考虑客户情境的航空辅营产品动态定价
机器学习
2019-02-07 v1 计算机与社会
机器学习
摘要
辅营产品已成为旅游业收入与利润的主要来源。然而，传统定价策略基于优化欠佳且不能响应市场变化的业务规则。本文描述了由旅游供应商的 AI 技术提供商 Deepair solutions 开发的动态定价模型。我们提出一种定价模型，针对每次客户交互提供动态定价建议，并优化每位客户的期望收入。个性化定价的独特性质提供了在市场空间中搜索每位客户每项辅营产品最优价格点的机会，且不侵犯客户隐私。本文提出并比较了三种复杂度递增的辅营产品动态定价方法：（1）使用 logistic 映射函数的两阶段预测与优化模型；（2）使用深度神经网络进行预测、并结合离散穷举搜索的收益最大化技术的两阶段模型；（3）推荐最优价格的单阶段端到端深度神经网络。我们基于离线与在线评估描述了这些模型的性能。我们还在某航空公司互联网订票网站上通过 A/B 测试部署这些方法，以衡量其现实业务影响。我们表明，传统机器学习技术在在线环境中优于人工基于规则的方法，将转化率提升 36%、每次报价收入提升 10%。我们也提供了离线实验结果，显示深度学习算法在此问题上优于传统机器学习技术。我们的端到端深度学习模型目前正由该航空公司部署于其预订系统中。
引用
@article{arxiv.1902.02236,
title = {Dynamic Pricing for Airline Ancillaries with Customer Context},
author = {Naman Shukla and Arinbjörn Kolbeinsson and Ken Otwell and Lavanya Marla and Kartik Yellepeddi},
journal= {arXiv preprint arXiv:1902.02236},
year = {2019}
}