

Teknologier som maskinlæring brukes mer og mer innen forretningsreisebransjen, og brukerne trenger ikke å gjøre noe annet enn å dra nytte av en bedre brukeropplevelse. Én av utviklingene vi har sett, er overgangen fra fasttelefoner og stasjonære datamaskiner til mobilenheter.

Med en smarttelefon har du reisemulighetene rett i lommen, og  du kan finne både fly- og hotellinformasjon med bare noen få trykk. Den åpenbare utfordringen er selvfølgelig skjermstørrelsen. Det er ikke mulig å vise alt uten å måtte bla nedover på skjermen, noe.

Som sjelden er et stort problem hvis du bare skal sjekke sosiale medier. Det kan imidlertid bli et problem når du skal løse en krise på farten. Du må kunne ta reiseavgjørelser raskt – som du vet fungerer for deg – slik at du kan komme i gang med jobben igjen. Hvis vi klarer å finne preferansene dine og plassere dem øverst på listen, blir det enklere for deg å ta avgjørelser. Det øker også sannsynligheten for at du overholder reisepolicyen og ikke bruker de mange andre reiseapper du også har tilgang til på telefonen.

Egencia ser faktisk allerede at den ML-baserte hotellsorteringsalgoritmen klarer å levere foretrukne reisealternativer raskt for både mobil- og nettstedsbrukere. Vi vet at algoritmen vår fungerer, fordi syv prosent flere velger hotellet øverst på listen. Det vil si det hotellet modellen tror det er størst sannsynlighet for at den reisende velger. Vi har også redusert tiden som brukes på å finne et hotell, ved å få ned gjennomsnittlig antall søk per bestilling. Flere reisende bestiller nå hotell innen fem minutter etter at de begynte å søke. Det er dette som er styrken ved bruk av AI og ML. Vi finner nemlig førstevalget ditt.

Alle disse teknikkene for å finne mønstre er avhengige av data. Jo mer data du har, desto mer informasjon kan hentes fra dem. Egencia tok en avgjørelse for lenge siden om å utvikle egen teknologi for alle aspekter ved forretningsreisebransjen. Det kan ofte se ut som konkurrentene gjør det samme, men sannheten er at de ofte samarbeider med andre selskaper, som alle sitter på egne data.

Poenget er at hvis du samarbeider med andre forretningsreisebyråer, er det ikke sikkert de har tilgang til alle dataene som er nødvendig for å utføre omfattende analyser og trene ML-modeller. Ikke glem at disse ML-algoritmene krever gode datasett for å lære. Hvis ikke dataene som brukes av algoritmene, er bra nok, blir det vanskelig å finne riktige mønstre. Det blir som å leie inn en privatetterforsker for å finne søskenbarnet ditt i Paris, men uten å gi beskjed om søskenbarnet er en kusine eller fetter, eller at byen det er snakk om, er Paris i Texas. ML-modellene blir ikke noe bedre enn dataene som brukes. Som de sier i datavitenskapen: «søppel inn, søppel ut». Det at vi eier all teknologien som brukes for forretningsreiser, sikrer kvalitetsdata, noe som er viktig for å finne nyttige mønstre og trene algoritmer.

Kombinasjonen av omfattende datasett og kunnskap om hvor informasjonen kommer fra, retter søkelyset mot et annet problem i vår teknologiske tid, nemlig noe som kalles «forklarbarhet». Hva hvis avgjørelsene som tas ved bruk av AI-teknologi, er basert på så kompliserte mønstre at mennesker ikke kan forstå hvorfor det er riktig? Vi bruker AI til å håndtere enorme mengder data som vi ikke klarer å analysere selv. Hvis resultatet er forvirrende, er det svært vanskelig for maskinene å forklare logikken bak det. Derfor er det viktig å vite hvordan disse systemene fungerer, slik at både produktiviteten og sikkerheten til de reisende opprettholdes.

I Egencia vet vi hvor dataene kommer fra, og vi vet at de er av ypperste kvalitet. Noen data kommer fra oss, andre fra Expedia og noen fra bruken din av tjenestene våre. Vi trenger ikke å tette datahull med antakelser og gjetninger, og Travel Managers slipper å stole blindt på forslag de ikke forstår logikken bak. Du skal alltid kunne finne ut hvorfor noe har blitt gjort.

De mest nyttige dataene for hotellsorteringsmodellene våre, er blant annet reisendes bestillingshistorikk, kollegaers bestillingshistorikk, lojalitetsprogrammer, søk etter avstanden til hoteller og forhandlede priser, som bidrar til overholdelse av reisepolicyen. Dette er bare noen av dataene algoritmene våre bruker for å gi reisende personlig tilpassede hotellalternativer.

Reisen til Frankfurt

ML-tjenestene våre begynner med det mest åpenbare, nemlig sortering av hoteller og flyselskaper. Kundene våre drar allerede nytte av fordelene ved denne sorteringen. Etter hvert som disse funksjonene videreutvikles, får vi teknologien til å finne ut at den reisende i begynnelsen av artikkelen liker jazzbaren på hotellet i Frankfurt.

Vi bruker datateknologi som ML for å gjøre kundeopplevelsen vår enda bedre. Vi har allerede sett hvor nyttig tilpassende hotellalternativer er for de reisende, og Travel Managers kan glede seg over økt overholdelse av reisepolicyen som følge av alternativene som vises.

Disse tjenestene blir dessuten bare bedre og bedre jo mer de brukes. Hver eneste interaksjon med Egencia, enten via datamaskiner, mobilenheter eller per telefon, resulterer i mer data til ML-algoritmene våre. Egencia er et komplett, ende-til-ende-teknologiselskap, og vi samler inn data som våre samarbeidspartnere også kan dra nytte av. Vi ser nemlig hele kundereisen, noe andre forretningsreisebyråer ikke gjør, fordi vi følger kunden hvert steg på veien.

Hvis forretningsreisende får problemer når de er på reise, kan de kontakte en av våre kundeservicemedarbeidere, som ser akkurat de samme personlige hotellforslagene som den reisende. Vi kan da raskt bestille et hotell som oppfyller den reisendes behov, og som overholder selskapets reisepolicy.

Vi jobber med å kunne tilby alt dette til kundene våre, fordi vi tror det er mulig å forutse behov og oppfylle dem automatisk. Det er ikke lenge til vi kan gi deg den oppdaterte reiseplanen når du går av flyet i London.