Pada
Epic Growth Conference Head, konferensi pemasaran produk Mobile Hotel di Aviasales, Konstantin Savchenko berbicara tentang eksperimen dan contoh penggunaan teknologi kecerdasan buatan di Aviasales.
Tonton video atau baca catatan di bawah potongan.
Banyak solusi Aviasales yang berhubungan dengan teknologi kecerdasan buatan telah tumbuh dari hackathon. Dan sebagian besar solusi dari versi pertama ini memberikan pertumbuhan nyata dan hasil yang baik untuk bisnis, misalnya, peningkatan konversi atau pengurangan biaya.
Untuk menggunakan teknologi kecerdasan buatan, tidak perlu berada di pro ini. Rahasianya di sini sederhana: perusahaan besar telah melakukan segalanya untuk Anda. Dan diposting, misalnya, solusi turnkey di GitHub, di mana Anda dapat menemukan jaringan saraf dan perpustakaan pintar.
Untuk menginspirasi Anda untuk mencoba menciptakan solusi berdasarkan kecerdasan buatan, Konstantin Savchenko telah mengumpulkan tujuh contoh tentang bagaimana Aviasales menggunakan teknologi ini.
# 1 Memesan mitra di tiket
Urutan mitra pada tiket adalah contoh sederhana, tetapi begitu itu benar-benar membantu untuk mulai memahami apa itu pembelajaran mesin. Ini adalah tiket yang Anda temukan di Aviasales. Mitra yang berbeda memberikan harga mereka untuk tiket tertentu.
Seringkali harga dari mitra yang berbeda sama. Kita harus memilih mitra mana yang akan memakai tombol Beli berwarna oranye besar, yang diklik sebagian besar pengguna. Tentu saja, pertama-tama kita menetapkan harga terendah, hanya cara kerjanya. Tetapi jika ada beberapa harga rendah dari mitra yang berbeda dan mereka sama, kita harus memilih yang terbaik.
Dalam hal ini, kami fokus pada dua parameter. Yang pertama adalah konversi dari mengklik tombol beli ke pembelian. Dan yang kedua adalah komisi yang dibayar mitra tertentu kepada kita. Sebuah tanda dikompilasi untuk masing-masing (lihat layar di bawah), yang membantu mengidentifikasi mitra dengan efisiensi maksimum.
Semua mitra kami ingin meningkatkan corong mereka, sehingga mereka melakukan banyak percobaan, dan konversi berubah secara berkala. Penting untuk memantau ini dan ini adalah momen yang dapat diotomatisasi.
Misalkan dalam 5% kasus Anda memakai tombol "beli" bukan mitra dengan harga terbaik, tetapi mulai mengusir semua mitra lain untuk mencari tahu apa konversi mereka sekarang. Anda memperbarui pelat ini, menghitung ulang produktivitas - dan dengan demikian, pengguna berikutnya sudah melihat tatanan mitra baru. Sistem Anda belajar dari data yang diterima dari mitra dan memilih solusi terbaik. Ini sudah bisa disebut pembelajaran mesin.
# 2 Urutan Hotel
Jika semuanya cukup sederhana dengan tiket: Anda dapat mengurutkannya berdasarkan harga dan menempatkan yang termurah di awal, maka resepsi ini tidak akan berfungsi dengan hotel.
Jika kami menunjukkan hotel termurah, kemungkinan besar itu adalah hostel di luar kota dan hampir tidak ada yang akan menyukainya. Anda dapat mulai melakukan hal yang sama dengan tiket: tunjukkan semua hotel secara bergantian, lihat apa konversi mereka dan pilih yang terbaik. Tetapi kami memiliki 4 juta hotel. Saya khawatir tidak seorang pun dari kita akan memenuhi hasil tes ini. Oleh karena itu, kami menggunakan bantuan teknologi kecerdasan buatan.
Ada juga solusi turnkey. Dalam hal ini, perpustakaan "pintar", yang dibuat oleh orang-orang dari Yandex, dibuat hanya untuk mereka yang belum berpengalaman dalam kecerdasan buatan. Hotel memiliki sejumlah besar karakteristik yang menjadi dasar pilihan pengguna: harga, peringkat, ulasan, dan sebagainya. Di pintu masuk, Anda memberi perpustakaan parameter hotel; ternyata untuk mentransfer konversi dari menunjukkan hotel untuk membeli.
