【PPT+实录】携程酒店研发部BI经理潘鹏举：机器学习在OTA酒店服

预订前，做了自动询房模型，图像去重，变价预警等等。

???

预订中，会预测酒店回复时长，传真识别，有房模型，信用住模型。我们推出了闪住业务。现在到酒店CheckIn是需要付押金的，闪住不需要押金可以直接入住，你把卡还给酒店就走，也不需要查房，直接离店。

???

预订后，针对有可能出现到店无房的订单会做重点的审查，还有noshow的预测，noshow指客人提交订单，没有按照约定入住酒店，但是也不取消订单。

???

有一些酒店刷点评分，故意把这个点评分刷高，我们做了点评防刷。

??

下面具体说一下预订前相关应用。

大家一说机器学习，都会说要做个性化推荐，个性化搜索，其实也在做。用户画像，别人问，你们是不是也做用户画像。但是其实用户画像本身它的目的就是为了识别用户，在这边，很多用户的属性是一直在变，画像是可以做的，但实际用户属性一直在变。

也就是说在做的时候，可能会先生成一个固定客人画像，但是在实时交互会变，画像需要修正。

??

一个询房的应用。以前靠业务，专门有一个组做询房。他们会筛选出一堆酒店列表，打电话逐个问酒店，你现在这个房型是否有变化？那是以前的做法。

现在用模型做了一下优化，直接从数据库读取所有的房态信息，对不同的房型+入住天，用两个模型做预测，左边叫开房模型，会预测这个房型在这个点上是否可以打开，可以打开就会自动打开，不需要人工干预。往右走，针对那些可订的房型走关房模型，模型预测出来关房概率，大户室人员根据得分从高到底进行询房。

这是最后的效果，相比传统的人工的经验，算法提升比较明显，大概提升一倍多。另外自动开房额外产生订单量，增加了业务收入。

???

这是预订中的算法应用，主要目的是提升客人的感受，缩短时长，尽量提高客人从提交到最后确认的时间，我们做了一些优化。

客人提交完订单，针对那部分不能立即确认订单，会走一个有房预测模型，预测这个订单确认概率有多少，如果概率非常高，99%+，直接确认给客人，不能立即确认给客人，会走酒店回复时长预测模型。

以前没有回传预测模型的时候，对订单的处理基本上是先进先出，打电话到酒店询问未确认的订单是否可以确认。这样做有效率问题，主要问题是有一些订单本来一分钟或两分钟就可以确认，但也打电话出去了。有了这个模型，我们会对订单的回复时长重排序。

优先把那些酒店回传比较慢的订单先打电话催酒店确认，这样把原来一些可能要等半个小时的订单提前到5分钟之内或者一两分钟之内给你确认，做这一个流程优化对整个确认速度提高是很有帮助的。

?

这是效果，有房预测准确率是99%，不到1%被推翻到。

回传时长预测准确率93%，召回率53%。

??

接下来分享一下在算法的经验。

???

（编辑：大连站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!