5 autres exemples d’analyse prédictive dans le secteur du voyage

##MT##5 autres exemples d’analyse prédictive dans le secteur du voyage#/MT##

 

Précemment, j’ai énuméré 5 façons dont l’industrie du voyage utilise l’analyse prédictive. Celles-ci allaient des systèmes de recommandation à la détection des fraudes et à l’optimisation des conversions. L’industrie du voyage utilise également l’analyse prédictive à plusieurs autres titres, comme indiqué ci-dessous :

 

Les offres dynamiques de produits de voyage

Les voyageurs recherchent de plus en plus des expériences personnalisées. Sans analyse prédictive, cette tâche est impossible. En quelques millisecondes, les systèmes doivent prédire ce que veulent les clients, puis adapter l’offre en conséquence. Par exemple réunir un vol, des bagages supplémentaires, un hôtel, tout en adaptant légèrement le prix de manière dynamique et en considérant les offres des concurrents en temps réel.

 

Segmentation et regroupement des passagers

Une segmentation de base des voyageurs est basée sur le but de leur voyage (par exemple, loisirs ou affaires). Il s’agit d’un moteur bien connu pour expliquer le comportement des clients (par exemple, sensibles au prix par rapport à la qualité du produit), puis utilisé pour adapter les produits de voyage en conséquence. Les algorithmes de classification supervisée peuvent être utilisés pour segmenter les personnes en classes bien connues. En revanche, les algorithmes de regroupement permettent de découvrir de nouveaux types de comportements, ceux qui ne peuvent pas être classés manuellement facilement. Il s’agit d’une caractéristique essentielle pour segmenter les clients issus de nouvelles générations et de cultures dissemblables.

 

Détection de fraude

On compte plus de 3 milliards de passagers aériens par an dans le monde. Cela génère un grand nombre de transactions en ligne qui doivent être validées en temps réel. Les pertes dues à la fraude dans les paiements et autres transactions connexes sont importantes. L’analyse prédictive joue un rôle important dans la détection des fraudes et même des cyber-attaques sur les systèmes de voyage. Le principal défi de ce type d’applications est d’équilibrer le compromis entre le nombre de « vrais » problèmes détectés et les « faux positifs ». Vous connaissez peut-être des cas de refus de carte de crédit lors de voyages à l’étranger, eh bien… il s’agit d’un  » faux positif  » qui devrait être pris en compte pour améliorer ces algorithmes.

 

Enrichissement des données sur les passagers et autres voyages

L’analyse des enregistrements provenant de différents systèmes de voyage a montré que les données ne sont pas aussi riches que nous le souhaiterions : de nombreux champs de la base de données ne sont pas couramment remplis (par exemple, une présence importante de valeurs manquantes). De même, il existe d’autres informations importantes qui ne proviennent pas des données brutes et qui ne sont disponibles qu’en intégrant d’autres sources de données. L’analyse prédictive est utile pour déduire les données manquantes et également faire correspondre différentes sources apportant de nouvelles capacités aux systèmes de voyage.

Prévision (par exemple, pour les systèmes de gestion des revenus et l’analyse de la demande)

Historiquement, les moteurs de prévision intégrés aux systèmes de gestion des revenus ne prenaient en compte que les réservations passées. Cependant, que se passe-t-il si certains éléments sont modifiés ? (par exemple, une nouvelle  » famille tarifaire « ), que se passe-t-il si une compagnie aérienne déplace son vol de 9h00 à 8h00 ? Quel est l’impact sur la demande si le prix des billets d’avion augmente de 10% ? Les systèmes de prévision de nouvelle génération se basent sur des  » facteurs  » (prix, horaires, etc.) en plus des simples séries chronologiques, ce qui leur permet d’optimiser les revenus.

Que pensez-vous ? Y a-t-il d’autres façons pour l’industrie du voyage d’utiliser l’analyse prédictive ?

Partager sur
Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn