Welke kansen biedt AI de reisbranche?

Voor de reisbranche biedt kunstmatige intelligentie een aantal interessante use cases. Juist een sector die zo gericht is op mensen moet zich terdege bewust zijn van de kansen die automatisering biedt.

Dit stelt Sabre in het rapport Emerging Technology in Travel.

Sabre zegt daarin dat je als bedrijf je beter kunt richten op hoe de vaardigheden van een werknemer kunnen worden benut dan door te kijken welke taken hij of zij kan verrichten. Een groot deel van de repetitieve taken kan namelijk worden weg geautomatiseerd.

“Aan de voorkant heeft travel een enorme fysiek infrastructuur nodig – auto’s vliegtuigen, wegen, start- en landingsbanen, hotels, hoogbouw, restaurants, resorts, havens en parkeerplaatsen, maar ook de mensen om dat alles te bemannen en onderhouden.

Aan de achterkant heeft de reisbranche een vergelijkbare complexe infrastructuur die wordt gevormd door de inventaris, reserveringen, afhandeling, medewerkersplanning, identiteit, veiligheid, compliance, transacties (in honderden valuta en spaarsystemen), vertalingen (in honderden talen) en ontelbare andere details die vaak onzichtbaar zijn voor de reizigers. Die achterkant is al flink geautomatiseerd in de loop der jaren. Met de ontwikkeling van kunstmatige intelligentie is de voorkant nu ook aan de beurt, aldus Sabre.

Robots verrichten de routine-handelingen

Sabre ziet meer rollen in travel waar de routinematige, datagedreven taken kunnen worden geautomatiseerd zodat de medewerkers zelf meer ‘human engagement’ vaardigheden nodig hebben.

Als voorbeeld geeft het reisdistributiesysteem de reisagenten. Zij zullen veel minder tijd doorbrengen met het doorzoeken en vergelijken van tarieven en het optimaliseren van reisschema’s. In plaats daarvan kunnen ze die tijd gebruiken om de interactie met klanten te verbeteren en maatwerk te leveren. “De opkomst van boetiek-reisbureaus in de afgelopen paar jaar toont aan dat er een vraag is naar betere service en meer nuance in het plannen van een reis. In veel gevallen maken die boetiek-bureaus gebruik van automatisering, bijvoorbeeld in de vorm van een chatbot, om routinetaken uit te voeren en herinneringen te versturen, zodat de reisagenten meer tijd hebben om met de klant in gesprek te gaan tijdens diens customer journey.”

De angst om vervangen te worden door een robot is in dit scenario niet aan de orde, aldus Sabre. Zover is de technologie namelijk nog lang niet. Chatbots en Robotic Process Automation zijn relatief eenvoudige systemen die niet zelflerend zijn. Technologieën die zijn gebaseerd op machine-learning kunnen wel zelf fouten opsporen maar daarvoor hebben ze ofwel enorme gelabelde datasets voor nodig (bijvoorbeeld om beelden te herkennen of vertalingen te maken) of een duidelijke set regels en uitkomsten (bij spelletjes als poker en schaken). Een machine-learning algoritme kan een foto van een kat tegen een achtergrond van sterren identificeren als ‘kat in de ruimte’ maar zal zich nooit afvragen waarom die kat in de ruimte is en of dat überhaupt wel kan.

Use case 1: zelfrijdende auto’s

Dat is meteen de reden waarom het lastig is om een echte zelfrijdende auto (dus zonder menselijke interventie) te ontwikkelen. In een gesloten omgeving met vaststaande regels werkt zo’n auto prima. In de echte wereld krijgt het constant te maken met uitzondering: een verkeersregelaar, sneeuw op de weg waardoor het zicht slechter is, wegwerkzaamheden die niet goed zijn aangegeven, enzovoorts.

