Af Tristan Rees, Senior Director of Technology

Forestil dig, at du står af et fly i London, og din telefon vibrerer. Du tjekker skærmen og ser, at du er blevet omdirigeret til Frankfurt på grund af en nødsituation hos en kunde. Du skal flyve over Paris, da der er et uvejr på vej over Berlin.

Dine boardingpas er tilgængelige i erhvervsrejseappen sammen med dine hotelreservationer og en foreslået restaurant til aftensmaden. Din foretrukne lokale transport er allerede reserveret til kl. 08.00 den følgende morgen.

Du begiver dig hen til din nye gate og begynder at planlægge denne uventede ekstratur. Du har overnattet på hotellet i Frankfurt før og var glad for jazzbandet i baren og har lyst til at prøve hotellets restaurant på baggrund af anbefalinger fra et par kolleger.

Rejseplanen er blevet sammensat helt uden menneskelig indblanding. Velkommen til maskinlæringens tidsalder.

Jeg har været i rejsebranchen i hele min aktive karriere. Jeg har set forskellige former for teknologi forandre branchen. For næsten 10 år siden befandt mit team sig midt i den mobile revolution. Selv med alle de fremskridt, vi har oplevet siden da, tror jeg ikke, at jeg nogensinde har været mere begejstret end nu over de ting, der sker inden for datavidenskab. Det vil forandre rejseoplevelsen for altid og gøre den mere skræddersyet til den enkelte rejsende og mere effektiv for den rejseansvarlige.

Egencias datavidenskabsteam samarbejder med teams, der beskæftiger sig med kunstig intelligens på tværs af Expedia Group for at inkorporere kunstig intelligens i vores platform. Selvom det førnævnte scenarie stadig er på ønskestadiet, nærmer fremtiden sig hastigt. Det er værd at bruge noget tid på at sætte sig ind i, hvad vi gør for at skabe en rejseoplevelse, der er mere skræddersyet og forudsigende i forhold til brugerens behov og præferencer.

Mønstre i kunstig intelligens

Kunstig intelligens dukker hele tiden op i nyhederne her på det seneste, og vi har skrevet om kunstig intelligens hos Egencia i nogen tid. Men i modsætning til hvad mange tror, er kunstig intelligens ikke en enkeltstående teknologi. Det er en samling af teknologier og tilgange, der er beregnet til at finde mønstre i store mængder data. Så snart disse mønstre er blevet identificeret, kan forretningsprocesserne automatiseres.

Egencia har en overflod af data om erhvervsrejser. Vi har styr på erhvervsrejsepolitikker, reservationshistorik, hotelpræferencer, branchestandarder og en lang række andre oplysninger. Vi er heldige, at vi er en del af Expedia Group, så vi har adgang til en stor mængde data om rejser af enhver art.

Den særlige kunstige intelligens, vi benytter på alle disse data, er maskinlæring. Kort sagt benytter vi maskinlæringsteknikker til at identificere mønstre ved at oplære datasæt i at blive brugt til at opnå særlige resultater, såsom at forudse en rejsendes foretrukne hotel, eller hvorvidt prisen på en flyrejse vil stige eller falde. Datamønstrene kan også udvides gennem yderligere maskinlæring. Disse teknikker finder yderligere mønstre i data, som ikke ville kunne ses af mennesker, da vi ikke kan bearbejde så store mængder data så hurtigt. Maskinlæring gør hele rejseadministrationen mere forudsigende og handlingsorienteret.

Vis os jeres data

Datavidenskab som maskinlæring inden for erhvervsrejser kommer i store træk til at foregå bag kulisserne, uden at brugerne skal gøre andet end at nyde en bedre oplevelse. Eksempelvis bygger ét scenarie på det nylige teknologiske skifte fra fastnet og stationære pc'er til mobilenheder.

En smartphone er et vindue til rejsevalg, som du har med dig i lommen. Flyforbindelser, hoteller – alt sammen inden for rækkevidde med få tryk. Den klare begrænsning er skærmstørrelsen. Der kan kun vises et vist antal muligheder, uden at der skal scrolles.

Scrolling er muligvis ikke et problem, når du bare skal tjekke dine sociale medier. Det kan dog være en større forhindring, når du kæmper for at løse et kundeproblem, mens du er på farten. Her vil du gerne kunne foretage hurtige rejsevalg, som du ved fungerer, så du kan koncentrere dig om arbejdet. Alt, der hjælper dig med at sætte dine foretrukne valg øverst på listen, gør det nemmere for dig at handle. Det gør det også mere sandsynligt, at du overholder virksomhedens rejsepolitik og ikke blot bruger de mange almindeligt tilgængelige rejseapps, som du også har adgang til fra din telefon.

Faktisk råder Egencia allerede over data, der viser, at vores hotelsorteringsalgoritme – drevet af maskinlæring – er dygtig til hurtigt at levere foretrukne rejsemuligheder til mobile enheder og computere. Vi ved, at vores algoritme virker, for vi har oplevet en stigning på 7% i reservationer af den mulighed, der ligger øverst på listen – det er det hotel, som modellen forudsiger, at den rejsende er mest tilbøjelig til at reservere. Vi har også i betydelig grad nedbragt den indsats, der kræves for at finde et hotel, ved at reducere det gennemsnitlige antal søgninger pr. reservation. Antallet af rejsende, der reserverer et hotel inden for fem minutter, fra de foretager en indledende søgning, er også steget. Det er styrken ved datavidenskab – med kunstig intelligens og maskinlæring kan vi tilbyde folk det, de vil have, som første valg.

