Yeni nesil gelir yönetimi araçları: Büyük veri yardımı ile gelir yönetimi nasıl yeniden tanımlanır?
Küresel Seyahat Haberleri Otel oda fiyatlarının "deniz ürünleri fiyatı" ile, kaç otel stratejilerini kolayca ayarlamak yerine "gelir" fırsatını kaçırmayı tercih eder? Yeni nesil gelir yönetimi araçlarına, büyük veri ve yapay zeka teknolojisinin getirdiği yeni fiyat optimizasyon stratejisinin konuk ile otel arasındaki fiyat güvenini yeniden şekillendirmek ve geliri basit ve kolay bir şekilde artırmak için nasıl kullanılacağına bakın.
8 Haziran'da Zhonghui Information CEO'su Lin Xiaojun, 2017 Çin Otel Pazarlama Zirvesi'nde (HMC) büyük veri yardımıyla gelir yönetiminin nasıl yeniden tanımlanacağını sizlerle paylaştı.
Zhonghui Information CEO'su Lin Xiaojun
Aşağıdaki konuşmanın tam metnidir:
Bugün bahsettiğim konu, yeni nesil gelir yönetimi araçları için büyük verilerle gelir yönetiminin nasıl yeniden tanımlanacağı. Gelir yönetimi konusunu sizinle tartışmak için bir fırsat daha bulduğum için çok mutluyum.
Gelir yönetiminden bahsetmeden önce, başka bir konu olan AlphaGo'dan bahsedelim. Bu şu anki sıcak nokta. Bir süre önce yeni gelişmeler oldu ve yine kazandı. Şimdi temelde AlphaGo'nun Go dünyasında yalnız oyuncu olduğu söylenebilir. İnsanlar için Kazanmak istemek zaten küçük bir olasılık olayı. Çok güçlü, neden bu kadar güçlü? AlphaGo için iki nokta, ilk nokta, neredeyse tüm profesyonel satranç oyuncularını altıdan dokuza kadar, yaklaşık 100.000 parça öğrendi Bu çok büyük ölçekli bir veri. İkinci nokta, algoritma ve modellerinin bu verileri mükemmel şekilde kullanabilecek ve belirlenen zaman aralığında en iyi karar ve sonucu alabilecek yeteneklere sahip olmasıdır.Bu iki nokta, yenilgide yalnız kalmasını sağlar.
Örneğin, Nie Weiping tüm hayatı boyunca oyunu öğrenmiş ve çalışmış olsa bile, AlphaGo'nun bir günde yaptıklarına ayak uyduramaz.Bu durumda insanlar AlphaGo gibi bir makineyle nasıl rekabet edebilir? Bu gerçekçi değil. Şimdi AlphaGo daha da iyi.Sol ve sağ elleriyle dövüşmeyi öğrendi.Kendi yüzleşmesine dayanarak, insan satranç rekorlarının sınırlamalarından kurtuldu.Kendi kendine satranç sayıları üretip sonra tekrar öğrenebilir.Başka bir diyara girdi.
AlphaGo kesinlikle sadece Go oynayabilen bir robot değil, aynı zamanda makine zekasının bu çağda elde edebileceği yetenekleri ve teknolojik sınırları temsil ediyor. AlphaGo ilk piyasaya sürüldüğünde, birçok insan çeşitli tahminlere sahipti ve yeteneklerinin sınırlarını tahmin ediyordu. Pek çok insan çok kötümserdi ve bunu söyleyemiyordu. Bilgisayarlar, bağımsız bilinç ve duygularla insanların yerini alabilirdi. Benim açımdan, bu sorunu açıklayayım, öyle düşünüyorum Geleceğin görülebilen sınırlı kapsamı içinde, bilgisayarlar veya AlphaGo veya yapay zeka, duygu ve belirsiz yargı düzeyinde bu yeteneğe ulaşmaktan çok uzak. Yukarıda, hafıza ve duygu fizyolojisi ve psikolojisi konusundaki araştırmalarımız çok sınırlıdır, bu nedenle bu duruma sınırlı bir aralıkta ulaşılmayacaktır.
