文 | 中国民航信息网络股份有限公司 马欣 刘毅 赵磊 牛永忠 房健 孙美玲

一、引言

民航业是全球竞争最为激烈和复杂的行业之一，面临着不断增加的运营成本、监管限制和客户偏好的变化等挑战。随着行业竞争加剧，以及客户变得更加数字化，客户需求变得更加复杂，航空公司正在寻求创新解决方案，以改善客户体验，降低运营成本，并增加利润。

作为航空公司创新解决方案的一部分，航空公司的Offer管理系统，以及进一步的动态Offer管理系统被以IATA为代表的行业引领者提出来并在行业内推进实施。本文将着重探讨机器学习技术在航空公司动态Offer管理系统构建过程中的应用场景，并对存在的问题以及可能的解决方向提出看法。

二、机器学习

机器学习方法是计算机利用已有的数据，得出某种模型，并利用此模型解决实际业务问题的一种方法。

举个例子，比如房产中介希望在官网上提供一个小功能，房东输入一套房子面积、几居、朝向、位置等信息的情况下，程序能够较准确的估算出房产价值。这个问题，通常的解决办法就是由专业的人员构建一个模型或者算法，模型算出来房产价值。这个过程就是所谓人工建模。人工建模通常是基于因果关系的，即建立模型的前提是我们知道面积越大、朝向越好、地段越核心的房子就越贵。人工建模是在机器学习技术流行之前，通过计算机解决具体问题的常规办法。

那么到了机器学习，解决问题的核心原理和流程没有变化，还是需要建立一个模型，由这个模型来完成具体问题的计算。但是区别在于，解决具体问题的模型不再是由人来建立，而是由机器自己建立，即所谓机器建模。机器建模的过程就是所谓机器学习。机器学习的核心就是基于已有数据，训练学习算法，从而生成模型。

三、航空公司动态Offer管理系统

动态Offer是指根据客户需求和市场变化实时调整产品和服务质量、价格和促销信息的能力。在航空业中，动态Offer技术通常用于产品构建、产品推荐，生成及优化运价等销售服务环节。通过了解客户的旅行需求、偏好和历史信息，航空公司可以在特定的时间针对特定的旅客提供个性化的产品和服务，从而提高客户满意度和忠诚度。

IATA在2021年10月发布的报告中，为民航业构建了一个完全由Offer和Order支持的系统转型的蓝图，并且提出一个并不保守的目标是在2030年能够实现100%的基于Offer和Order的销售。

从IATA的上下文来讨论，未来航空公司分销系统是Offer、Order的世界。也就是说整个行业期望未来的分销系统由Offer管理和Order管理两大模块作为基础来构建。其中Offer管理模块主要职责是响应旅客的需求，提供相关性更高的产品和服务，包括提供与产品相关的价格，这个是Offer管理系统要实现的。

而动态Offer（即Dynamic Offer），是IATA在动态打包和动态运价计算的基础上，提出的一个整合的概念。我们可以理解动态Offer是Offer管理模块的功能目标，即Offer管理最终期望实现动态Offer的能力目标。

动态Offer的提出，出发点或者驱动因素基于以下考虑。一方面是旅客日益数字化，他们的需求日益复杂，需求更加趋于个性化，并对交互方式提出了更高要求；另外一方面社会发展进步会趋于更加重视个体需求和个性化需求，民航业亦如此；所以机票分销系统要考虑如何满足航空公司以旅客为中心的运营诉求。

四、机器学习在航空公司动态Offer管理系统构建中的应用

动态Offer能力的构建，换句话说就是人工智能的实现。动态Offer的核心是数据驱动，在动态Offer能力实现过程中，大数据和机器学习是关键的支持技术。如前所述，机器学习主要是解决建模的问题，借助大数据建立模型，是实现人工智能的一种方式。只有应用这些技术精确建模，系统具备了人工智能的能力，才能实现销售过程的动态决策，航空公司才能快速响应客户需求和市场变化，实现个性化推荐和实时报价。我们下面讨论的，是在航空公司动态Offer管理系统构建过程中，大数据及机器学习建模技术主要的应用场景。

（一）产品打包

打包这个概念，我们并不陌生。亚马逊把啤酒和尿布放在一起销售，就是借助大数据实现产品打包的经典故事。

航空公司销售场景，也是类似的，当机票以及相关产品和服务日趋丰富的时候，就要考虑哪些产品可以打包在一起，这些产品更可能被用户一起选择，从而促进交叉销售和收益的提高

Offer系统要自动对产品进行打包，涉及大数据、机器学习以及基于相关性的关联规则的发现，发现不同产品之间的相关性，这个相关性是产品打包的依据，这是机器学习的典型应用场景。

（二）产品推荐

产品推荐是动态Offer系统核心能力之一。一个查询请求过来，借助机器学习建立的模型，要能够实时的生成产品推荐。在特定的时间特定的场景给特定旅客提供旅客正好需要的产品和服务，这是提升旅客购票体验的关键，也是航空公司提高收益的关键。产品动态推荐的实现同样涉及大数据、机器学习以及基于相关性的关联规则的发现，即发现特定旅客和特定产品之间的相关性，这同样是机器学习的典型应用场景。

（三）动态运价计算

动态运价计算，包含两个目标，一个是运价的实时性，产品报价由一个算法实时计算而来。这个算法需要综合考虑，或者算法的输入参数可能包括：用户信息，场景信息，产品信息，竞品信息，舱位、预发布的运价信息等等。

另外一个是运价的连续性，运价的输出会趋于连续，也就是更细的颗粒度；这个目标更趋于理论化，因为理论上连续的定价能够实现收益最大化。

区别于预发布的运价系统，动态运价计算能力的实现最后都需要通过模型算法来支持，所以大数据、机器学习会是助力动态运价得以实现的关键技术手段。

（四）降低Offer系统成本

动态Offer要求实时识别客户需求，实时计算生成Offer，并实时计算生成运价，这对系统算力消耗相比传统Offer系统要高。算力问题，也就是成本问题。如何构建一个成本可持续的动态Offer系统，这个是动态Offer未来规模化应用必须要考虑的问题。

动态Offer的计算成本高，但是并不是所有的Offer请求都需要实时计算，可行的办法就是区分请求区别响应，一部分请求需要实时计算，一部分请求不需要实时计算。借助大数据和机器学习建模，实时识别用户请求意图以及请求所处漏斗模型的阶段，分流区别响应，这也是机器学习在Offer系统构建过程中的应用场景之一。

五、问题和展望

基于大数据，利用机器学习建模，在航空公司Offer管理系统中的应用已经是行业进行时。应用取得了可见的效果，但是也存在一些普遍性的问题。比如，通常机器学习的前提是大数据，尽管民航业从整体来看确实是一个拥有海量数据的行业，但是具体到个体旅客，航空消费行为和数据都呈现低频特征，这对基于大数据的机器学习建模以及模型的准确性是一个很大的挑战。

解决上述问题的方向，可能需要我们去进一步关注基于小数据的人工智能实现，或者说基于小数据的机器学习的应用。机器学习并不局限于大数据，还有广泛使用的小数据方法，这个方向是我们后续需要关注和研究的。