Auf der
Epic Growth Conference, Leiter der Produktmarketingkonferenz von Mobile Hotels in Aviasales, sprach Konstantin Savchenko über Experimente und Beispiele für den Einsatz von Technologien für künstliche Intelligenz in Aviasales.
Sehen Sie sich das Video an oder lesen Sie die Notizen unter dem Schnitt.
Viele Aviasales-Lösungen, die sich auf Technologien für künstliche Intelligenz beziehen, sind aus Hackathons entstanden. Und die meisten dieser Lösungen aus der ersten Version bieten spürbares Wachstum und gute Ergebnisse für das Unternehmen, z. B. höhere Conversions oder geringere Kosten.
Um die Technologie der künstlichen Intelligenz nutzen zu können, ist es nicht erforderlich, in diesem Profi zu sein. Das Geheimnis hier ist einfach: Große Unternehmen haben bereits alles für Sie getan. Und zum Beispiel schlüsselfertige Lösungen auf GitHub veröffentlicht, in denen Sie neuronale Netze und intelligente Bibliotheken finden.
Um Sie zu inspirieren, Lösungen auf der Basis künstlicher Intelligenz zu entwickeln, hat Konstantin Savchenko sieben Beispiele für die Verwendung dieser Technologien durch Aviasales zusammengestellt.
# 1 Reihenfolge der Partner auf dem Ticket
Die Reihenfolge der Partner auf dem Ticket ist ein einfaches Beispiel, aber sobald es wirklich geholfen hat, zu verstehen, was maschinelles Lernen ist. Dies ist das Ticket, das Sie bei Aviasales finden. Verschiedene Partner geben ihre Preise für ein bestimmtes Ticket an.
Oft sind die Preise von verschiedenen Partnern gleich. Wir müssen auswählen, welcher der Partner auf die große orangefarbene Schaltfläche "Kaufen" klicken soll, auf die die meisten Benutzer klicken. Natürlich legen wir zuerst den niedrigsten Preis fest, nur so funktioniert es. Wenn es jedoch mehrere niedrige Preise von verschiedenen Partnern gibt und diese gleich sind, müssen wir die besten auswählen.
In diesem Fall konzentrieren wir uns auf zwei Parameter. Die erste ist die Umwandlung vom Klicken auf die Schaltfläche "Kaufen" in einen Kauf. Und die zweite ist die Provision, die uns ein bestimmter Partner zahlt. Für jeden wird ein Zeichen erstellt (siehe Bildschirm unten), mit dessen Hilfe der Partner mit maximaler Effizienz identifiziert werden kann.
Alle unsere Partner möchten ihre Trichter verbessern, daher führen sie viele Experimente durch, und die Konvertierung ändert sich regelmäßig. Es ist wichtig, dies zu überwachen, und dies ist der Moment, der automatisiert werden kann.
Angenommen, Sie drücken in 5% der Fälle nicht den Partner mit dem besten Preis auf die Schaltfläche "Kaufen", sondern vertreiben alle anderen Partner, um herauszufinden, wie hoch ihre Conversion jetzt ist. Sie aktualisieren diese Platte, berichten über die Produktivität - und somit sieht der nächste Benutzer bereits die neue Reihenfolge der Partner. Ihr System lernt aus den Daten, die es von Partnern erhält, und wählt die beste Lösung aus. Dies kann bereits als maschinelles Lernen bezeichnet werden.
# 2 Hotelsortierung
Wenn bei Tickets alles ganz einfach ist: Sie können sie nach Preis sortieren und am Anfang die günstigsten setzen, dann funktioniert diese Rezeption bei Hotels nicht.
Wenn wir das billigste Hotel zeigen, wird es höchstwahrscheinlich ein Hostel am Stadtrand sein und kaum jemand wird es mögen. Sie können das Gleiche tun wie mit Tickets: Zeigen Sie nacheinander alle Hotels, sehen Sie, wie sie umgerechnet werden, und wählen Sie die besten aus. Aber wir haben 4 Millionen Hotels. Ich befürchte, dass keiner von uns den Ergebnissen dieses Tests gerecht wird. Daher greifen wir auf die Hilfe künstlicher Intelligenz zurück.
Es gibt auch eine schlüsselfertige Lösung. In diesem Fall wurde die „intelligente“ Bibliothek, die von den Jungs von Yandex erstellt wurde, nur für diejenigen erstellt, die sich noch nicht mit künstlicher Intelligenz auskennen. Hotels haben eine große Anzahl von Merkmalen, auf deren Grundlage der Benutzer seine Wahl trifft: Preis, Bewertung, Bewertungen und so weiter. Am Eingang geben Sie der Bibliothek die Parameter des Hotels; Es stellt sich heraus, dass Conversions von der Anzeige des Hotels zum Kauf übertragen werden.