Bununla birlikte, nicel hedefleri belirleyebilen herhangi bir görev için, mevcut makine zekası, insanların yeteneklerine ulaşmak veya çok daha fazlası için yeterlidir, çünkü artık büyük veri ölçeği ve bu verilere dayanan en iyi yapay zeka algoritmaları altında, Belirlenebilen veya ölçülebilen herhangi bir hedef görev, olasılıklı bir ağa dönüştürülebilir.Böyle büyük bir veri olasılığı karşısında, insan geçmiş deneyimi kayıptır. Neyse ki, gelir yönetimi tam olarak böyle bir görevdir ve gelir yönetimi tam da ölçülebilir, spesifik bir nicel hedefimiz olduğu görevdir.Böyle bir görevde en önemli şey talep tahmini ve fiyat optimizasyonudur.
Talep tahmini açısından, onu kara kutu belirsiz bir karar haline getirdiğimizde, sorun deneyimle çözülebilir, ancak model bakış açısıyla ayrılabilir. Piyasa talebinden otelin kendi talebine kadar tüm talep tahmini, aslında seyahat niyetlerinin tahmini veya miktarlarının belirlenmesi, tüketim istekliliğinin ölçülmesi ve son olarak tüketim kararlarının nicelleştirilmesi olarak tamamen parçalanabilir. Örneğin seyahat etme isteğini ölçmek için kalış süresini kısıtlamak için uçakla seyahat süresi ve yüksek hızlı tren yolculuğu süresi kullanmak mümkündür.Tüketim istekliliği otelin talebi veya otel çevresindeki fuar bilgileri ile de sınırlandırılabilir.Karar fiyat ve ağızdan ağza verilebilir. kısıtlama. Kısıtlama yaparken, gelir yönetimini optimize etmek için burada büyük verilere dayalı bir AI modeli oluşturabiliriz. Buradaki herkes geçmişte gelir yönetiminin de bunları yaptığını ve bu verileri kullandığını söyleyecektir. Örneğin geçmişte, gelir yönetiminde, seyahat etme isteğini değerlendirdiğimizde, kararımı vermek için hava kalkış ve kalkış veri tahminlerini de kullandık, bunda önemli bir fark var.
Geçmişte havacılık verilerini kullandığımızda, aslında kendi deneyimlerimizi veya yargılarda bulunmak için deneyime dayalı kendi hesaplama modelimizi kullanıyorduk. Mesela bir genel müdür bana kalkış verisi ve varış verisinin ne kadar olduğunu sordu, yaklaşık bir milyon yolcu olduğunu söyledim, bu milyon insanı temel alarak kendi gelecek doluluk oranı değerlendirmesini yaptığında, ölçüm yapmadan sadece temel yargılarda bulunabilir. Gerçek miktar nedir?
Bu resme baktığımızda, mevcut piyasa talebini değerlendirmek için yalnızca bilet büyük verilerini kullandığımızda, bu bilet verileri, bu şehrin gelecekteki doluluğunu tahmin etmede her şehir için uçak bileti verilerinin doğruluğunu değerlendirmek için kullanılabilir. nokta. Örneğin, Pekin'de, görev hedefini yapmak için üç veya dört gün önceden piyasa tahminini kullandığımızda, bilet verilerini kullanmak ve kullanmamak arasındaki hata% 7,1 oranında düştü. Ama aynı veriler, aynı model, Sanya'yı kullandığımızda hata% 13,6 azaltılabiliyor ki bu farklı. Ancak verileri doğru bir şekilde tahmin edip nicelendirdiğimizde bu veriler gerçek değer üretebilir ve deneyimin zincirlerinden kurtulabilir. İnsan deneyimine dayalı Pekin ve Sanya tahminlerinde bu kadar kesin bir etki değeri elde etmek imkansız.
Yapay zeka modelimiz aracılığıyla tüm verilere dayanan havacılık verilerine, OTA verilerine vb. Dayalı bu tür verilere dayanarak, modelimizi oluşturacak ve on milyonlarca hatta yüz milyonlarca veri boyutunda en iyi sonuçları arayacak ve optimize edeceğiz. Belirli bir olasılık maksimizasyonu sonucu alın. Bunu yapmak için deneyime güvendiğimizde, ortadaki tüm kare bağlantıları atlayacağız.Bu kareler on milyonlarca özellik boyutunu ve optimizasyon göstergesini temsil ediyor. Bunları atlayacağız çünkü insan beyniniz kendi başına güvenemez. Bu kadar çok sayıda parametreyi optimize etme deneyimiyle, yalnızca belirsiz bir nihai karar verebilirsiniz. Bu boyutta veya bu büyüklükte model optimizasyonu ancak büyük veriye ve büyük veri tabanlı AI algoritmalarına güvenerek mümkün olabilir.
