Подчинение территории: как Советский Союз и его наследница Россия обращаются с ресурсами, людьми и природой
Поразительно, но компании из тревел-индустрии с годами заставляют нас тратить больше денег и получать от этого удовольствие. Как так?
Сначала немного доковидной статистики: в 2019 году, по данным Euromonitor, 28 % людей во всем мире планировали увеличить свои расходы на путешествия, а в России таких было и вовсе 41 %. Конечно, не последнюю роль в этом играет и рост нашего благосостояния: увеличив свой заработок и закрыв базовые потребности, мы готовы платить больше за путешествия. Это как минимум новые впечатления, а как максимум еще и престижное, социально одобряемое потребление. Ведь всегда приятно первым выложить в Инстаграм фотографии из необычного места, до которого не доехал никто из наших друзей.
Однако наши желания не всегда только наши. Сейчас до 83 % туристов ищет информацию для своего будущего путешествия в интернете, а на долю онлайн-покупок приходится 43 % всей выручки тревел-индустрии в мире и 47 % в России. Естественно, она растет, в первую очередь потому, что до путешествий доросло поколение Z. А это те, кто родился после 1995 года и привык вообще все делать в интернете.
Но… в интернете нами легко манипулировать, чем и пользуются корпорации, чтобы продавать больше. Помогает им в этом наука о данных (англ. data science). Если коротко, то ее суть заключается в анализе больших объемов различных данных с целью поиска зависимостей. Сбор такой информации, разработка алгоритмов для ее анализа и правильное использование результатов позволяют продавать больше и дороже, а пользователь покупает с удовольствием. Хотите примеров? Пожалуйста!
Этот текст мы выпускаем в партнерстве с образовательной платформой «Нетология», которая первой запустила очные курсы по обучению специалистов в области data science в России. Сейчас у Нетологии более 20 программ по разным направлениям аналитики, например вы можете пройти обучение на курсах:
Самый яркий пример — динамическое ценообразование: билеты на один и тот же рейс сейчас стоят Х рублей, а уже через полчаса — Y рублей. Из полутора сотен пассажиров, сидящих в салоне рядом друг с другом, можно иной раз не найти двух, заплативших за билет одинаковую сумму.
Принято считать, что билеты просто автоматически дорожают ближе к дате полета, поэтому пассажиры стараются купить их как можно раньше — и попадают в ловушку, потому что алгоритмы работают совершенно иначе.
Для каждого направления маркетологи придумывают сетку тарифов, точнее тарифных классов, которые обозначаются латинскими буквами. Например, возьмем тарифы «Аэрофлота» из Москвы в Петербург в экономклассе в один из минувших сезонов до пандемии: N — 1500 рублей, E — 2250 рублей, T — 3000 рублей, Q — 4000 рублей и так далее вплоть до Y, за который платили 20 000 рублей. Всего их было почти полтора десятка, и перечислять все параметры не имеет смысла. Задача системы бронирования заключается в том, чтобы максимизировать загрузку (количество пассажиров в самолете) и выручку. 100-процентную загрузку легко получить, продав все билеты по минимальной цене, но тогда рейс будет убыточным.
Поэтому алгоритм выставляет, например, в продажу тарифный класс E (2250 рублей), анализирует, насколько хорошо продаются билеты по этой цене и сможет ли он продать все билеты до момента вылета. Если билеты продаются слишком хорошо, класс E закрывается для продажи и становится доступным класс T (3000 рублей). Отлично покупают класс T? Пожалуйста, вот вам Q (4000 рублей), и так далее до Y. Ставка делается на то, что в последний момент кому-то настолько приспичит лететь, что он будет готов заплатить любые деньги.
Но если билеты продаются плохо, то вместо E будет N (1500 рублей): цена упадет. А если плохо пойдут продажи класса Q, то цена опять упадет до T, потом до E и так далее. На практике часто бывает так, что накануне вечером доступны билеты лишь самых дорогих классов, но, если желающих купить их по такой цене не нашлось, за пару часов до вылета цена падает на порядок: в продаже появляется самый дешевый тариф N!
Мы довольно грубо объяснили алгоритмы работы системы бронирования. На самом деле учитывается еще множество других вводных и зависимостей, но цель все та же. Цена меняется так, чтобы авиакомпания заработала как можно больше денег, но чтобы при этом не отпугнуть потенциального «пакса». Нужно, чтобы каждый заплатил ровно столько, сколько готов заплатить.
