Aquest capítol de la tesi se centra en el framework SYSTEM-TH-001, un sistema dissenyat per optimitzar la gestió de serveis turístics en una agència de viatges mitjançant l'ús d'intel·ligència artificial i una arquitectura d'agents bioinspirada. SYSTEM-TH-001 integra mòduls que actualitzen diàriament els repositoris de coneixement de proveïdors i serveis turístics. Tot i que requereix intervenció manual, el sistema automatitza i simplifica les tasques de l'administrador.
El framework va ser provat a l'agència COMPANY-002, incorporant un Sistema Multiagent (MAS) basat en una organització bioinspirada, amb configuracions adaptades a les necessitats de l'empresa. Es van realitzar experiments que van avaluar paràmetres clau i la satisfacció de clients i agents de viatges. Els resultats inicials van indicar que els clients prioritzen atributs com a preu i qualitat del servei.
Els experiments van comparar el rendiment de SYSTEM-TH-001 davant de mètodes tradicionals i altres algorismes, avaluant la seva capacitat per predir la propensió a la compra. El model bistage de SYSTEM-TH-001 Va demostrar un millor equilibri entre entrenament i prova, evitant problemes de sobreajust i optimitzant les recomanacions.
En proves reals, el sistema va mostrar una millora significativa en la taxa de conversió, va reduir el temps d'atenció i va augmentar les recomanacions precises, beneficiant tant als clients com als empleats, i reforçant l'estabilitat en els processos de reserva. SYSTEM-TH-001 es posiciona així com una solució eficaç per a la transformació digital en el sector turístic.
3.1 Introducció
Avui dia, el turisme és una de les indústries més rendibles del món Camilleri (Eclesiastès) 2018 ). Cada any, exèrcits de turistes visiten ciutats famoses, vestigis històrics o simplement gaudeixen del plaer de conèixer noves cultures i altres maneres de viure. També, hi ha altres turistes que simplement busquen la calma i el relax durant les seves vacances, gaudint de paisatges i platges de sosseny Tureac i Turtureanu ( 2010 ).
Tots aquests esdeveniments humans produeixen l'ús de múltiples tipus de transport com avions, trens, autobusos i cotxes Dinu et al. ( 2018 ). A més de generar milions de reserves en hotels, apartaments i altres immobles similars que permeten allotjar aquests turistes.
Tota aquesta activitat ha de ser gestionada per l'agència de viatges, mitjançant l'obtenció d'informació sobre les destinacions i les preferències dels diferents tipus de turistes Moliner et al. ( 2007 ). És per això que l'aparició de sistemes enfocats a proporcionar un suport a l'usuari final (ja sigui el turista o l'agent de viatges) que faciliti el procés de reserva resulta completament necessari i està a l'ordre del dia.
A més, els agents de viatges han de fer un esforç addicional per proporcionar als seus possibles clients l'opció més interessant, per tal de tancar la venda. Donada aquesta situació, és natural que comencin a florir sistemes que automàticament realitzin les recomanacions sobre els viatges i destins, seleccionant els transports òptims segons les necessitats del client Zapata et al. ( 2019 ).
Tots aquests sistemes tenen les seves limitacions. El principal coll d'ampolla consisteix en la dificultat d'elaborar els pressupostos per part dels agents de viatges. És una tasca que requereix una gran inversió de temps i esforç, que augmenta segons s'incrementa la complexitat i la combinació de destins durant el viatge desitjat. Un altre problema rellevant és la incapacitat de proporcionar retroalimentació sobre els serveis oferts als clients. Aquest problema és essencial per a les agències de viatges perquè necessiten conèixer si el treball generat va ser adequat i els clients han quedat satisfets després d'haver gaudit dels serveis contractats. En aquest sentit, les recomanacions que filtra les preferències inicials dels clients són clau. Aquestes normalment marquen l'evolució dels serveis turístics oferts, atès que solen atraure l'atenció del client des del primer moment.
La pandèmia del COVID- 19 Va ser un altre gran problema per al sector turístic degut a l'establiment de restriccions de moviments per tal de limitar l'expansió del virus. Aquesta mesura òbviament va influir molt negativament en el turisme, reduint els viatges, i per tant generant grans pèrdues en el sector Bakar i Rosbi ( 2020 ). No obstant això, els avenços en els programes de vacunes, així com les medio-
Das de relaxació contra el contagi del virus, han permès que el turisme torni a nivells prepandèmia i un nou optimisme s'apoderi del sector.
