Skip to main content

Maskininlärning och AI för affärsresebranschen

Personanpassa affärsresor med maskininlärning

8 min
Publicerades: 15 September 2020
GettyImages-880219542_Edit1.jpg

Av Tristan Rees, Senior Technology Director

Föreställ dig att din telefon plötsligt vibrerar när du stiger av planet i London. Du tittar på skärmen och upptäcker att du dirigerats om till Frankfurt på grund av en nödsituation. Du har en anslutning i Paris på grund av vädret i Berlin.

Dina boardingkort är tillgängliga direkt i företagets reseapp tillsammans med hotellbokningar och ett förslag på en bistro där du kan äta middag. Den typ av transport som du föredrar har redan bokats åt dig och avgår 08.00 morgonen därpå.

Du beger dig mot din nya gate och börjar planera inför den här oväntade avstickaren. Du har bott på hotellet i Frankfurt tidigare. Då var bandet i jazzbaren mycket imponerande och du ville testa hotellets bistro eftersom den rekommenderats av några av dina kollegor.

Den här resplanen sammanställdes helt utan mänsklig påverkan. Välkommen till maskininlärningens era.

Jag har arbetat inom affärsresebranschen under hela min karriär. Jag har sett många olika teknologier förändra branschen. För nästan tio år sedan jobbade jag med ett team som var fullt upptagna med den mobila revolutionen. Men trots alla fantastiska framsteg som gjorts sedan dess tror jag inte att jag någonsin varit så entusiastisk som jag är inför det som vi arbetar med just nu inom datavetenskapen. Det kommer att förändra hur vi reser i grunden genom att göra resorna mer personanpassade för resenärerna och effektivare för Travel Managers.

Egencias datavetenskapsteam samarbetar med andra team inom Expedia Group som även de sysslar med artificiell intelligens (AI), i syfte att implementera AI i vår plattform. Scenariot som målas upp i början av den här artikeln kanske låter ambitiöst, men framtiden är snart här. Det kan vara värt att lägga tid på att läsa mer om vad vi gör för att skapa affärsresor som är mer personanpassade och som förutsäger dina behov och preferenser.

Mönster för AI

Det pratas mycket om AI på nyheterna just nu, och även vi på Egencia har skrivit en hel del om AI den senaste tiden. Men till skillnad från vad många människor tror så är AI inte en enskild typ av teknologi. Det är en samling teknologier och metoder vars syften är att hitta mönster i stora mängder data. När dessa mönster väl identifierats kan affärsprocesser automatiseras utifrån dessa.

Egencia har tillgång till en enorm mängd data om affärsresor. Vi har information om resepolicyer, bokningshistorik, hotellpreferenser, branschstandarder och mycket mer. Som en del av Expedia Group har vi även tillgång till en omfattande samling data om alla möjliga typer av resor.

Den specifika AI-metod som vi använder på all denna data är maskininlärning (ML). Vi använder maskininlärning för att identifiera mönster genom att träna datauppsättningar i att användas för att uppnå specifika resultat, som att förutsäga en resenärs önskade hotell eller om priset på en flygbokning kommer att gå upp eller ned. Datamönster kan även utökas genom ytterligare maskininlärning. Dessa tekniker hittar ytterligare mönster i data som är omöjliga att upptäcka för en människa, som inte kan gå igenom så mycket data så snabbt. Maskininlärning gör hela systemet mer förutsägande och handlingsorienterat.

Visa mig data

Datahantering som maskininlärning inom affärsresebranschen kommer i stort att implementeras utan att användarna behöver göra något. De kan bara glädja sig åt bättre resor. Ett scenario bygger till exempel på det senaste teknologiska skiftet från fast telefoni och stationära datorer till mobila enheter.

En smartphone är en dörr till massor av olika resealternativ, och den får plats i din ficka. Genom den får du tillgång till allt du behöver – flyg, anslutningar och hotell. Den största begränsningen är skärmstorleken. En smartphone kan ju bara visa ett fåtal alternativ åt gången.

Att behöva bläddra ner kanske inte är ett stort hinder när du läser sociala medier. Men det kan vara värre när du stressar för att lösa ett problem åt en kund och är på resande fot. Du vill fatta snabba beslut som du vet är bra och snabbt återgå till det du höll på med innan nödsituationen uppstod. Allt som hjälper oss att placera de alternativ som du föredrar längst upp i listan gör det enklare för dig att fatta beslut. Det gör det även mer sannolikt att du efterlever företagets resepolicyer i stället för att använda en av de många olika kommersiella reseappar som också kan nås via din telefon.

Faktum är att Egencia redan har data som visar att vår maskininlärningsbaserade algoritm för hotellsortering är bra på att tillhandahålla resealternativ som uppskattas av mobil- och webbanvändare. Vi vet att algoritmen fungerar eftersom vi har sett en ökning i antalet bokningar av det första givna alternativet på hela sju procent. Det översta alternativet är det hotell som modellen tror är det lämpligaste alternativet för den aktuella resenären. Vi har även gjort så att det går avsevärt snabbare att hitta ett hotell genom att minska antalet sökningar per bokning. Antalet resenärer som bokar ett hotell inom de första fem minuterna efter att de startat sin första sökning har nämligen också ökat. Med hjälp av dessa teknologier – AI och ML – kan vi ge dig det du vill ha som ditt första alternativ.

