机票衍生产品的推荐方法及系统与流程

本发明涉及一种机票衍生产品的推荐方法及系统。

背景技术：

人们在出行时，常常会选择在网上购买机票，在购买机票时，商家常常会随机票一同推荐一些机票的周边衍生产品与机票一起搭售，而且衍生产品的种类也越来越丰富，从最初仅有的保险发展到贵宾休息室、快速安检通道、接送机优惠券、酒店优惠券、机票代金券、停车场、接送机服务、行李额、购物券、wifi等等，用户可以自主选择自己想要哪种衍生产品，得到全方位的服务。

对于商家而言，为了推广衍生产品，一直以来，在各种衍生产品的销售策略上，均以默认勾选为主，即在用户预订页面上就将衍生产品设置为默认选中状态，部分主打产品会选择100％默认，以最大化产品的销量，打开市场，其他产品则以“首次默认，否则记忆用户上一次行为”的逻辑进行默认，在这个默认逻辑下，随着衍生产品的丰富，用户被默认勾选的衍生产品数量和金额越来越多，机票购买体验越来越差。

现有衍生产品的默认逻辑存在的问题和缺点有：

1、对于“100％默认”的衍生产品，对不需要该产品的用户产生极大的体验问题；

2、对于“首次默认，否则记忆用户上一次行为”的衍生产品：

低频用户上一次行为时间间隔比较长，用户对产品的需求可能发生改变；

用户上一次行为仅代表上一次出行场景下的购买行为，随着本次出行的场景发生变化，用户对产品的需求也会发生变化；

用户上一次行为有可能受默认勾选的影响，并非主动购买衍生产品，不代表用户的真实需求。

基于上述现有衍生产品的默认逻辑存在的问题和缺点，急需一种更加个性化，更加符合用户需求的精准的衍生产品推荐方法，来平衡收益和用户体验的问题

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中无法个性化、更符合用户需求的精准推荐衍生产品的缺陷，提供一种机票衍生产品的推荐方法及系统。

本发明是通过以下技术方案解决上述技术问题的：

一种机票衍生产品的推荐方法，所述推荐方法包括：

获取预订机票时与所述机票一起搭售的衍生产品；

针对每一衍生产品，分别建立用户偏好模型，所述用户偏好模型用于预测用户购买对应的衍生产品的概率；

对所述用户偏好模型进行ab测试，根据预设指标调出所述用户偏好模型对应的衍生产品的需求概率阈值；

利用所述用户偏好模型预测用户购买对应的衍生产品的概率，若所述概率大于或等于所述需求概率阈值，则将所述衍生产品的初始显示状态设置为选中状态，若所述概率小于所述需求概率阈值，则将所述衍生产品的初始显示状态设置为非选中状态。

较佳地，针对第一衍生产品，所述第一衍生产品属于所述衍生产品中的一个，建立用户偏好模型，包括：

结合用户历史行为信息、用户属性及实时信息选取所述用户偏好模型的变量；

筛选出第一类订单作为所述用户偏好模型的正样本，第二类订单作为所述用户偏好模型的负样本，所述第一类订单为所述第一衍生产品的初始显示状态为非选中状态、用户主动选中并购买所述第一衍生产品的订单，所述第二类订单为所述第二衍生产品的初始显示状态为选中状态、用户主动取消选中状态并未购买所述第一衍生产品的订单；

选取算法。

较佳地，针对所述第一衍生产品，建立用户偏好模型，还包括：

筛选出第三类订单作为所述用户偏好模型的正样本，第四类订单作为所述用户偏好模型的负样本，所述第三类订单为所述第一衍生产品的初始显示状态为选中状态、用户未修改所述第一衍生产品的选中状态但修改其它衍生产品的初始显示状态并购买所述第一衍生产品的订单，所述第四类订单为所述第一衍生产品的初始显示状态为非选中状态、用户未修改所述第一衍生产品的非选中状态但修改其它衍生产品的初始显示状态并未购买所述第一衍生产品的订单。

