大家好，我是為人造的智能操碎了心的智能禪師。

全文大約1700字。讀完可能需要好幾首下面這首歌的時間

?

還有兩天就是國慶長假了，這兩天的天氣也是格外的好。上班路過一個大廈，順手拍了一張?

艷陽高照，紫外線還是比較高的。恰巧今天也是國際蕾絲節，禪師建議咱們的女粉絲們，國慶出行可以買個蕾絲的遮陽傘；男粉絲……也可以。

很多人估計和禪師一樣，準備利用這7天時間好好的出去玩一趟。?

當然，也有很多人和條子一樣，準備利用7天時間好好測試一下家里床的質量和舒適度…這人真的是沒救了。??♀?

雖然還沒開始放假，禪師身邊很多同事都已經在路上了…你們這么不熱愛工作的嗎？??♀?

現在的年輕人出去旅游，很少有跟團的，大多選擇自由行或者個性化定制的旅行產品。

難題

世界這么大，我想去哪兒呢？

每次國慶之前，禪師都會為這個問題傷腦筋。借用阿里副總裁周靖人的口頭禪，這個簡簡單單的問題，背后牽扯到非常多的相關因素。

就拿選擇目的地來說，背后涉及到的因素可以大致分為幾類：食宿、交通、距離、景點、娛樂項目、保險、健康等。

如果選擇境外游，還需要考慮網絡、手機信號、貨幣兌換、意外情況等。

所以做攻略，是一項非常讓人頭痛的事情，比洗碗還讓人頭痛。咱們這已經進入人工智能時代了，這種事情，不是應該交給人工智能去做嗎？是的，旅行社也是這么想的。

人工智能時代的旅行社，不再是以前那種坑爹的 X 日游。他們也在積極和技術廠商合作，利用機器學習為游客提供更讓人欲罷不能、欲仙欲死、欲壑難填的旅游產品。

數據收集

我們先來看一張圖：

這張圖來自專做旅行技術研發的 Altexsoft 公司。他們從2007年開始，面向美國以及全世界的旅游中介，提供數據處理和解決方案，并提供技術支持。

從圖中可以看出，實現個性化定制，需要經歷6個步驟，分別是：提供豐富內容；收集數據；細分用戶；預測用戶偏好；個性化推薦；獲得反饋。

提供豐富、有價值的內容

根據旅游網站 Expedia 的數據，在訂購一款產品前，消費者平均要訪問4.4個獨立網站，瀏覽38個頁面。

Sabre 報告顯示，65%的旅客希望看到賣家提供的詳細信息。例如飛機準點率、機上設施、酒店客房服務和設施等等。

數據收集

首先通過元數據來繪制用戶畫像。元數據包括以下數據：

用戶位置

IP地址

瀏覽器類型和版本

設備型號

操作系統

屏幕分辨率

聯網類型（WiFi、LTE還是LAN）

會話時長

推薦來源（ Google 百度？微博微信？馬蜂窩？攜程廣告？…）

接下來通過用戶行為數據，獲得消費者洞察。用戶行為數據有很多種，比較重要的有：

搜索目的地

選定的日期或者匹配可變的合適的日期

滾動的深度

鼠標點擊和懸停（特別是包括了設施、附加服務、位置數據、評分和評論信息的點擊和懸停）

低價提醒

通過這些數據就能夠分析出，消費者最看重什么，有什么樣的喜好等。這些用戶行為數據，對消費者洞察有著非常重要的價值，但不如元數據可靠。

然后是客戶關系管理（CRM）數據、地理位置數據和社交媒體數據。

客戶關系管理（CRM）數據對個性化來說至關重要，包括：

姓名、登錄憑證、聯系信息

消費細節和歷史記錄（包括網站訪問次數和時間等）

住宿類型或飛行類型

實際的服務偏好，如客房服務和附加服務

最后，還可以通過第三方數據，比如 TripAdvisor（貓途鷹） API 來收集用戶反饋的數據。

地理位置數據可以獲得用戶的位置信息，就可以發送與位置相關的信息。比如消費者10點才來 check in，已經過了酒店的早餐時間，就可以基于用戶當前的位置，推薦附近的餐廳。

社交媒體數據是將用戶畫像做的更立體、更完善的關鍵數據。其他途徑很難收集到的個人偏好數據，而用戶卻會在社交媒體分享他們的旅行體驗。

一般來講，社交媒體數據包括以下內容：

評論的情感文本分析

照片、視頻或故事分享，這些信息可能附有地理位置標記

關于某件事的討論意見

在機場、酒店或餐廳中的登記手續

細分用戶

早期的用戶細分完全是靠人工來做，所依賴的是旅行社銷售個人的經驗和洞察。所以禪師認為這才是真正的“人工智能”。

頂級的銷售是能夠通過在和游客接觸的過程中察言觀色，根據游客的言談舉止迅速了解游客的喜好，然后看人下菜碟。

比如發現游客是個富二代，帶著新交的女朋友去參加世界三大狂歡節之一的尼斯狂歡節（le Carnaval à Nice），就可以推薦豪華情趣酒店、皇家游艇等；如果發現是個獨自旅行的背包客，就可以推薦一些自然景觀、人文景點等。

