行业 | 如何用客户分群模型挖掘商务旅客?

来源:创略科技 时间: 2018-09-25 关键词:旅游,航司,酒店,商务旅客

目前,中国是当前全球增长最快的商务旅行市场。据统计,在2017年,中国商务旅游市场规模超过3000亿人民币,商务旅客的人均日消费额度比休闲旅客高出23%,整体利润率高达20%-30%,远远高于休闲旅游。

 

尽管越来越大的蛋糕令人垂涎,但随着千禧一代的商务旅客增多,其对个性化产品和服务的需求日益强烈。航司和酒店都希望通过出行数据分析,把握这一群体的消费习惯和偏好,因人制宜地推出个性化服务。但这一切都需要一个前提: 从庞大的客户数据库中挖掘出商务旅客。

 

 

用客户数据挖掘商务旅客的两种方式

 

商务旅客和一般休闲旅客出行目的不同,会产生一系列消费行为模式的差异。

 

航空公司的数据表明,商务旅客出行频次高,订票过程中的决策时间明显短于休闲旅客,休闲旅客会花更长时间进行比对;同时商务旅客出行时间集中在周一至周四,从订票到出行相隔时间较短,而休闲旅客往往会更早订票,时间差可能会达一月至数月。

 

与此同时,商务旅客往往更倾向于一站式服务,如同时订购机票、市内接送、酒店等;使用酒店内部配套设施,如SPY、健身房、会议室的频次也高于休闲旅客,这些行为模式的差异可用于识别商务旅客。比如酒店借助客人入住数据、预订数据、营销历史、网站或移动端活动日志、酒店内消费等记录制定消费者画像,将其导入AI模型分析能得到准确度极高的分群。

 

以酒店和航司为代表,创略科技会使用两种方式为其客户分群:

 

1、按照企业自定义规则进行分群,比如:

 

  • 按照历史购买记录:酒店集团可以将近一年入住该品牌酒店超过N次,同时入住城市超过N个作为挖掘商务旅客的规则;

  • 按照入住时间:酒店集团将一年内非节假日入住超过N次的客户定义为商务旅客;

  • 酒店还可以定义在某些特殊事件(如某些大型的商务活动、展会等)期间入住的客户为商务旅客。

 

2、运用机器学习算法来进行预测分群。在创略科技的AI模型库中,实现用户分类可用逻辑回归、K-均值聚类、支持向量机、神经网络等模型,实际使用过程中可以根据数据特征和需要做出的商业决策进行灵活组合。

 

以航司为例,创略科技使用逻辑回归模型对其客户进行分类。

 

首先,需要对该旅客是否为商务旅客的概率做逻辑变换,在[0-1]之间取值,将商务旅客的因变量定位0,休闲旅客的因变量定为1。

 

然后,根据航空公司提供的数据(旅客订座记录),选出可以反映出行目的的字段,转化为0-1的变量,如:“是否VIP”、“是否团队购票”、“是否商务舱”、“订座——出行日期差是否小于N天”、“出行是否周末”,同时扩充数据,统计出客户“近一年内出行次数是否大于N次”、“出行城市是否大于N座”总共7个变量。

 

将旅客标签参数化,代入逻辑回归模型,就能得出每个旅客的类别:p<0.5为商务旅客,0.5<p<1为休闲旅客。根据实际的业务场景,也可以将概率区间划为4块,对四种概率的客户提供不同的营销和运营方案。

商务旅客挖掘示意图

 

客户分群是重要的中间步骤,后续需结合其他数据分析模型来实现优化营销的目的。比如结合漏斗分析,酒店和航司可以洞察到商务旅客在关键营销节点的转化率,了解客户未发生购买的“阻碍”;同时,结合客户行为路径分析,了解客户在营销节点前后的转化路径。

 

我们常常说,客户分类是任何形式营销和客户管理的前奏,它能将复杂的工作简单化。特别对于酒店航司来说,在竞争激烈的当下,挖掘出关键客户,准确地洞悉其需求,高效地改善用户体验,已经成为其核心竞争力之一。