Was macht diese Bibliothek? Basierend auf diesen Daten versucht sie vorherzusagen, welche Art von Konvertierung ähnliche Hotels haben werden. Am Ausgang erhalten Sie eine Conversion-Prognose, die als Sortierung verwendet werden kann.
In diesem Experiment stieg unsere durchschnittliche Rechnung um + 17%. Dieser Algorithmus zeigte teurere Hotels als die anderen - und so begannen die Leute, teurere Hotels zu kaufen.
Andere Indikatoren und alles, was mit der Umstellung zu tun hat, haben deutlich zugenommen: Umstellung auf Verkauf + 6%, Umsatz + 19%.
# 3 Fotoanalyse
Partner stellen uns viele Fotos für jedes Hotel zur Verfügung. Wir wissen aber nicht, was auf ihnen abgebildet ist. Wir brauchen KI, um zu wissen, welche Qualität sie haben und in welcher Reihenfolge sie gezeigt werden müssen. Unter den Fotografien gibt es auch solche:
Dieser berühmte Fön ist in Moskau irgendwie in die Top-Ausgabe gekommen. Das war einer der Gründe, warum wir beschlossen haben, es herauszufinden.
Es gibt eine große Anzahl von Bibliotheken; Wir haben einen geeigneten gefunden, der versucht, den auf dem Foto dargestellten Ort zu bestimmen.
Wir haben alle unsere Fotos durch diese Bibliothek geführt (Sie können es als trainiertes neuronales Netzwerk bezeichnen) und das Ergebnis erhalten - eine ungefähre Aufschlüsselung dessen, was die Bibliothek auf dem Foto sieht.
Für uns war es wichtig zu verstehen, ob es auf der Straße oder drinnen war. Wenn auf der Straße, dann waren wir vor allem am Pool interessiert. Im Inneren gibt es Betten, Toiletten, eine Halle.
Dann entschieden wir, dass es für Benutzer interessant war, das Hotelzimmer überhaupt zu sehen. Was ist eine Nummer? Dies ist, wenn das Foto ein großes Bett zeigt. Es war nicht sehr schwer damit umzugehen. Wir begannen uns manuell anzusehen, was passiert war: Alles sah cool aus, aber auf den Urlaubszielen (besonders für den Massentourismus) sahen die Fotos der Betten schlecht aus. Es war ein sehr dürftiges Bett in einem sehr kargen Raum.
Wir haben analysiert, was unsere Partner und Wettbewerber in diesem Fall tun. Und sie zeigen Fotos vom Pool, weil der Pool in solchen Hotels immer schön ist. Wir haben begonnen, genau die Hotels vorzuschlagen, die ein wunderschönes Foto des Pools haben.
Durch die Einführung eines solchen Problems haben wir nicht nur die Handarbeit beseitigt (wir haben früher freiberufliche Mitarbeiter eingestellt, die mit unseren Händen Fotos von Hotels in den Top-Städten gemacht haben), sondern auch die Conversion um + 12% erhöht, was hauptsächlich auf Strandstandorte im Experiment mit dem Pool zurückzuführen ist.
# 4 Analyse überprüfen
Die Ästhetik der Fotografien und der Stil des Interieurs sind etwas anderes, mit dem wir arbeiten können, wie wir dachten. Oft werden sehr ähnliche Hotels in ihren Eigenschaften in einem völlig anderen Stil hergestellt. Sie können herausfinden, wo sich das Interieur befindet - nicht nur anhand von Fotos, sondern auch anhand von Bewertungen.
Benutzer schreiben oft darüber, wie ihnen das Interieur gefällt. Ich habe nur wenige Bewertungen erhalten, zum Beispiel: "Hier ist eine erstaunliche Zahl, wie meine Großmutter." Aber Benutzer schreiben normalerweise über einige moderne und stilvolle Hotels. Sie schreiben über die Lage, die Nähe von Sehenswürdigkeiten oder den Blick aus dem Fenster.
Wenn Benutzer nach einem Hotel suchen, filtern sie zuerst alles heraus, was nicht zu ihnen passt, und lassen einige Optionen in ihren Favoriten. Der nächste Schritt, der sich auf die Auswahl auswirkt, ist die Überprüfung der Bewertungen. Es gibt oft zu viele Bewertungen. Wir dachten, es wäre cool, den Squeeze zu lesen, das ist das Wichtigste. Wir haben mit dieser Idee begonnen.