到了人工智能時代，顯然上述的方式是比較低效而且昂貴的。首先你需要一個有這份豐富經驗的銷售，而這樣的銷售必然價格不菲。

通常來說，有兩種比較常用的方式，可以在產品層面上，做出類比傳統旅行社銷售的效果來。

使用顯式數據。比如將自由行游客和團體游客分開，或按目的地細分（熱門和非熱門）

利用數據挖掘技術。通過使用無監督學習技術（如聚類），對收集到的數據進行自動分組，從而有可能發現以前沒想到、或者無法區分的游客群體

預測

收集數據相對而言比較簡單，而預測就難很多了。需要設計機器學習引擎，合理設計機器學習模型。

通常有下面幾種解決方案：

1. 評分分組

第一次用旅游產品的新用戶，沒有在數據庫里留下任何可供分組的數據，機器學習怎么預測他的偏好呢？

可以在產品層面，給用戶的行為設定分數，不同的分數匹配不同的類別。這樣用戶只要在產品上停留時間足夠長，系統就能獲得足夠的數據對用戶進行分類。

當然，用戶停留時間越長，產品能夠獲得的用戶數據就越多。所以這也是上述數據收集模塊中，步驟1為什么很關鍵的原因。

2. 內容過濾

內容過濾應該是目前在旅游業使用最廣泛的方式。基于已有用戶數據，預測細分人群的偏好。

比如商旅人士對酒店的穩定 WiFi、便捷的洗衣服務比較注重。那么機器就可以將收集到的有穩定 WiFi、便捷洗衣服務的酒店推給客戶。

但這個時候推薦的內容，是基于已有用戶的個性化數據，還不算是完全的個性化，可以認為是針對整個特定群體的泛個性化。

3. 協同過濾

但酒店還有一些因素，通過上述基于內容過濾的方式沒辦法獲得。比如酒店服務員今天心情不好導致態度很差、設施突然出現意外、今天酒店后廚進的食材有問題等等。這個時候就可以使用協同過濾。

協同過濾的核心思想是“物以類聚人以群分”：跟你需求相近、住過同一家酒店，甚至中午剛吃過你晚上要點的菜，你們就是同一國的，那么ta喜歡的，很可能你也喜歡。

這種方法涵蓋了機器學習的各種方法，其中最常見的是矩陣分解。矩陣分解成每個用戶的檔案矩陣，并基于來自用戶矩陣的信息填充一個矩陣中的缺失值。

協同過濾技術是目前先進技術之一，它已經成為多個行業推薦系統的主流。例如Netflix的推薦系統中就是用了這一技術，因為電影除了類別以外，沒有其他的明確屬性。

協同過濾也可以用于類似旅游行業這種沒有足夠的外顯特征的服務中，例如餐廳、景點、名勝古跡、旅游主題等。

我們用一張對比圖來總結一些這三種方法：

當然不可能一種方法天下通吃。一般都是幾種方式互相摻雜的混合技術。

例如，使用評分技術提出基本建議，或者僅使用評分技術來進行初始細分。然后針對不同屬性的產品，同時使用協同過濾和基于內容的過濾，來提供更好的預測和推薦。

多種渠道

個性化是給非常復雜的事情，需要通過多種渠道來實現個性化。

個性化的搜索引擎。當游客尋找酒店或航班時，系統會根據以前的行為提出個性化的建議

個性化的電子郵件。鑒于數據科學的基礎工作已經完成，這是一個相對簡單的方法。根據 eMarketer.com 的調查，在不同行業中，80%的個性化推薦是通過電子郵件傳遞的，這也可以擴展到社交媒體和短信

個性化促銷。給愿意花錢買你產品的用戶優惠、特權

個性化旅途中的推薦。如果你能獲取地理位置數據，則可以向用戶發送有關附近餐廳的通知，或者提供相關的航空旅行服務

結語

不知道大家有沒有這種感覺，就是面對一個旅行社，總覺得是在想法設法的坑你的錢。旅行社的銷售人員表現的再怎么誠懇，也很難完全獲得游客的信任。

但是面對機器、面對一個旅行產品的時候，人們反而更容易放下戒備，接受引導。

所以這次國慶出行，禪師準備上高速賣炒飯去，有人一起的嗎？

幸福
無非就是
我 & 你
我 ?AI ?你

聲明：

本文圖片均來源網絡，如有侵權請告知

這篇文章的英文鏈接被騰訊認定有風險無法添加

總結

以上是生活随笔為你收集整理的原来早就被安排了，旅行社用机器学习给你推个性化定制游的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。