Per aquesta raó, resulta fonamental el desenvolupament d'un complet framework que pugui gestionar la creixent nova demanda. Aquest sistema ha de ser capaç de resoldre els punts febles detectats, mitjançant una gestió òptima de tots els problemes que apareixen des de que el client mostra el seu interès en un servei turístic, proporcionant suport a l'agent de viatges en la selecció de les diferents possibilitats i obtenint la corresponent retroalimentació del client quan el servei ha acabat.
En aquest sentit, aquesta tesi presenta el framewok SYSTEM-TH-001. Aquest és un sistema automàtic que inclou múltiples assistents gràfics per proporcionar un suport complet als agents de viatges i turistes. La seva novetat resideix en els següents punts:
Cobreix tots els processos necessaris amb el procés de venda de serveis turístics, enfadant-se fonamentalment en els interessos del client i les possibles ofertes que encaixin millor amb la política de l'agència de viatges. L'agent de viatges i el client són guiats per les recomanacions generades pel sistema, en cada fase del procés de venda.
Genera pressupostos de forma ràpida en temps real, el que produeix una millora en la presa de decisions tant a nivell operatiu, agents de viatges, com estratègic, direcció.
És capaç d'aprendre mitjançant l'experiència i ajuda a prioritzar aquells clients o potencials clients amb una alta propensió a la compra. Un model de propensió a la compra de ML ha estat inclòs en el sistema per a aquesta tasca.
La inclusió d'un MAS així com dels seus agents intel·ligents permet gestionar de forma òptima l'intercanvi de coneixement i optimitzar les comunicacions. Dit MAS s'ha desenvolupat seguint l'absorció bioinspirada d'un formiguer, el qual gestiona les càrregues de treball en el sistema Moreno et al. ( 2022 ), característica molt rellevant, atès que la majoria de les empreses necessita realitzar interaccions en temps real, per tal de cobrir les necessitats dels seus clients.
Proporciona suport a l'agent de viatges ajudant-lo a filtrar entre les millors opcions segons els interessos del client. El sistema podria ser classificat com un sistema de recomanació, que simplifica els processos que s'han de realitzar en l'agència de viatges.
S'ha dissenyat una sèrie d'experiments, per demostrar el valor de la proposta. El mòdul que s'encarrega de la priorització de clients ha estat avaluat de forma
per poder comprovar el valor afegit que aporta. Posteriorment, s'ha posat a prova tot el sistema i s'han obtingut resultats molt prometedors en aquesta avaluació.
3.2 Proposta
3.2.1 Gestió automàtica del turisme
La gestió automàtica del turisme és una de les tasques bàsiques dins d'aquesta àrea, degut a la ingent quantitat de diferents processos per considerar les ofertes disponibles, configuracions de viatge, oportunitats de màrqueting i les preferències i indicacions dels clients Kler ( 2009 ).
El procés de gestió està basat en dos enfocaments: el client i el venedor (per exemple, el recurs final o l'agència de viatges). El primer és el més desenvolupat per diferents estudis i sistemes disponibles. El problema està relacionat amb la implementació de les noves tecnologies i el turims electrònic (per exemple, ofertes i màrqueting de serveis turístics a Internet, cosa que significa que el proveïdor de serveis turístics té contacte directe amb el client Hamid et al. ( 2021 ).
En relació als enfocaments que permeten automatitzar els diferents processos relacionats amb el turisme, la majoria dels sistemes són sistemes de recomanació des de ambdós enfocaments.
En el cas de l'enfocament de les agències de viatges, típicament treballen amb clients que no saben on viatjar o quines són les seves preferències. Per això, els sistemes que són capaços d'extreure i processar informació dels clients poden proporcionar suport per a la presa de decisions o seleccionar el proveïdor òptim des de l'agència per a un determinat client Hsu et al. ( 2013 ). La informació pot ser continguda de textuals Loh et al. ( 2003 ) o generats a través de la creació de perfils Adriana 2018 ).