Wir haben unsere Partner angezogen, die sich auf die Analyse von Bewertungen spezialisiert haben. Zusammen mit ihnen haben wir das Wichtigste aus den Bewertungen herausgezogen und eine Reihe von Abzeichen gesammelt, die wir auf den Hotels angebracht haben.
Wir wollten dieses Feature unbedingt starten und haben sehr davon geträumt. Aber es stellte sich heraus, dass es den Menschen egal ist. Wir hängten schöne Abzeichen an die Hotels, was den Hauptvorteil des Hotels offenbarte. Dies hatte jedoch keinen Einfluss auf die Umrechnung und die Zahlen.
# 5 Ticketpreise
Während der gesamten Zeit, in der wir in Aviasales gearbeitet haben, haben wir eine große Datenmenge gesammelt. Und unsere Hypothese war, dass es einen Zusammenhang gibt, wie sich der Preis von Tickets ändert, je nachdem, wie viel Zeit vor dem Abflug verbleibt oder an welchem Tag dieser Abflug.
Dies war auch eines unserer Hackathon-Projekte, bei denen die Jungs eine Lösung entwickelten, die schnell zu coolen Ergebnissen führte.
Dank dieser Entscheidung begannen wir, Daten zu sparen und die Orte, Preise und Daten, für die wir keine echten Daten hatten, in den Preiskalender einzutragen.
Dies funktioniert mit erstaunlicher Genauigkeit: Nur 10% des Preises sind falsch, was ein guter Indikator für eine Lösung am Knie zu sein scheint.
Was ist sonst noch interessant an den Vorhersagen? Die Leute entscheiden oft, ob sie auf niedrigere Ticketpreise warten oder jetzt noch kaufen. Daher haben wir begonnen, Tipps für Benutzer zu geben, die "jetzt kaufen" oder "warten". In der Regel steigen die Ticketpreise nur, sodass wir in 90% der Fälle sagen: "Jetzt kaufen." Das Vertrauen der Benutzer war hier minimal.
Nachfolgend finden Sie ein Layout unserer geplanten Aktivitäten. Wir werden Diagramme zeigen, wie sich der Preis gemäß unseren Prognosen ändern wird. Wir erwarten dadurch mehr Benutzervertrauen.
# 6 Vorhersage der Hotelstornierung
Die meisten Benutzer kaufen nicht erstattbare Tickets und die Tatsache, dass der Benutzer ein Ticket gekauft hat, kann als endgültiges Geschäft angesehen werden.
Bei Hotels anders; Der Anteil der Renditen ist hoch und es ist wichtig, dass wir planen, wie viel Geld wir hier verdienen. Ausgehend von der verbleibenden Zeit vor der Reservierung und den früheren Benutzeraktionen versuchen wir daher, den Prozentsatz und den Preis der Stornierung vorherzusagen. Dies hilft bei der Planung.
# 7 Bewertung der Verkehrsqualität
Meistens reisen Menschen zweimal im Jahr. Wenn sie die Anwendung installieren, ist es daher überhaupt keine Tatsache (und das ist normal), dass sie jetzt keine Tickets kaufen. Es ist jedoch immer noch wichtig zu bewerten, wie gut eine Verkehrsquelle ist. Wir versuchen anhand der ersten Aktionen des Benutzers vorherzusagen, wie hoch die Wahrscheinlichkeit ist, dass er einen Kauf tätigt.
Sieben Beispiele
- Sortierpartner;
- Sortierung von Hotels;
- Fotoanalyse;
- Analyse von Bewertungen;
- Preisvorhersage;
- Stornierungsvorhersage;
- Verkehrsschätzung.
Ich möchte Ihre Aufmerksamkeit auf die ersten drei Punkte lenken. Dank dieser Punkte scheint es mir, dass wir gelernt haben, dass die Einführung von Technologien für künstliche Intelligenz recht einfach ist. Ich empfehle, Ihren Entwickler mitzunehmen und einen Tag lang zu recherchieren.
Wenn Sie eine Aufgabe haben, von der Sie glauben, dass sie automatisiert werden könnte. Es besteht die große Chance, dass das, was Sie tun müssen, bereits vor Ihnen erledigt ist. Das Anwenden auf sich selbst wird nicht viel Zeit in Anspruch nehmen.
Weitere Berichte zum Produktmarketing finden Sie auf dem
@ epicgrowth Telegram-Kanal.
Abschrift der Rede auf vc.ru veröffentlicht.