Alla dessa mönsteridentifierande teknologier bygger på hantering av data. Ju mer data det finns tillgång till, desto bättre analyser går det att utföra. Egencia fattade alltså bra beslut för många år sedan när vi valde att skapa egna teknologilösningar för alla delar av vår verksamhet. Många av våra konkurrenter ser till att deras tjänster ser bra ut, men bakom kulisserna samarbetar de med andra företag som alla lagrar egen data.

För att tala klarspråk: om du samarbetar med andra affärsresebyråer kanske de faktiskt inte har tillgång till den data som krävs för att utföra den här typen av analys, eller för att träna maskininlärningsmodeller. Kom ihåg att algoritmerna som bygger på maskininlärning endast är så bra som de datauppsättningar som använts vid inlärningen. Om den data som algoritmerna tränats av är ofullständig kan algoritmerna inte hitta rätt mönster. Det är som att anlita en detektiv för att hitta en kusin som är försvunnen i Paris utan att berätta om kusinen är man eller kvinna, eller att denne är försvunnen i Paris i Texas. Modellerna som bygger på maskininlärning kan bara vara så bra som de datauppsättningar som de tränats på. Dålig indata leder till dålig utdata. Genom att äga all teknologi som används i hela vår verksamhet kan vi se till att vi samlar in all data som behövs för att träna algoritmer att hitta bra mönster.

Kombinationen av omfattande datauppsättningar och kunskap om var denna data kommer ifrån hjälper även till med att hantera ett annat aktuellt problem: den begränsade förklarbarheten. Tänk om besluten som fattas av en AI bygger på så komplicerade mönster att en människa inte kan förstå varför ett visst beslut är rätt? Vi använder AI för att hantera otroliga mängder data som vi inte kan analysera själva. Om resultaten är förbryllande så är datorernas förmåga att förklara hur de resonerat mycket begränsad. Inom affärsresebranschen är det mycket viktigt att veta hur systemen kommer fram till sina beslut för att kunna se till att resenärerna är produktiva och säkra.

Vi på Egencia vet var vår data kommer ifrån, så vi vet att den är av hög kvalitet. En del kommer från oss, en del från Expedia och en del kommer från din användning av våra tjänster. Vi behöver inte ersätta data som saknas med gissningar. Och Travel Managers behöver inte lita blint på någon svart låda. De kan enkelt se varför något har skapats åt dem.

De typer av data som har bäst prediktiv förmåga i våra hotellsorteringsmodeller är till exempel: Resenärens bokningshistorik, medarbetares bokningshistorik, resenärens bonusprogram, resenärens sökningar efter distans till ett hotell och avtalspriser som hjälper till att öka efterlevnaden. Det här är en liten del av den data som vi använder för att skapa våra algoritmer och som hjälper till att ge våra resenärer personanpassade hotellalternativ.

På väg mot Frankfurt igen

Våra datadrivna maskininlärningstjänster börjar med det uppenbara: Sortering för bokning av hotell och flyg. Våra kunder kan redan dra nytta av sådan sortering. I takt med att den här typen av funktioner utvecklas kommer de att ge oss information som att resenären i början av den här artikeln gillar jazzbaren i hotellet i Frankfurt.

Vi arbetar med att förbättra användarupplevelsen med hjälp av datavetenskapstekniker som maskininlärning. Vi har redan sett de positiva resultat som vår hotellsortering ger våra resenärer i form av personanpassade hotellalternativ. Även Travel Managers har kunnat dra nytta av fördelarna eftersom hotellsökningsresultaten som är inom policy säkerställer efterlevnad.

Dessa tjänster kommer att bli allt bättre ju mer våra kunder använder dem. Varje gång en kund interagerar med Egencia, oavsett om det är från en dator, en mobil enhet eller via ett telefonsamtal till vår support, skapas mer data som våra maskininlärningsalgoritmer kan tränas av. Egencia är ett reseteknologiföretag med bredd och omfattande lösningar som samlar in data som kan användas av alla våra samarbetspartner. Vi ser helheten av våra resenärers kundupplevelser eftersom vi till skillnad från andra affärsresebyråer följer våra kunder hela vägen.

Om en resenär stöter på ett problem på resande fot kan denne kontakta en av våra kundtjänstrepresentanter som ser samma personanpassade hotellsortering som resenären själv ser. Representanten kan sedan snabbt hjälpa resenären att boka ett hotell som uppfyller dennes behov och som följer företagets resepolicy.

Vi arbetar med att ytterligare förbättra vår utmärkta service eftersom vi tror att det är möjligt att förutsäga våra kunders behov och uppfylla dem automatiskt. Inom en snar framtid kommer vi att kunna ge dig en uppdaterad resplan redan när du stiger av planet i London.

Var detta innehåll användbart?
0

Letar du efter bättre affärsreselösningar? Kontakta oss.