Sobre l'enfocament dels clients, hi ha múltiples problemes en els que treballar. Per exemple, sistemes capaços d'elaborar configuracions específiques de viatges per a clients amb necessitats especials són realment útils Novikova et al. ( 2015 ). Així mateix, hi ha altres enfocaments més generalistes, alguns exemples d'això, són aquells que se centren en la selecció de la millor ruta d'acord al temps fireològic i les condicions del trànsit SubramaniyaswAmy et al. ( 2018 ), o aquells que recomanen els millors viatges per a individus o grups Herzog et al. ( 2018 ). Tots ells són com a dissenyadors virtuals de plans de viatge Al Fararni et al. ( 2021 ) que usualment es basen en els gustos dels clients i els seus viatges ja realitzats Garcia et al. ( 2009 ). Per a la selecció de destinacions, sistemes similars han estat considerats...
dos. Processen les opinions dels turistes per trobar les destinacions més populars per a ells Zheng et al. ( 2018 ) i també produeixen rànquings d'interès Alrasheed et al. ( 2020 ). Finalment, el problema d'oferir l'allotjament òptim d'acord amb les preferències del client, també s'ha considerat. Aquestes preferències són en realitat, les necessitats dels clients Fòrumuzandeh et al. ( 2021 ), així com la seva capacitat econòmica Ray et al. ( 2021 ).
El framework SYSTEM-TH-001 Està fonamentalment enfocat a la perspectiva de l'agència de viatges, proporcionant elements específics per interactuar amb els clients. En el primer cas, el venedor obté recomanacions en temps real d'acord amb les indicacions realitzades pels clients sobre els seus interessos. El sistema disposa d'un component realment nouós per informar el venedor de quins clients té una major tendència a comprar un servei turístic. Això facilita la feina i incrementa el benefici de l'agència. En el segon cas, els clients poden introduir les seves característiques i interessos. El sistema les usa per proporcionar informació filtrada al venedor.
3.2.2 El framework SYSTEM-TH-001
El principal objectiu del framework SYSTEM-TH-001 es donar suport als clients i agents de viatge. Per això, el sistema cobreix ambdues perspectives relacionades amb la gestió de serveis turístics.
Des de la perspectiva turística, SYSTEM-TH-001 proveeix diferents serveis turístics d'acord amb les preferències i característiques. Per als usuaris del perfil tipus agent de viatges, el sistema ofereix els serveis òptims considerant les preferències subministrades pel client, ressenyes i puntuacions prèvies del servei. A més, SYSTEM-TH-001 inclou una funcionalitat extremadament nova per a una pime, aquesta és la capacitat de seleccionar aquells clients amb una major propensió a la compra en un moment determinat, el que permet als agents de viatges establir les prioritats del seu pla de treball, així com establir les accions necessàries en cada cas.
El sistema és alimentat per múltiples fonts d'informació, que proporcionen el coneixement necessari, com per exemple: la disponibilitat i preu dels vols, hotels, trasllats, excursions, cotxes, etc.
Les següents seccions detallen l'arquitectura del framework SYSTEM-TH-001 considerant els diferents mòduls i fent enfàsis en els processos que cobreixen les seves funcionalitats.
Figura 3.1: Arquitectura del framework SYSTEM-TH-001.
3.2.3 Arquitectura general i mòduls
L'arquitectura del framework SYSTEM-TH-001 consisteix en cinc mòduls diferents: l'Information gatherer, el Tourist service manager, el Customer manager, el Travel agent manager i el Maintenance manager. Aquests mòduls són complementats amb dues bases de dades de coneixements que permeten emmagatzemar aquesta informació: el Suppliers knowledge i el Tourist services knowledge (ver Fig. 3.1 ). Aquests mòduls són capaços de dur a terme aquests tres processos fonamentals: la venda de serveis turístics, la retroalimentació del client i l'actualització de la informació.
El mòdul Maintenance manager serveix com a punt central per al manteniment de la informació i paràmetres comuns emprats per la resta de mòduls de SYSTEM-TH-001. Típicament alguns exemples de manteniment de la informació estan relacionats amb modificacions dels recursos turístics (p. ex. canvis de nom d'hotels, nous proveïdors o tancament d'esdeveniments). Cal disposar d'una capacitat de mapatge del mateix servei turístic en diferents proveïdors per tal de facilitar al sistema la generació de contingut de serveis amb diferents tarifes. Per a ells, utilitza el mòdul d'Information gatherer per realitzar aquestes accions (ver Fig. 3.2 ).