较佳地，所述预设指标包括以下指标中的至少一种：

机票整体转化率；

机票订单的总净利润与访问机票的总访客数之比；

衍生产品的购买率；

预订机票时，衍生产品的主动取消率；

预订机票时，衍生产品的主动选中率；

购买衍生产品后的退订比例；

衍生产品的投诉率。

一种机票衍生产品的推荐系统，所述推荐系统包括：

获取单元，用于获取预订机票时与所述机票一起搭售的衍生产品；

建模单元，用于针对每一衍生产品，分别建立用户偏好模型，所述用户偏好模型用于预测用户购买对应的衍生产品的概率；

测试单元，用于对所述用户偏好模型进行ab测试，根据预设指标调出所述用户偏好模型对应的衍生产品的需求概率阈值；

判断单元，用于利用所述用户偏好模型预测用户购买对应的衍生产品的概率，若所述概率大于或等于所述需求概率阈值，则将所述衍生产品的初始显示状态设置为选中状态，若所述概率小于所述需求概率阈值，则将所述衍生产品的初始显示状态设置为非选中状态。

较佳地，所述建模单元针对第一衍生产品，所述第一衍生产品属于所述衍生产品中的一个，建立用户偏好模型，包括：

结合用户历史行为信息、用户属性及实时信息选取所述用户偏好模型的变量；

筛选出第一类订单作为所述用户偏好模型的正样本，第二类订单作为所述用户偏好模型的负样本，所述第一类订单为所述第一衍生产品的初始显示状态为非选中状态、用户主动选中并购买所述第一衍生产品的订单，所述第二类订单为所述第二衍生产品的初始显示状态为选中状态、用户主动取消选中状态并未购买所述第一衍生产品的订单；

选取算法。

较佳地，所述建模单元针对所述第一衍生产品，建立用户偏好模型，还包括：

筛选出第三类订单作为所述用户偏好模型的正样本，第四类订单作为所述用户偏好模型的负样本，所述第三类订单为所述第一衍生产品的初始显示状态为选中状态、用户未修改所述第一衍生产品的选中状态但修改其它衍生产品的初始显示状态并购买所述第一衍生产品的订单，所述第四类订单为所述第一衍生产品的初始显示状态为非选中状态、用户未修改所述第一衍生产品的非选中状态但修改其它衍生产品的初始显示状态并未购买所述第一衍生产品的订单。

较佳地，所述预设指标包括以下指标中的至少一种：

机票整体转化率；

机票订单的总净利润与访问机票的总访客数之比；

衍生产品的购买率；

预订机票时，衍生产品的主动取消率；

预订机票时，衍生产品的主动选中率；

购买衍生产品后的退订比例；

衍生产品的投诉率。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：本发明能够结合用户的实际情况和各个衍生产品的实际需求，预测用户是否会购买衍生产品，为用户提供个性化的服务。

附图说明

图1为本发明实施例的机票衍生产品的推荐方法的流程图。

图2为本发明实施例的机票衍生产品的推荐方法中针对一种衍生产品建立用户偏好模型的流程图。

图3为本发明实施例的机票衍生产品的推荐系统的系统框图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例

一种机票衍生产品的推荐方法，如图1所示，所述推荐方法包括：

步骤101、获取预订机票时与所述机票一起搭售的衍生产品。

步骤102、针对每一衍生产品，分别建立用户偏好模型，所述用户偏好模型用于预测用户购买对应的衍生产品的概率。

步骤103、对所述用户偏好模型进行ab测试，根据预设指标调出所述用户偏好模型对应的衍生产品的需求概率阈值。其中，所述需求概率阈值用于表征用户具有购买所述衍生产品的意愿的最小概率。所述预设指标包括以下指标中的至少一种：