Optimize etmek için böyle bir modele güvenmek yeterli değildir, çünkü veriler dinamiktir ve insanlar da dinamiktir. Gelir yönetiminin tamamında, tahmini fiyatlandırmamız ve fiyatlandırmadan sonra tüketiciler üzerinde yaratılacak teşvikler tüketicilerin karar verme sürecini yeniden etkiler. Tüm ortam dinamik. Tüketiciler ve oteller arasındaki etkileşimli ilişkiyi AI modeli altında yeniden inşa etmemiz gerekiyor. Bu etkileşimli ilişkide, her otelin yeni sınır koşulları altında fiyatları ayarlaması ve fiyatları ayarlarken, Her bir tüketicinin bu formda bir otelde kalmayı seçip seçmeyeceğine veya hangi otellerde kalacağına karar vermek gerekir. Burada oluşan şey, tüketici ile otel arasında oyun ve denge halidir ve böyle bir modelin oluşturulması gerekmektedir. .
Gerçek denge modeli otellerde ve kanallarda değil, oteller ile müşteriler, oteller ve tüketiciler arasında gerçek dengeye ulaşılması gerekiyor, bu mükemmel denge.
İlk olarak, tüketiciler ve oteller arasındaki etkileşim modelini yeniden oluşturun. Model aracılığıyla otel ve tüketici arasındaki etkileşimli ilişkiyi kurun ve onu statik bir modelden dinamik bir modele çevirin.
İkinci olarak, davranış simülasyonu için derin sinir ağlarını kullanın. Bu model kurulduğunda, biri genel tüketici bilgeliğini temsil eden tüketici yapay zekası ve diğeri tüm otel gelir yöneticilerinin bilgeliğini temsil eden otel yapay zekası olmak üzere iki farklı yapay zeka oluşturacağız.
Üçüncüsü, dinamik fiyatlandırma için Generative Adversarial Networks (GAN) kullanın. Aralarında dinamik simülasyonlar gerçekleştirirken ve AlphaGonun sol ve sağ ellerinin birbiriyle savaşması gibi bir yüzleşme ağı oluştururken, geleneksel prangalardan kurtulabilir ve makine zekası ile dinamik tahmin ve dinamik fiyat ayarlamasının sonucunu elde edebiliriz. Aralarındaki sürekli çatışma yeni üretir. Veriler, yeni verilere göre optimize edilir. Bu, büyük veriye dayalı yapay zeka gelir yönetimi modelidir.Bu modelde, büyük veri maddi temeldir. Büyük veri olmadan her şey boş laftır çünkü geleneksel veriler altında böylesine karmaşık bir modele ihtiyaç yoktur ve hesaplamalar sadece deneysel paradigma ile yapılabilir.
Otel ve tüketiciler arasında bir geri bildirim ve acil durum mekanizması olmalıdır Bu tür geri bildirimler, modelin gerçek zamanlı güncellenmesine olanak sağlar. Tüketicilerden ve otellerden gelen geri bildirimler gerçek zamanlı olarak gerçekleştiği için model gerçek zamanlı olarak değişiyor. Daha önce bahsettiğimiz fiyat esnekliği modelinde olduğu gibi fiyat ayarlandığında doluluk oranının ne kadar değişeceğini söylemek yanlıştır.
Doluluk oranlarında değişikliklere yol açan tek faktör fiyat değişiklikleri olmadığından, bu fiyat değişiminin pazardaki misafirler arasında, otelimden diğer otellere veya misafirlerin beni çektiği diğer otellerden bir akış oluşturduğunu görmemiz gerekir. Oteller arasında böylesine akan verilerle, ancak bu verileri birbirine bağlayarak, fiyat ayarlamamın ne kadar değiştiğini tahmin etmek mümkün olabilir, yani interaktif bir modeldir.
