[案例]美联航如何使用大数据

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

行李追踪、个性化服务、提高旅客忠诚度和优化业务操作,大数据在航空业拥有广阔的应用前景。可以说,航空业已经迎来大数据时代。


旅客搭乘美国联合航空公司(United Airlines,简称“美联航”)的班机时,通常还会涉及一连串潜在的附加服务,比如升舱、是否有权进入贵宾室等等。


美联航电子商务与经营副总裁斯科特•威尔森介绍说,按照公司过去采用的“收集与分析”数据法,美联航会把旅客选择这些服务的信息汇总到一起,来看“什么才是最成功的产品,然后据此进行营销。”


现在,这种方法已经发生了变化。自从今年年初起,美联航已经把“收集、探测、行动”定为新的数据收集三步曲,同时还在革新服务旅客的方式。


威尔森介绍说:“现在我们会研究旅客是谁,以及他是否有购买我们某种产品的倾向。”现在美联航为了实时评估一名旅客的可能动向,会加入150多个影响旅客消费的变量,以及旅客之前的旅行目的地进行计算,而不再只是把大量旅客数据汇总到一起。


计算结果大概在200毫秒后就会得出,可以说它是根据一名旅客的实际情况量身打造并动态生成的服务建议。另外,它的服务条款、页面布局、拷贝和其它因素也会根据旅客的具体信息而有所不同。采用新的收据分析法后,联合航空的副业收入年增率超过了15%。


“航空业催化大数据”

欢迎来到航空业的大数据时代。从很多方面来看,航空业都是大数据最早的参与者之一。


R.W. Mann & Co公司的行业分析师鲍伯•曼恩指出:“航空业是一个浸泡在数据中的行业,其中有大量数据是无组织的。直到最近,各大航空公司才能依靠大数据技术来“解决如何识别和提高旅客价值以及如何培养高价值的旅客等问题。”


美联航的威尔森指出:“航空业一直在收集数据上做得很好,但他们在利用数据上却并不是一直都很擅长。”现在尽管各大航空公司收集的数据越来越多,但存储和处理数据的成本却已经显著下降,因此也降低了航空公司运用数据的难度。联合航空公司的系统中无论任何时候都在处理着1兆兆字节左右的数据。威尔森说:“我们不会保存所有数据,我们必须有选择性地攫取有用的数据。”对于被选中的数据来说,会有一个实时决策引擎负责相关的处理工作,将它们变成有用的信息。


从行李传送带开始

大家可以在处理旅客行李方面清楚地看到大数据技术的效用。达美航空(Delta Air Lines)发言人保罗•斯科贝克说:“我们花费了好几年的努力,在行李跟踪上投入了数百万美元的资金。它是我们为旅客提供的核心幕后服务之一。”


达美航空每年都要处理成百上千万件行李。斯科贝克表示,2014年,达美航空预计总共将处理1.3亿件行李,而且,“每名旅客都有托运完行李上了飞机之后,担心行李是否会丢失的经历。”


斯科贝克表示,通过在值机时使用手持式行李扫描仪,“我们可以获取所有的追踪数据。但是两年前我们意识到一个问题,那就是旅客也可以通过这些信息获得好处。”


因此,达美航空率先推出了一款移动应用,让旅客可以在自己的移动设备上追踪自己的行李。这款应用在iOS、安卓、黑莓、WP平台上均可下载,目前总下载量已经超过1100万次。


寻找新的收入流

美国西南航空公司(Southwest Airlines)也在利用大数据技术来决定应该部署哪些新的旅客服务。西南航空发言人丹•兰德森说:“西南航空利用汇总的匿名用户数据,通过多个渠道、多个设备以及包括公司官网Southwest.com在内的多个网站,向顾客推广产品、服务以及各种个性化服务。通过观察和研究旅客在互联网上的行为和活动,我们能更好地向旅客提供最优惠的机票和最好的旅行体验。同时我们也利用这些数据来进一步改善我们与旅客的关系。”


比如兰德森说:“通过研究旅客在网上搜索的直飞城市,可以帮助我们决定在某一特定航线上应该推出哪种服务。”


这样做的成效如何呢?兰德森称:“我们的旅客人数和忠诚度都在逐年增加。我们认为,这种智能化的、基于数据的定位方法对公司的增长起了很大的促进作用。”


“每周100万美元”

以数据为中心的经营方式听起来似乎很好理解,但执行起来就全然是另一回事了。差旅业大数据营销平台Boxever公司的营销副总裁艾莉森•佩列蒂耶指出,对于大多数航空公司来说,第一个拦路虎就是“如何把各类孤立的乘客信息整合到一起——比如交易系统中的订票信息、网络和移动行为(包括搜索、访问、退订)、电子邮件数据、客服信息等等——以建立一个统一的顾客视角。”


佩列蒂耶说:“有了这些信息和根据这些信息得出的见解,各大航空公司就可以采取相应的行动,帮助他们将更多消费者转化成自己的顾客,获得更多收益,提高一切渠道上的顾客忠诚度。”


佩列蒂耶解释道,以挪威的威德罗航空公司(Wideroe)为例,一个统一的顾客视角“可以让呼叫中心的销售代表了解顾客的全部活动记录,而不仅仅是客户服务历史。也就是说,销售代表还能了解顾客最近是否曾访问过公司官网,或者是否曾经打开过公司的营销邮件。因此,在解决完手头上的客户服务问题后,他们处在一个非常有利的位置来推销最适合该顾客的附加服务,这样一来就可以创造额外收入。或者他也可以根据手头上的信息向旅客提供免费升舱,这样一来也可以提高客户忠诚度。”