Apa yang dilakukan perpustakaan ini? Berdasarkan data ini, ia mencoba memprediksi konversi seperti apa yang akan dimiliki hotel serupa. Pada output, Anda mendapatkan perkiraan konversi yang dapat digunakan sebagai pengurutan.
Dalam percobaan ini, tagihan rata-rata kami meningkat + 17%. Algoritma ini mulai menunjukkan hotel yang lebih mahal di atas yang lain - dan dengan demikian orang mulai membeli hotel yang lebih mahal.
Indikator lain dan segala sesuatu yang berkaitan dengan konversi telah meningkat secara nyata: konversi menjadi penjualan + 6%, pendapatan + 19%.
Analisis Foto # 3
Mitra memberi kami banyak foto untuk setiap hotel. Tapi kita tidak tahu apa yang digambarkan pada mereka. Kita perlu AI untuk mengetahui kualitas apa mereka dan dalam urutan apa mereka perlu ditampilkan. Di antara foto-foto ada juga seperti:
Pengering rambut yang terkenal ini entah bagaimana menjadi isu utama di Moskow. Itulah salah satu alasan mengapa kami memutuskan untuk mencari tahu.
Ada sejumlah besar perpustakaan; kami menemukan yang cocok yang mencoba menentukan lokasi yang digambarkan dalam foto.
Kami menjalankan semua foto kami melalui perpustakaan ini (Anda dapat menyebutnya sebagai jaringan saraf terlatih) dan mendapatkan hasilnya - perkiraan perkiraan dari apa yang dilihat perpustakaan di foto.
Penting bagi kami untuk memahami apakah itu di jalan atau di dalam. Jika di jalan, maka kami terutama tertarik pada kolam renang. Di dalamnya ada tempat tidur, toilet, aula.
Kemudian kami memutuskan bahwa menarik bagi pengguna untuk melihat kamar hotel sejak awal. Apa itu angka? Ini adalah saat foto menunjukkan tempat tidur besar. Itu tidak terlalu sulit untuk diatasi. Kami mulai melihat secara manual apa yang terjadi: semuanya tampak keren, tetapi pada tujuan resor (terutama untuk pariwisata massal) foto-foto tempat tidur tampak buruk. Itu adalah tempat tidur yang sangat sedikit di ruang yang sangat sedikit.
Kami telah menganalisis apa yang dilakukan mitra dan pesaing kami dalam kasus ini. Dan mereka menunjukkan foto-foto kolam renang, karena kolam di hotel-hotel seperti itu selalu indah. Kami mulai mengedepankan hotel-hotel yang memiliki foto kolam renang yang indah.
Dengan meluncurkan masalah seperti itu, kami tidak hanya menyingkirkan tenaga kerja manual (kami dulu mempekerjakan orang lepas yang mengambil foto hotel di kota-kota top dengan tangan kami), tetapi juga meningkatkan konversi sebesar + 12%, yang meningkat terutama karena lokasi pantai dalam percobaan dengan kolam renang.
# 4 Analisis ulasan
Estetika foto dan gaya interior - ini adalah hal lain yang dapat Anda kerjakan, seperti yang kami duga. Seringkali, hotel yang sangat mirip dalam karakteristik dibuat dalam gaya yang sama sekali berbeda. Anda dapat menemukan di mana interiornya - tidak hanya dengan foto, tetapi juga oleh ulasan.
Pengguna sering menulis tentang bagaimana mereka menyukai interior. Saya telah bertemu beberapa ulasan, misalnya: "Ini nomor yang luar biasa, seperti nenek saya." Tetapi pengguna biasanya menulis tentang beberapa hotel modern dan bergaya. Mereka menulis tentang lokasi, kedekatan objek wisata atau pemandangan dari jendela.
Ketika pengguna mencari hotel, mereka pertama-tama menyaring semua yang tidak sesuai dengan mereka, meninggalkan beberapa opsi di favorit mereka. Dan langkah selanjutnya yang memengaruhi pilihan adalah meninjau ulasan. Seringkali ada terlalu banyak ulasan. Kami pikir itu akan keren untuk membaca pemerasan, itu yang paling penting. Kami mulai dengan ide ini.