Однако то, что цена билета может и снизиться, не афишируется. Наоборот, при покупке вам обязательно напишут, что осталось два билета по этой цене или предложат зафиксировать цену, конечно же за дополнительную плату. Поэтому пользователь покупает билет по принципу «вроде норм цена, надо брать».
Но что, если покупатель тоже применит свои алгоритмы против алгоритмов авиакомпании? Располагая данными о стоимости билетов по тем или иным направлениям в разное время, можно угадать правильный момент для покупки. Например, из Москвы в Питер утром накануне вылета всегда можно купить билет дешево, значит, есть смысл рискнуть и подождать. А вот в пятницу вечером лучше не ждать и хватать, пока есть, потому что в это время полетят обратно живущие на два города менеджеры с деловыми проездными и им подобные. Если вы часто летаете по одному направлению, то и сами сможете предсказывать цены. А большие объемы данных о ценах всех авиакомпаний по всем направлением есть… правильно, у билетных агрегаторов и метапоисковиков! На основе их анализа, например, Aviasales еще в 2018 году запустили алгоритм «Пророк». Он, почти как волшебная программа для автоматического трейдинга, начал советовать пользователям, стоит ли покупать билет в момент поиска или лучше подождать. Ошибался алгоритм лишь в 10 % случаев.
Интересно попробовать себя в сфере анализа больших данных? Нетология недавно запустила базовый курс для всех, кто хочет поближе познакомиться с аналитикой и data science. Курс «Аналитика и аналитическое мышление для начинающих» будет полезен многим, так как умение анализировать большой объем данных необходимо сейчас все большему количеству компаний. Это значит, что с такими знаниями можно долго быть востребованными, получать хорошую зарплату и заниматься интересными задачами.
Впрочем, пытаться обхитрить одни алгоритмы при помощи других — неблагодарная задача, поскольку работать эта схема может только до тех пор, пока ею пользуется небольшое количество людей. Если все будут ждать, пока билеты подешевеют, и бросятся их покупать в последний момент, то система бронирования радостно задерет цену: высокий спрос же!
Еще один пример использования data science при продаже авиабилетов — это легендарные истории о том, что цена билета зависит от района города и даже операционной системы на вашем компьютере: пользователи Apple должны платить больше! Наверняка вы читали про это в интернете и после этого на всякий случай ходили на билетные сайты через VPN с отключенными куками в браузере. Однако на самом деле это городские легенды. В начале 2000-х некоторые американские сайты действительно баловались подобными методами, но сейчас они ушли в прошлое.
Зато пышным цветом расцвел таргет на основе искусственного интеллекта, в частности, по данным Expedia, до 70 % представителей упомянутого поколения Z способны спонтанно собраться в путешествие, выбрав направление под воздействием соцсетей, отзывов, фото и видео. Алгоритмические ленты в соцсетях плюс рояль в кустах в виде промопредложения авиакомпании на билеты именно в ту страну, о которой вы только собирались начать мечтать — и вот вы уже отпрашиваетесь в очередной отпуск, хотя никуда ехать, в общем-то, не планировали.
Все крупные онлайновые тревел-агентства (ОТА) используют инструменты аналитики и анализа данных. В Booking.com, например, есть целый отдел специалистов по данным и машинному обучению, и вот почему. Дело в том, что поисковая выдача отелей для каждого из клиентов индивидуальная. Важно показать подходящие клиенту варианты размещения на первых страницах выдачи, тогда конверсия [успешная оплата. — Прим. ред.] будет выше, потому что до гостиницы своей мечты на 10-й странице большинство людей просто никогда не долистает. Плюс путешественник будет готов заплатить за классный, по его мнению, отель чуть дороже.
А плохую рекомендацию дать нельзя! Если Apple Music или Spotify вдруг включит вам Моргенштерна, вы можете просто переключить трек и забить (или нажать кнопку «дизлайк» и помочь в обучении нейросети стриминговой платформы). Если бармен придумает для вас коктейль из шампанского с настойкой боярышника, вы можете сделать глоток и отказаться. Даже непонравившийся товар можно вернуть в магазин! А вот если вы приехали в неподходящий отель, то вам, скорее всего, придется мучаться несколько дней.
При этом исходных данных от пользователя почти нет. Направление, даты, количество человек — не особенно разгуляешься с советами. Искусственный интеллект как раз и пытается по косвенным признакам угадать, что же вам посоветовать. Учитывается все: едете вы из соседнего города (а значит, на машине, вот вам отель с парковкой) или летите через полмира, на какой период, гибкие у вас даты или же строго фиксированные, не собираетесь ли вы объехать несколько городов по цепочке, и даже насколько вероятно, что вы выбираете отель для семейного путешествия. В этом случае Booking напомнит вам, что нужно обязательно ввести количество детей. Люди обычно этого не делают и порой сталкиваются с неприятным сюрпризом: приехал, а кроваток нет — снова негатив.
