Машинное обучение больше подходит не только таким гигантам, как Google, Facebook и IBM. В наши дни стартапы любого размера работают над внедрением машинного обучения и искусственного интеллекта в свои основные продукты. Благодаря более простым моделям машинного обучения самые сложные технические проблемы теперь не решаются алгоритмом.
В HotelTonight мы используем тот же подход к машинному обучению, что и ко всем нашим инженерным проектам: мы быстро создаем простые инструменты, которые улучшают взаимодействие с пользователем. Мы небольшая и непостоянная команда, но мы смогли обучить модели машинного обучения, которые понимают динамику рынка и прогнозируют спрос на отели, используя нашу существующую инфраструктуру и сосредотачиваясь на достижимых целях.
В прошлом мы использовали машинное обучение, чтобы прогнозировать динамику рынка и определять, на чем мы должны сосредоточить наши усилия по поставкам. Мы обучили модели на основе данных за пять лет, которые мы уже накопили, что позволило сократить расходы и подготовить почву для использования технологий машинного обучения в других продуктах, ориентированных на клиентов и отели.
В рамках нашего первого проекта машинного обучения, ориентированного на внешние ресурсы, проекта прогнозирования спроса, мы улучшили недавнюю функцию, которая помогает нашим партнерам в отелях подниматься в рейтинге. Вместо того, чтобы просто побуждать их повышать свой рейтинг, мы хотели показать им, на какой рост спроса они могут рассчитывать, если повысят свой рейтинг. Таким образом, они могли бы иметь более четкое представление о рынке и лучше оптимизировать свои ассигнования, а также повысить качество обслуживания клиентов. Все выигрывают.
Чтобы решить эту проблему, мы могли построить полную модель поведения при бронировании, основанную на волатильности рынка, типах пользователей, посещающих наше приложение, или множестве других факторов. Вместо этого мы упростили задачу, используя данные, которые у нас уже были, и сосредоточились на прогнозировании количества номеров, которые будут проданы по текущей цене для определенного отеля в конкретный день.
Вскоре мы обнаружили, что необходимы дополнительные ограничения на основе того, о чем нам говорят данные. Например, на некоторых рынках не было достаточного спроса, чтобы позволить нам обучать точным моделям. Также стало очевидно, что работа нашего приложения в последнюю минуту означала, что у нас не было достаточно данных, чтобы давать рекомендации по качеству, пока в окне бронирования не осталось менее 48 часов.
Итак, мы снова могли крутить колеса, думая о том, как решить эти проблемы всевозможными замысловатыми способами. Вместо этого мы остановились на стратегии обучения отдельных моделей машинного обучения, по одной для каждой комбинации рынка и дня недели. Это была не первая стратегия, которую мы пробовали, но наличие у нас всех данных, необходимых для обучения новых моделей, упростило повторение наших моделей и опробование новых вещей. Более детализированные модели намного превзошли общие модели, подняв средний процент точности с 73 до 87 процентов.
Никакие данные не могут изменить того факта, что спрос может быть непредсказуемым. Одна из самых больших проблем с прогнозным моделированием - это обеспечение того, чтобы пользователи не теряли доверие, когда ваши прогнозы не всегда верны. Даже небольшие ошибки, такие как невыполнение одного прогнозируемого бронирования, могут подорвать ваш авторитет. Мы решаем эту проблему, внимательно отслеживая прогнозы, которые мы делаем, и определяем, когда модель не дает точных результатов. Затем мы повторяем модель и работаем, чтобы сделать ее более точной.
Мы также следим за нашими прогнозами на уровне отелей, поэтому мы можем определить партнеров, с которыми наши алгоритмы действительно борются, и, возможно, перестать пытаться дать им такие рекомендации. Потратив время на добавление мониторинга к нашему конвейеру данных, создание модели и точность прогнозов, мы получили гораздо больше уверенности в этой функции.
Проект «Прогнозирование спроса» продвинул нашу команду инженеров вперед во многих действительно интересных направлениях. Это заставило нас формализовать наш поток событий в реальном времени, проверить доступные нам решения машинного обучения, а также подумать и понять факторы, влияющие на спрос на наших рынках.