El mòdul Information gatherer recol·lecta la informació del mercat virtual del turisme. Aquest mercat està basat en l'intercanvi d'informació entre proveïdors i consumidors mitjançant l'ús de tecnologies XML i JSON. Aquest mòdul recupera informació de dos tipus, estàtica i dinàmica. La primera no es modifica sovint, com el nom, descripció, característiques i imatges rellevants. La segona canvia diverses vegades de forma diària. Típicament algunes dades d'aquest tipus d'informació són l'ocupació de l'hotel o les tarifes. Tota aquesta informació és desada en el repositori d'informació Suppliers knowledge. És important indicar que part d'aquesta informació no pot ser emmagatzemada, degut a condicions contractuals amb els proveïdors, que fan que només pugui ser consumida per
Figura 3.2: Visió del mòdul Maintenance mànager i Information gatherer.
aquest mòdul d'una forma passiva.
El repositori Suppliers knowledge té l'objectiu principal de gestionar el coneixement adquirit corresponent als proveïdors. Noteu, que aquesta informació es carrega en aquest repositori per un humà de forma manual. El sistema usa tota aquesta informació per a poder realitzar recomanacions d'una forma automatitzada. La interfície visual de SYSTEM-TH-001 Doneu diversos assistents gràfics que, sens dubte, ajuden l'usuari a completar les vostres tasques,
El mòdul Tourist service manager és l'encarregat de gesionar les oportunitats de clients potencials, així com la generació d'ofertes personalitzades per realitzar les recomanacions òptimes (ver Fig. 3.3 ). Aquestes recomanacions es basen en els càlculs realitzats per obtenir els millors recursos turístics per a una operació, ordenats per interès. Cada tipus de recurs turístic és agrupat per un tipus de categoria. En la categoria de transports, vols, transports col·lectius (per exemples, trens i autobusos), i serveis de lloguer de cotxes, estan inclosos. En la categoria d'ascensos, hotels, apartaments i llocs similars són considerats. Finalment en la categoria d'excusions i assegurances són classificats i inclosos.
L'expressió que proporciona els millors recursos turístics per configurar un servei turístic complet (TS ) és descrit de la següent manera:
TS = max k∈{ 1,...,|T|·|A|·|E|}TS k = X
C∈{T,A,E} θC·S coreC ( 3.1 )
on T és el transport, A l'allotjament, i E són els extres. A més, els valors IFM són els pesos que van de 0 a 1 per indicar la rellevància. Nòteu-vos que la suma dels pesos ha de ser 1. Després S coreC és el valor mitjà dels valors de S coreC j corres-
Corresponents a la selecció de recursos turístics d'un servei. S coreC j es defineix de la següent manera:
S coreC j = wC u,j·f C u,j + wC e,j·f C e,j ( 3.2 )
donde j ∈{ 1,..,.C. ( * * * ), — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —, és el nombre d'elements en la categoria C. Els valors denotats per w són els pesos de les contribucions parcials a la puntuació global conseqüentment definida.
L'element f C u,j són les variables preferides i s'expressa de la següent forma:
n X
f C u,j = 1
n
i preferredC j,i ( 3.3 )
a on preferredC j,i és un valor — [ 0, 1 ] indicant la retroalimentació pels clients en base a experiències prèvies. A més, f C u, j és el valor mitjà de les opinions dels clients.
