Hoe deep learning reisorganisaties helpt bij prijs- en boekingsoptimalisatie

Deep learning gaat (nog) niet over computers die het overnemen van de mens, maar over het vinden van patronen in grote datasets. De reisindustrie wordt gekenmerkt door enorme hoeveelheden data. Welke mogelijkheden biedt deep learning?

Deze vraag beantwoordt Eye for Travel in de whitepaper Does Deep Learning Hold the Answers? met behulp van een aantal interessante use cases. Deep learning zal de enorme hoeveelheid ongestructureerde data die online wordt verzameld omzetten in betekenisvolle analyses voor reismerken, met personalisatie als belangwekkendste toepassing, aldus Eye for Travel.

De techniek is geïnspireerd op hoe onze hersenen werken: een netwerk van neuronen die aan elkaar signalen doorgeven op basis van wat we zien, horen, voelen en ruiken. “Neurale netwerken worden steeds vaker gebruikt om de vraag naar reisbestemmingen te voorspellen, een non-lineaire beslissing die lastig te begrijpen is, en om te analyseren welk effect verbeteringen in de service hebben op de klanttevredenheid.”

Prijzen voorspellen voor meer conversie

De Russische metazoekmachine Aviasales gebruikt deep learning om de dynamiek in vliegtarieven te begrijpen en verstrekt die informatie vervolgens aan klanten. “We kunnen voorspellen hoeveel een vliegticket van Moskou naar Phuket met de kerst kost wanneer je die in november koopt. Het is een betrouwbaar, op technologie gebaseerd wiskundig model,” aldus Aviasales. Met deze informatie wil de zoekmachine aanbevelingen gaan doen aan consumenten en gepersonaliseerde alerts afgeven, zodat de conversieratio omhooggaat.

Een andere interessante toepassing is hoe The Travel Corporation (TTC), het moederbedrijf van onder andere Contiki, deep learning gebruikt bij online adverteren. Daarbij maakt het bedrijf gebruik van IBM Watson. Wat TTC wil voorkomen, is dat er een advertentie verschijnt naast een bericht over een tragedie op een bepaalde reisbestemming, zoals de recente terroristische aanslag in Barcelona. IBM Watson houdt automatisch het online sentiment bij en zorgt ervoor dat TTC niet ongepast adverteert.

Stena Line: minder spelfouten en meer taxfree rendement

Bij ferrymaatschappij Stena Line heeft deep learning het aantal spelfouten in boekingen verminderd. Met name in Nederland worden de namen van passagiers vaak verkeerd gespeld. Een ontwikkelaar heeft daarom een database van 6.000 veel voorkomende namen gedownload en een neuraal netwerk getraind om die te verhaspelen. Een ander neuraal netwerk werd vervolgens getraind om de fouten op te sporen. Dit systeem loopt elke nacht en corrigeert namen met 99,7 procent accuratesse. Stena Line wil het ook op andere markten gaan gebruiken. Verder wordt deep learning gebruikt om de inkomsten te maximaliseren bij Stena Line. Een deel van de omzet is namelijk afkomstig van taxfree shopping aan boord, met name alcohol, parfum en cosmetica. Die moeten gunstiger geprijsd zijn dan wat de passagier op het land ervoor betaalt. Hiervoor gebruikt Stena de AI Crawler, een slim systeem dat gebruikmaakt van machine-learning, neurale netwerken en beeldherkenningssoftware, zodat het kan raden of producten overeenkomen en vervolgens de prijzen met elkaar vergelijkt, een proces dat handmatig zes weken werk is. Het systeem is 91,3 procent accuraat en kostte 15.000 euro om te bouwen.

Online reisagent Expedia tot slot, gebruikt onder andere neurale netwerken om de vraagstelling van klanten te begrijpen, of dat nu op Facebook Messenger is of in andere op conversatie gebaseerde zoekvensters. Gewone vragen worden door middel van deep learning in zoekbare content omgezet. Dit is volgens Expedia met name van belang voor mobiel zoeken en boeken, waar het standaard zoekframework geen goede gebruikerservaring biedt. Maar uiteindelijk is dit ook de technologie die aan voice search ten grondslag zal liggen.