Kami menarik mitra kami yang berspesialisasi dalam analisis ulasan. Bersama mereka, kami mengeluarkan hal yang paling penting dari ulasan dan mengumpulkan satu set lencana yang kami tempatkan di hotel.
Kami benar-benar ingin meluncurkan fitur ini, sangat memimpikannya. Tapi ternyata orang tidak peduli. Kami menggantungkan lencana yang indah di hotel-hotel, yang mengungkapkan keunggulan utama hotel. Tetapi ini tidak mempengaruhi konversi dan jumlahnya.
Harga Tiket # 5
Selama kami bekerja di Aviasales, kami telah mengumpulkan sejumlah besar data. Dan hipotesis kami adalah bahwa ada hubungan antara bagaimana harga tiket berubah tergantung pada berapa banyak waktu yang tersisa sebelum keberangkatan atau pada hari apa keberangkatan ini.
Ini juga salah satu proyek hackathon kami, di mana para pria mengembangkan solusi yang dengan cepat mulai memberikan hasil yang keren.
Berkat keputusan ini, kami mulai menghemat data, mulai mengisi kalender harga tempat-tempat itu, harga-harga dan tanggal-tanggal di mana kami tidak memiliki data nyata.
Ini bekerja dengan akurasi luar biasa: hanya 10% dari harga yang salah, yang sepertinya merupakan indikator yang baik untuk solusi yang dibuat pada lutut.
Apa lagi yang menarik dengan prediksi tersebut? Orang sering memutuskan apakah akan menunggu harga tiket lebih rendah atau masih membeli sekarang. Maka, kami mulai membuat kiat untuk pengguna "beli sekarang" atau "tunggu." Biasanya, harga tiket hanya naik, jadi dalam 90% kasus kami mengatakan: "Beli sekarang." Kepercayaan pengguna di sini sangat minim.
Di bawah ini adalah tata letak dari apa yang kami rencanakan untuk dilakukan. Kami akan menunjukkan grafik tentang bagaimana harga akan berubah sesuai dengan perkiraan kami. Kami berharap mendapatkan lebih banyak kepercayaan pengguna dari ini.
# 6 Prediksi Pembatalan Hotel
Sebagian besar pengguna membeli tiket yang tidak dapat dikembalikan dan fakta bahwa pengguna membeli tiket dapat dianggap sebagai kesepakatan terakhir.
Dalam hal hotel dengan cara yang berbeda; bagian pengembaliannya tinggi dan penting bagi kita untuk merencanakan berapa banyak uang yang kita hasilkan di sini. Oleh karena itu, berdasarkan pada berapa banyak waktu yang tersisa sebelum reservasi dan berdasarkan pada tindakan pengguna sebelumnya, kami mencoba memprediksi berapa persentase dan harga pembatalan yang akan terjadi. Ini membantu dalam perencanaan.
# 7 Penilaian Kualitas Lalu Lintas
Paling sering, orang bepergian dua kali setahun. Karena itu, ketika mereka menginstal aplikasi, itu sama sekali bukan fakta (dan ini normal) bahwa mereka tidak akan membeli tiket sekarang. Tetapi masih penting untuk mengevaluasi seberapa bagus sumber lalu lintas itu. Kami mencoba memprediksi dengan tindakan pertama dari pengguna berapa kemungkinan dia akan melakukan pembelian.
Tujuh contoh
- mitra penyortiran;
- penyortiran hotel;
- analisis foto;
- analisis ulasan;
- prediksi harga;
- prediksi pembatalan;
- estimasi lalu lintas.
Saya ingin menarik perhatian Anda pada tiga poin pertama. Berkat poin-poin ini, bagi saya tampaknya kami belajar bahwa memperkenalkan teknologi kecerdasan buatan cukup sederhana. Saya sarankan mengambil pengembang Anda dan menghabiskan satu hari meneliti.
Jika Anda memiliki tugas apa pun yang Anda pikir bisa otomatis. Ada kemungkinan besar bahwa apa yang perlu Anda lakukan sudah dilakukan sebelum Anda, menerapkannya pada diri sendiri tidak akan memakan banyak waktu.
Lebih banyak laporan tentang pemasaran produk dapat ditemukan di saluran Telegram
@epicgrowth .
Transkrip pidato yang
diterbitkan di vc.ru.