Daar komt bij dat ook nog eens elk moment een mens of dier de regels op zijn kop kan zetten. Dat wil niet zeggen dat autonoom rijden een utopie is – de ontwikkelingen gaan juist razendsnel. Maar er moeten wel aanpassingen worden gemaakt om dit te faciliteren. Sabre noemt als voorbeeld een snelweg waar alleen zelfrijdende auto’s op vaste trajecten rijden. Dan is het gemakkelijker om externe factoren uit te sluiten en zou het concept fantastisch kunnen werken.

Use case 2: personalisatie

Een andere belofte die AI op het punt staat om in te vullen is echte een-op-een personalisatie waarbij mogelijkheden op basis van de voorkeuren van individuele reizigers kunnen worden gefilterd. Dit is vooral interessant voor frequente en zakenreizigers.

Er is op dit gebied al een en ander gebeurd: een reiziger die een bepaalde status heeft bij een airline via het frequent flyer programma en die vluchten zijn in overeenstemming met het reisbeleid van zijn of haar werkgever, dan laat de tool GetThere deze vluchten als eerste zien. De zakenreiziger is blij omdat zijn puntensaldo stijgt en het bedrijf omdat er wordt geboekt bij een luchtvaartmaatschappij waarmee prijsafspraken zijn gemaakt. Hetzelfde geldt voor hotels – de voorkeurshotels van de reizende medewerker die binnen het reisbeleid vallen staan bovenaan de lijst van zoekresultaten.

Sabre stelt dat met de voortgang die wordt geboekt met machine-learning algoritmen het steeds gemakkelijk wordt om de keuzes van de reiziger te monitoren en op basis daarvan diens voorkeuren mee te nemen bij het tonen van mogelijkheden. Dat kan zover gaan dat als het systeem detecteert dat op een bepaalde vlucht geen gangpadstoelen meer beschikbaar zijn, deze niet wordt getoond aan de zakenreiziger die aan het gangpad wil zitten.

Het plannen van een reis wordt hierdoor ook gemakkelijker omdat het algoritme kan voorspellen welk reisschema de grootste kans heeft om geboekt te worden. Hoe accurater de personalisatie wordt toegepast, des te groter is het vertrouwen in en de acceptatie van de technologie, in de vorm van chatbots en boekingsalgoritmen.

Use case 3: hotelconciërge

De rol van de hotelconciërge is tekenend voor het serviceniveau dat consumenten verwachten van de reisbranche. Er zijn verschillende digitale initiatieven ontwikkeld in de afgelopen jaren die de traditionele conciërge moeten vervangen. Dit zijn meestal chatbots die nu al in staat zijn om aanbevelingen en antwoorden te geven die je van een mens ook zou kunnen krijgen. Daar staat tegenover dat zo’n bot niet het netwerk heeft dat een ervaren menselijke conciërge heeft opgebouwd waardoor hotelgasten toch een tafel kunnen krijgen in een vol restaurant.

Wel ziet Sabre mogelijkheden waarbij de chatbot een aanvulling vormt op de conciërge. Deze kan bijvoorbeeld eenvoudige vragen beantwoorden zoals de check-out tijd of hoe laat het ontbijt wordt geserveerd, spabehandelingen of theatertickets reserveren en lokale attracties aanbevelen. De bot kan ook social media-kanalen in de gaten houden en mogelijke problemen of vragen signaleren die de menselijke conciërge kan oplossen of beantwoorden. Automatisering en menselijke vaardigheden versterken elkaar op deze manier, waarbij de bots onzichtbaar op de achtergrond werken en de medewerker het gezicht zijn van het bedrijf.

Meer weten over de toepassing van machine-learning in de reisbranche? Tijdens Emerce Travel op 7 juni a.s. geeft Andrej Makovicky, Head of Search bij Kiwi.com een kijkje in de keuken. Kijk hier voor informatie/tickets.

Daarnaast houden ANVR, Jaarbeurs Utrecht en Emerce op donderdag 13 september de Travel Tomorrow AI Meetup. Save the date, meer informatie volgt.