Böyle bir yüzleşmeyle, fiili yetersiz veri sorunu çözülür. Nedeni ise fiyatlarımızın ayarlanması için post-izleme kapsamında gerçek izleme verisi elde etmenin zor olmasıdır.Yetersiz veri sorununu karşılaşma modelleri ile çözmeliyiz ki mevcut sektördeki veri eksikliğinden veya yanlışlıktan kaynaklanan engellerden kurtulabilsinler. , Modelin avantajı budur.
Yeni tanıtılan büyük veriye dayalı yapay zeka modeli oluşturmanın sonucuna dayalı olarak, son lansman, büyük veriye dayalı gelir yönetimi yapay zekasıdır.Bu, temayı paylaştığımız ve gelir yönetimini yeniden tanımlamak için büyük verileri kullandığımız yerdir.
Böyle bir modelde, otel talebi nihayet piyasanın talebinden oluşur ve otele olan talep optimal otel fiyatını oluşturabilir. Otel en uygun fiyatı uyguladığında, kesinlikle geri bildirim oluşturulacaktır.Bu geri bildirim, pazarı etkileyecek ve talepte değişiklikler üretecektir. Bu bir döngüdür. Bu döngüde, AI modelimiz, dinamik fiyat ayarlama modelimiz ve pazar bazlı Hem geri bildirim modeli hem de son yüzleşme modeli, mekanizma ve fayda üretebilir ve sonunda insan deneyimini aşan sonuca ulaşabilir.
İşte bir örnek: Şu anki modelde, en önemli kilit nokta yüzleşme ve geri bildirim, personel girişi ve çıkışı nedeniyle pazardaki değişikliklerin nasıl izleneceği veya analiz edileceği.
Bu dinamik bir diyagramdır.Otel olarak fiyatınız arttığında personel değişmelidir.İlerideki talep durağan değildir, değişeceksiniz, insanlar başka otellere atlayacak ve misafirler kaybolacak. Fiyatınız düştüğünde kişi sayınız artabilir ve diğer rakip otellerden gelen konuklar otelinize atlayıp size akabilir.Bu geri bildirim modelimizin ve yüzleşme modelimizin temelini oluşturur.
Bu gerçek bir otel, Pekin'de bir otel ve biz ona kapsamlı gelir yönetimi konusunda yardımcı oluyoruz. Verilerine göre gerçek otel ile yanındaki tüm oteller arasında oluşan personel giriş çıkışları, fiyat ayarlamasından sonra personel giriş çıkışları bu statik bir resim olmakla birlikte zaman ekseni boyunca dinamiktir. Değiştirilen veri seti. Böyle bir veri setinde siz ve diğer oteller arasındaki çatışmadaki değişiklikleri görmeniz gerekiyor, bu resim dağınık ve kaotik resim sonuç olmamalı.
Yukarıdaki ham verilere dayanarak özellik çıkarma ve veri madenciliği yaparken, otele net bir miktar listesi vereceğiz ve otele rakipleriyle rekabet halinde olduğunu ve giriş ve çıkıştaki değişiklikleri söyleyeceğiz. Bu, bir zaman profilindeki bir noktadır, zamanın belirli bir noktasındaki bir grafiktir. Bu grafik, zamanına göre sürekli olarak değişecektir. Herhangi bir zamanda, mevcut rekabet durumu ve içeri ve dışarı akışı Onunla tüketim arasındaki durum, denge bu resimde. Zaman değiştikçe, bu resim de değiştiğinde, aslında modelimiz değişiyor, bu oteli fiyatını ve pazarlama modelini yeniden tanımlaması için sürekli olarak yönlendiriyor ve hatta bu otele fiyatı ayarladıktan sonra geri bildirimleri nasıl izleyeceği konusunda talimat veriyor. Geri bildirime dayalı olarak fiyatı yeniden optimize edin, bu Gelir Artı.