佩列蒂耶指出,航空公司通过统一顾客视角获得的见解也可以转化成服务信息,通过各种通讯渠道传递给旅客,而电子邮件正是一个非常热门的出发点。


佩列蒂耶说:“我们在欧洲有一个最大的客户,它利用Boxever平台来了解机票的退订情况,然后向退订者发送电子邮件。据这个客户反映,在发送了这些邮件之后,有很多退订的人随后又重新在他们那里订购了机票,由此每周都为它多创造了100万美元的收入。”


Boxever公司首席执行官戴夫•奥•弗拉纳根还称:“由于了解了顾客是谁,来自哪里,他们是否已经是自己的顾客”,有些航空公司花在付费媒体上的获取顾客成本降低了21%。“通过这种方式,航空公司可以把这些顾客从昂贵的顾客获取渠道转移到成本低得多的电子邮件等顾客保留渠道上。”另外弗拉纳根还表示,各大航空公司通过附带的交叉销售(比如酒店、租车等),这方面的收益还有提高17%的潜力。


“只有极少的公司真正利用了大数据”

不过弗拉纳根还指出,虽然大数据的这些好处令人兴奋,但是大数据的更多潜能仍然没有得到挖掘。“令人惊讶的是,目前只有极少的航空公司真正利用了大数据。”


差旅软件公司Eastman集团创始人兼董事长理查德•伊斯曼也认同这个观点。他说:“我还没见过任何一家主流航空公司出台了完整成的‘大数据’业务解决方案,也没有任何一家航空公司有整合这样一个方案的计划。”


不过这还得取决于一家公司怎样定义“大数据”。伊斯曼说:“不少航空公司可能会告诉你,他们‘该有的都有了’,但事实上他们并不了解‘大数据’究竟是什么。各大航空公司的管理层仍然非常重视通过现有的库存管理系统销售机票,因此可能忽视了消费者的需求信息,以及那些能够帮助他们满足消费者与旅客需求的工具,更不用说在决策层面去接近消费者了。”


弗拉纳根表示,营销、航班操作与机组人员操作等领域也蕴含着大数据的大量机会。



他说:“我认为,在营销和旅客体验等领域,仍然有大量的需求没有得到满足。像谷歌(Google)等公司正在通过Google Now等工具,试图成为航空业的终极助手。我认为如果航空公司构建一个有用的差旅助手,通过将数据与移动整合到一起,能够提前知道我的需求的话,这对航空公司来说将是一个巨大的机会。另外,它也能在从出发地到目的地的整段旅程为人们提供帮助。”


“想象一下,如果有这样一款旅行应用,能够知道我在哪,知道我要和家人一起旅游,知道我们要去的海滨城市正好天气很糟糕,而且它可以为我们提供一个替代行程,既适合全家人旅游,又不那么依赖于天气。一家航空公司如果能够有效利用大数据,考虑到我的旅行体验和环境因素,替我把所有的点连在一起,那么它对我来说的确会非常有价值。”



原文发布时间为:2014-06-26

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
2月前
|
分布式计算 关系型数据库 MySQL
大数据-88 Spark 集群 案例学习 Spark Scala 案例 SuperWordCount 计算结果数据写入MySQL
大数据-88 Spark 集群 案例学习 Spark Scala 案例 SuperWordCount 计算结果数据写入MySQL
54 3
|
2月前
|
分布式计算 监控 大数据
大数据-131 - Flink CEP 案例:检测交易活跃用户、超时未交付
大数据-131 - Flink CEP 案例:检测交易活跃用户、超时未交付
83 0
|
2月前
|
消息中间件 关系型数据库 MySQL
大数据-117 - Flink DataStream Sink 案例:写出到MySQL、写出到Kafka
大数据-117 - Flink DataStream Sink 案例:写出到MySQL、写出到Kafka
184 0
|
2月前
|
存储 分布式计算 算法
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
72 0
|
2月前
|
SQL 分布式计算 NoSQL
大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
36 1
大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
|
2月前
|
分布式计算 大数据 Linux
大数据体系知识学习(二):WordCount案例实现及错误总结
这篇文章介绍了如何使用PySpark进行WordCount操作,包括环境配置、代码实现、运行结果和遇到的错误。作者在运行过程中遇到了Py4JJavaError和JAVA_HOME未设置的问题,并通过导入findspark初始化和设置环境变量解决了这些问题。文章还讨论了groupByKey和reduceByKey的区别。
38 1
|
2月前
|
消息中间件 存储 druid
大数据-156 Apache Druid 案例实战 Scala Kafka 订单统计
大数据-156 Apache Druid 案例实战 Scala Kafka 订单统计
48 3
|
2月前
|
存储 大数据 分布式数据库
大数据-165 Apache Kylin Cube优化 案例 2 定义衍生维度及对比 & 聚合组 & RowKeys
大数据-165 Apache Kylin Cube优化 案例 2 定义衍生维度及对比 & 聚合组 & RowKeys
47 1
|
2月前
|
消息中间件 druid 大数据
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
40 2
|
2月前
|
消息中间件 分布式计算 druid
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
60 1
下一篇
DataWorks