Более того, сервис предложит вам отель в транзитном пункте, даже не зная, что вы туда собираетесь, а просто угадав.
Методом лингвистического анализа отзывов искусственный интеллект формирует определенный список преимуществ для каждого из отелей. Таких пользовательских рецензий — почти 200 миллионов, причем на 150 языках. Соответственно, отели, продвигающие те ценности, которые разделяете и вы, окажутся наверху списка. Для того чтобы вы побыстрее решились на покупку, в списке обязательно будет самый классный отель в городе с пометкой: «Номера закончились». Когда вы начнете изучать другие, то выскочат уведомления: «Сейчас этот отель просматривают еще 100500 человек» и, конечно, «Остался один номер!»
Поскольку здесь ценообразование тоже динамическое, Booking знает, когда цены растут, а когда падают, и отображает это в виде зеленых или красных стрелочек. И то, и другое стимулирует покупку: если цена упала, то тебе повезло, отлично, радость, как будто урвал джинсы своего размера на финальной распродаже. Если же цена выросла, то надо покупать скорее, пока не стало еще дороже!
Специалисты, которые придумывают такие «фишки», как в Booking.com, — это в том числе и продуктовые аналитики. Они не просто люди, работающие с большим объемом данных, а в первую очередь профессионалы, которые разбираются в закрытых экосистемах товаров и сервисов. Обучиться на продуктового аналитика и придумывать крутые особенности для полезных сервисов можно в Нетологии за восемь месяцев.
В отличие от других компаний банки знают о нас практически все, начиная от подробной анкеты, которую вы заполняете при оформлении карты, и до информации о том, что, где и когда вы по этой карте покупаете. Банковская сфера — настоящий рай для специалиста по данным, и в банках большие данные и алгоритмы их обработки активно используются для продажи тех или иных услуг.
Простой пример. Если вы часто покупаете кофе в аэропортах, то банк поймет, что вы постоянно летаете, а значит, вам можно предложить карту с начислением миль за покупки: мол, трать по ней побольше и накопишь на бесплатный билет. Отлично, вы заводите такую карту и торжественно заявляете, что кэш в последний раз держали в руках в прошлом году, а все покупки оплачиваете этой картой. Потом, правда, выясняется, что билеты туда, куда вы хотите, требуют столько миль, что вам копить на них два года, кроме того, надо доплатить сборы живыми деньгами, а еще на нужную дату мильных билетов нет, а сборы такие, что у другой авиакомпании билеты без всяких миль столько стоят. Но это уже никого не волнует, потому что ваши иллюзии — ваши проблемы, а процент за эквайринг с каждой операции банку капает.
Или, например, кешбэк. Эту услугу банки тоже предлагают не всем подряд, а лишь определенным категориям людей, отобранным с помощью машинного обучения: реклама таргетируется именно на них. Эффект не заставляет себя долго ждать: так, например, в «АК Барс» среди подключивших кешбэк уровень обналичивания снизился на 30 %, среднее количество платежей и покупок выросло на 21 %, частота транзакций в онлайне или через ДБО [дистанционное банковское обслуживание. — Прим. ред.] выросла на 14 %.
На основе ИИ предлагаются кредиты, страховки и даже предсказывается отток: вы только подумали о том, чтобы перейти в другой банк, а ваш банк уже давно это заметил, ведь вы стали реже открывать мобильное приложение или постоянно переводите деньги на счет в другом банке. Тут вам раз — и предложили какие-то чуть более интересные условия, и вы, скорее всего, на них согласитесь.
Благодаря data science мы хоть и тратим больше, но и получаем больше удовольствия от жизни, потому что приобретаем товары и услуги, которые подходят именно нам. Так что алгоритмы обработки данных работают на пользу и продавцу, и (хочется верить) покупателю, а профессия дата-сайентиста (слово-то какое!) еще долгое время будет перспективной, востребованной и, конечно же, полной необычных задач. Ведь именно необычные задачи в последние годы и становятся критерием интересной работы.
Пройти обучение в Нетологии и овладеть новой профессией можно прямо сейчас. Выбирайте сферу, в которой вам хочется развиваться, и получайте новые знания