Böyle bir gelir yönetiminde, bir makine beyninde, sol tarafında fiyat, sıralama, incelemeler, sergiler, havacılık vb. Dahil olmak üzere geleneksel PMS verileri de dahil olmak üzere verileri beslemeliyiz ve ayrıca aramayı da dahil ediyoruz. Göz atma ve rezervasyon gibi tüketici verilerinin yanı sıra personel giriş ve çıkışlarına ilişkin veriler. Bu araca veya otelimize tükürmek istediği değer, pazar talebinin dinamik tahminleri, en iyi fiyat için öneriler ve bu fiyatın oluşturduğu geri bildirime dayalı yeniden fiyatlandırma için eksiksiz bir izleme sistemi dahil olmak üzere yeni değeri içerir. Ve içinde bulunduğunuz rekabet çemberinin eksiksiz bir konumlandırma analizi, bu, büyük veriye ve AI algoritmalarına dayalı olarak herkese verilebilecek yeni bir sonuçtur.
Ürün düzeyinde veya özünde geleneksel RMS ile büyük veri tabanlı bir AI sistemi olan Revenue Plus arasındaki fark nedir? Birincisi, veri kaynağının farklı olmasıdır. Gelir Artı, giriş ve çıkış verileri, tüketici davranışı verileri vb. Gibi sektöre özgü daha fazla veri ekleyecektir. Bu veri güncelleme sıklığı farklıdır, her gün güncellenmez, burada en az iki saatlik güncelleme veya hatta Bazı veriler her beş dakikada bir güncellenir. Gerçek zamanlı güncelleme, dinamik fiyatlandırmamızın veya dinamik fiyat ayarlamamızın gerçek zamanlı doğasını getirir.
İkincisi, ürün ve hizmetlerin farklı olmasıdır.Böyle bir yapay zeka tabanlı gelir yönetimi konseptiyle, akıllıca tamamen tahmin edebilir ve optimize edebiliriz. Düşük seviyeli şeyleri yapmak için çok karmaşık bir teknik model kullandık, ancak sonunda kendi deneyimlerimize dayanarak birçok belirsiz yargıya varmak veya çok sayıda sorumlu iş yapmak yerine basit uygulamaların sonuçlarını göstermeliyiz. En doğru sonuçları en basit şekilde herkese gösterin.
Üçüncüsü, teknik yöntemlerin farklı olması ve dördüncüsü, uygulama senaryolarının farklı olmasıdır, çünkü ister yeni bir rekabet çemberi edelim, ister pazarı tahmin etsek, ister güncellenen sonuçlardan sonra, aslında daha iyi uygulamaları yansıtabiliriz. Sahneler. Örneğin, en basit olanı, artık en doğrudan izleme ve piyasa koşullarına en doğrudan ayarlama veya fiyat ayarlamasından sonra acil durum müdahalesi yapmak mümkündür.Bu yeni bir fonksiyon ve senaryodur.
Büyük veriyle yeniden tanımlanan böyle bir gelir yönetimi için, aslında deniz ürünleri fiyatları sorunu gibi geleneksel büyük otellerimizin fiyatlandırma veya gelir elde ederken karşılaştığı zor sorunlar çözülebilir. Fiyat artışından sonra fiyatın düşürülmesi gerekir.Örneğin, kritik zaman noktalarında veya özel piyasa koşullarındaki değişikliklerde gerçek zamanlı yakalama yapılır ve fiyat artış zaman noktası veya fiyat artış fırsatı her seferinde keskin bir şekilde kavranır ve gelir yönetimi ve fiyat ayarlaması tamamlandıktan sonra, Takip takibi ve takibinin yanı sıra gerçek zamanlı geri bildirim durumuna dayalı daha iyi pazarlama stratejileri sorunu için burada daha iyi sonuçlar elde edebiliriz Bu, büyük veriye dayalı olarak yeniden tanımlanan gelir yönetimi olan gelir yönetimidir.
İster bilgisayar ister yapay zeka olsun, en önemli şeyin otel profesyonellerimizin daha yüksek bir platformda durmalarına veya geçmişte arabaların yerini aldığı gibi kendileri için daha iyi işler yapmalarına yardımcı olmak olduğunu hala vurgulamak istiyorum. İnsanlar atlarla aynıdır, gelir yönetimi aynıdır ve yapay zeka aynıdır. Herkesin daha iyi bir başlangıç noktası elde etmesini sağlamak için daha iyi teknoloji kullanıyoruz. Bu başlangıç noktasında, teknolojiyi daha iyi kullanmak için uygulayıcılara ve katılımcılara hala güveniyoruz. Kendi işinizi iyi yapın, çok Smart Hotel, geleceği dört gözle bekleyin, hepinize teşekkür ederim.