机票整体转化率，指的是平均一个机票访客下单量，计算公式为“机票订单量/机票访客数”；

机票订单的总净利润与访问机票的总访客数之比，其中机票订单的总净利润包括机票的佣金以及衍生产品的利润；

衍生产品的购买率，其等于购买了衍生产品的机票订单量/总的机票订单量；

预订机票时，衍生产品的主动取消率，指的是默认选中了衍生产品但用户未购买该衍生产品的订单量/默认选中了衍生产品的订单量；

预订机票时，衍生产品的主动选中率，指的是默认未选中衍生产品但用户主动购买该衍生产品的订单量/默认未选中衍生产品的订单量；

购买衍生产品后的退订比例，其等于购买了该衍生产品后的退订取消的订单数/购买该衍生产品的订单数；

衍生产品的投诉率，其等于投诉或吐槽该衍生产品的订单量/购买了该衍生产品的订单量。

步骤104、利用所述用户偏好模型预测用户购买对应的衍生产品的概率，判断所述概率是否大于或等于所述需求概率阈值，若是，则执行步骤105，若否，则执行步骤106。

步骤105、将所述衍生产品的初始显示状态设置为选中状态。

步骤106、将所述衍生产品的初始显示状态设置为非选中状态。

本实施例中，充分考虑了各种衍生产品之间的差异性，针对每一衍生产品分别建立用户偏好模型，分别计算每一衍生产品的需求概率阈值，更精准地预测用户对每一衍生产品的购买意愿，为用户提供个性化的服务。若用户购买对应的衍生产品的概率大于或等于需求概率阈值，则表明用户很可能具有购买所述衍生产品的意愿，将其初始显示状态设置为选中状态，对于用户而言，如果确实要购买所述衍生产品，则不必再去勾选所述衍生产品，就可以直接下单，十分方便；若用户购买对应的衍生产品的概率小于需求概率阈值，则表明用户很可能不具有购买所述衍生产品的意愿，将其初始显示状态设置为非选中状态，对于用户而言，如果确实不要购买所述衍生产品，则不必再去取消所述衍生产品，就可以直接下单，避免让用户产生反感，十分方便。

下面针对一种衍生产品建立用户偏好模型的方法做进一步详细说明：

以衍生产品为第一衍生产品为例，所述第一衍生产品属于所述衍生产品中的一个，建立对应于所述第一衍生产品的用户偏好模型，如图2所示，包括以下步骤：

步骤201、选取变量。具体为结合用户历史行为信息、用户属性及实时信息选取所述用户偏好模型的变量。

所述用户历史行为信息不仅包含上一次购买所述衍生产品行为，还包含了过去n年(如n＝2)用户的机票订单、衍生产品的购买、使用以及复购情况、用户预订过程中对衍生产品的主动取消或勾选行为等，这些信息更加完整的反映出用户对衍生产品的偏好；

所述用户属性包含年龄、性别、会员等级、价格敏感度等，这些信息较好的区分了不同用户对衍生产品不同的偏好程度；

实时信息包括本次出行订单的航班信息，如目的地、出行日期、起降时间，乘机人构成信息等，这些信息较好的反映出用户本次出行对衍生产品的潜在需求。

步骤202、筛选正负样本。传统技术中，通常采用所有的预订了衍生产品的订单作为正样本，没有预订衍生产品的订单为负样本，但是本实施例中并没有采用传统的选取正负样本的方式，而是采用以下方式筛选正负样本：

筛选出第一类订单作为所述用户偏好模型的正样本，第二类订单作为所述用户偏好模型的负样本，所述第一类订单为所述第一衍生产品的初始显示状态为非选中状态、用户主动选中并购买所述第一衍生产品的订单，所述第二类订单为所述第二衍生产品的初始显示状态为选中状态、用户主动取消选中状态并未购买所述第一衍生产品的订单。这主要是考虑到用户对衍生产品的购买和不购买不完全是有意识的主动行为，可能包含了用户无意识的行为(如没有仔细查看衍生产品就直接按照默认的状态下单，如在预订页面中，保险选项为默认勾选的状态，用户没有注意就直接下单而购买了保险，但是用户可能并不是真的想要购买保险，只是因为没有注意所以才购买的保险，又如在预订页面中，行礼额选项为默认不勾选的状态，用户没有注意就直接下单而未购买行礼额，但是用户可能并不是真的不想要购买行李额，只是因为没有注意所以忘记了购买的行礼额)。在样本中去除这类用户无意识行为只保留用户有意识行为(包括第一类订单和第二类订单)，可以排除这类无意识行为对用户偏好模型的干扰。