Alle disse mønsteridentificerende teknikker er datadrevne. Jo flere data du har, jo bedre oplysninger får du ud fra disse data. Det understreger rigtigheden i den beslutning, Egencia tog for længe siden, om at bygge vores egen teknologi op omkring alle aspekter ved erhvervsrejser. Mange af vores konkurrenter har en flot indpakning af deres tjeneste, men inde i maskinrummet kommunikerer de med andre virksomheder, som benytter deres egne data.

For at sige det rent ud: Hvis du arbejder sammen med andre erhvervsrejsebureauer, har de muligvis ikke adgang til alle de nødvendige data, der skal til for at lave en gennemgribende analyse eller oplære maskinlæringsmodeller. Husk på, at disse maskinlæringsalgoritmer ikke er bedre end de data, de har lært af. Hvis de data, algoritmerne skal lære af, er mangelfulde, kan algoritmerne ikke lede efter de rigtige mønstre. Det svarer til at hyre en privatdetektiv til at finde et familiemedlem, som er forsvundet i Paris. Men du fortæller ikke, om vedkommende er en mand eller en kvinde, eller at det rent faktisk drejer sig om byen Paris i Texas. De fremkomne maskinlæringsmodeller er ikke bedre end de data, de lærer af. "Garbage in, garbage out" (GIGO), som det hedder inden for computervidenskab. Ejerskab af al teknologien på tværs af hele erhvervsrejseoplevelsen sikrer en ordentlig dataindsamling, hvilket er det vigtigste trin i korrekt mønsterspotting og algoritmetræning.

Kombinationen af store mængder data og viden om, hvor alle disse data stammer fra, tager fat på endnu et emne i denne nye tidsalder – bekymringen om forklarlighed eller explainability. Hvad nu hvis de beslutninger, der træffes af den kunstige intelligens, vi omgiver os med, er baseret på så komplicerede mønstre, at mennesker ikke kan forstå, hvorfor den valgte beslutning er korrekt? Vi bruger kunstig intelligens til at håndtere enorme mængder data, som vi ikke selv kan analysere. Hvis resultatet er bare en lille smule forvirrende, er maskinerne ret begrænsede i deres evne til at forklare logikken. Inden for rejseadministration er det af største vigtighed at vide, hvordan computerne kommer frem til deres beslutninger, så de rejsende ikke spilder tid og kan føle sig trygge.

Hos Egencia ved vi, hvor dataene stammer fra, så vi er sikre på, at det er kvalitetsdata. Nogle data stammer fra os, nogle fra Expedia og nogle fra den historiske brug af vores tjenester. Vi behøver ikke fylde datahuller ud med gætværk om, hvad der mangler. Den rejseansvarlige behøver ikke stole på en såkaldt black box. Du får mulighed for at forstå, hvorfor noget blev valgt til dig.

Eksempelvis omfatter de mest prædiktive data i vores hotelsorteringsmodeller følgende: Den rejsendes historiske reservationsdata, kollegaernes historiske reservationer, den rejsendes loyalitetsprogrammer, den rejsendes søgning efter afstand til hotel og firmaaftaler, hvilket bidrager til overholdelse af rejsepolitikken. Det er et lille udsnit af de data, vi benytter til at fodre vores algoritmer med, så de rejsende kan få skræddersyede hotelforslag.

Tilbage til Frankfurt

Vores datadrevne maskinlæringstjenester tager udgangspunkt i det mest logiske: sortering af hoteller og flyselskaber. Kunderne bruger allerede og er glade for fordelene ved denne sortering. Efterhånden som disse funktioner udvikles, kan vi udlede, om den rejsende nævnt i starten af denne artikel kan lide jazzbaren på hotellet i Frankfurt.

Vi arbejder på at forbedre vores brugeroplevelse med datavidenskabelige teknikker såsom maskinlæring. Vi har allerede været vidne til positive resultater fra vores hotelsortering til de rejsende – skræddersyede hotelmuligheder. De rejseansvarlige har også indset fordelene ved hotelsøgeresultater, som overholder rejsepolitikken.

Disse tjenester bliver bedre, i takt med at folk bruger dem. Enhver interaktion med Egencia, uanset om det er via en computer, en mobilenhed eller ved et telefonopkald til et af vores kundeservicecentre, genererer flere data, som vores maskinlæringsalgoritmer kan lære af. Egencia er et komplet, teknologisk baseret erhvervsrejsebureau, der håndterer rejser fra start til slut, og som indsamler data, der er tilgængelige for alle vores samarbejdspartnere. I modsætning til andre erhvervsrejseudbydere har vi overblik over hele rejsen, fordi vi ledsager kunden hele vejen.

Hvis en rejsende har et problem undervejs, kan vedkommende kontakte en af vores kundeservicemedarbejdere, som kan se den samme skræddersyede hoteloversigt, som den rejsende får vist. Kundeservicemedarbejderen kan derefter hurtigt få den rejsende dirigeret hen til et hotel, der lever op til vedkommendes behov og virksomhedens rejsepolitik.

Vi arbejder på at kunne levere denne servicestandard til vores kunder, fordi vi mener, at det er muligt at forudsige jeres behov og opfylde dem automatisk. Det varer ikke længe, før vi kan tilbyde den omtalte opdaterede rejseplan, når du stiger af flyet i London.