较佳地，还可以筛选出第三类订单作为所述用户偏好模型的正样本，第四类订单作为所述用户偏好模型的负样本，所述第三类订单为所述第一衍生产品的初始显示状态为选中状态、用户未修改所述第一衍生产品的选中状态但修改其它衍生产品的初始显示状态并购买所述第一衍生产品的订单，所述第四类订单为所述第一衍生产品的初始显示状态为非选中状态、用户未修改所述第一衍生产品的非选中状态但修改其它衍生产品的初始显示状态并未购买所述第一衍生产品的订单。第三类订单和第四类订单可以看作是用户近似有意识的行为，增加这两类订单可以增加保留更多的订单信息。

步骤203、选取算法。所述算法可以为贝叶斯、决策树及lasso等分类算法，较佳地为lasso算法。

本实施例的机票衍生产品的推荐系统，如图3所示，所述推荐系统包括：

获取单元301，用于获取预订机票时与所述机票一起搭售的衍生产品；

建模单元302，用于针对每一衍生产品，分别建立用户偏好模型，所述用户偏好模型用于预测用户购买对应的衍生产品的概率；

测试单元303，用于对所述用户偏好模型进行ab测试，根据预设指标调出所述用户偏好模型对应的衍生产品的需求概率阈值；其中，所述预设指标包括以下指标中的至少一种：

机票整体转化率；

机票订单的总净利润与访问机票的总访客数之比；

衍生产品的购买率；

预订机票时，衍生产品的主动取消率；

预订机票时，衍生产品的主动选中率；

购买衍生产品后的退订比例；

衍生产品的投诉率。

判断单元304，用于利用所述用户偏好模型预测用户购买对应的衍生产品的概率，若所述概率大于或等于所述需求概率阈值，则将所述衍生产品的初始显示状态设置为选中状态，若所述概率小于所述需求概率阈值，则将所述衍生产品的初始显示状态设置为非选中状态。

其中，所述建模单元302针对第一衍生产品，所述第一衍生产品属于所述衍生产品中的一个，建立用户偏好模型，包括：

结合用户历史行为信息、用户属性及实时信息选取所述用户偏好模型的变量；

筛选出第一类订单作为所述用户偏好模型的正样本，第二类订单作为所述用户偏好模型的负样本，所述第一类订单为所述第一衍生产品的初始显示状态为非选中状态、用户主动选中并购买所述第一衍生产品的订单，所述第二类订单为所述第二衍生产品的初始显示状态为选中状态、用户主动取消选中状态并未购买所述第一衍生产品的订单；

较佳地，还筛选出第三类订单作为所述用户偏好模型的正样本，第四类订单作为所述用户偏好模型的负样本，所述第三类订单为所述第一衍生产品的初始显示状态为选中状态、用户未修改所述第一衍生产品的选中状态但修改其它衍生产品的初始显示状态并购买所述第一衍生产品的订单，所述第四类订单为所述第一衍生产品的初始显示状态为非选中状态、用户未修改所述第一衍生产品的非选中状态但修改其它衍生产品的初始显示状态并未购买所述第一衍生产品的订单。

选取算法。所述算法可以为贝叶斯、决策树及lasso等分类算法，较佳地为lasso算法。

使用本实施例的推荐方法及系统，对于“100％默认选中”的衍生产品，个性化默认后其默认率有明显降幅，由于精准取消了无衍生产品偏好用户的默认，剩下被默认的用户在预定流程中主动取消衍生产品的比例明显下降，购买衍生产品后的退订取消比例也明显下降，对衍生产品的默认吐槽率也在上线后环比显著下降。另外被取消了衍生产品默认的用户的主动勾选率极低，仅零点几的百分点，也在侧面反映出预测模型的准确率。虽然可能会导致某些衍生产品的选择率有所下降，但更好的用户体验间接提升了其他衍生产品的选择率，从而带来整体收益的提升。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。