En el cas de l'element f T e,j, aquest depèn de les categories considerades (T,A,E):
f T e,j = wT quality·qualityT j + wT stopovers·stopoversT j + wT time·timeT j + wT price·priceT j ( 3.4 )
f A e,j = wA quality·qualityA j + wA location·locationA j + wA services·servicesA j + wA price·priceA j ( 3.5 )
f E e,j = wE quality·qualityE j + wE flexibility·flexibilityE j + wE services·servicesE j + wE price·liceE j ( 3.6 )
En cada categoria, es considera un conjunt de mesures amb valors \\ [ 0, 1 ]. Per a la categoria Transport: qualitat mesura la qualitat del transport, parades és el nombre de possibles aturades, temps mesura el temps estimat en arribar a la destinació, i preu expressa el cost monetari. En la categoria Allotjament: qualitat mesura la qualitat de l'allotjament, localització expressa la distància relativa a les àrees turístiques, serveis expressa el nivell de serveis oferts per l'allotjament i preu el cost del mateix. Finalment, per a la categoria Extres: qualitat mesura la qualitat de l'extra, flexibilitat significa la capacida de reserva en hores i modalitats, serveis expressa el nivell del servei proporcionat i preu significa el seu cost. Noteu que les mides estan ponderades per pesos w la suma dels quals és 1 per cada categoria.
Mitjançant les mesures per a cadascuna de les categories, el sistema intenta respondre a les següents qüestions clau per a un viatge:
CME: mitjançant la definició de la qualitat o nivell del recurs.
QUANDO: Amb la classificació del temps necessari per arribar al destí.
DONDE: classificant el lloc i el seu voltant.
QUÈ: Es classifica l’acceptació del recurs extra en termes del que ofereix.
PER QUÈ: defineix el conjunt d'extres i seguretat oferta pel recurs.
El mòdul és responsable de filtrar els clients segons la seva propensió a completar la compra. Un algorisme que estima la propensió a la compra s'ocupa d'establir aquesta classificació. Aquest algorisme usa tècniques de processament de puntuacions clàssiques i dos diferents mètodes de ML en una arquitectura de dues capes per categoritzar els clients en cinc grups d'acord amb la seva probabilitat de reserva. Més detalls d'aquest procés seran presentats posteriorment.
El mòdul integra tres components: el tourist services organitzer, el tourist service filter i el customer feedback gatherer. El primer conté un MAS per distribuir la càrrega de treball i aconseguir que la tasca de presa de decisions sigui repartida. El segon està a càrrec del filtratge de recursos d'acord amb les peticionines realitzades pels clients i el tercer gestiona la retroalimentació posterior.
En relació al MAS, aconsegueix realitzar les tasques relacionades amb els mètodes de ML utilitzant una estructura bio-inspirada basada en un formiguer amb una reina, soldats i mútltilings agents treballadors. L'agent reina distribueix les diferents tasques entre els soldats, i construeix el resultat final. Els soldats organitzen les peticions i fan ús dels treballadors per resoldre el problema. Aquesta arquitectura dels agents intel·ligents és d'interès, perquè permet implementar mesures de balanceig de càrrega. Aquestes mesures consisteixen en la creació de nous soldats i treballadors, o nous formiguers complets per incrementar la capacitat del sistema. Més detalls sobre el MAS es proporcionaran en les següents seccions.
El repositori Tourist services knowledge emmagatzema la informació relacionada amb els contractes de serveis turístics per a la consegüent consulta i modificació per part dels agents de viatges. Aquesta informació està subjecta a les decisions de gestió i configuracions realitzades en el mòdul Tourist service manager. Serveix com a guia en els processos de commoció o autogeneració de serveis turístics. Les retroalimentació obtinguda dels clients una vegada el servei ha conclòs també és considerada.
Figura 3.3: Visió dels mòduls: Tourist service manager, Travel agent mànager, i Customer mànager.
El mòdul Customer manager té com a principal funcionalitat donar suport als clients per realitzar les tasques necessàries per crear serveis turístics en temps real. Aquest mòdul comunica amb els repositoris Tourist services knowledge i Suppliers knowledge a través del mòdul Tourist service manager per realitzar composicions dels diferents elements que conformen un servei turístic. El servei creat és emmagatzemat per a la posterior verificació i aprovació per part d'un agent de viatges.
El mòdul Travel agent manager té com a propòsit servir de punt central de gestió interna per a les operacions de creació de serveis turístics. A més s'encarrega de la revisió dels serveis creats pels client a través del mòdul Customer mànager. Està directament connectat a una interfície gràfica, permetent accedir a les dades de les peticions dels clients. Aquesta petició s'utilitza per consultar als repositoris Tourist services knowledge i Suppliers Knowledge a través del mòdul Tourist service manager, i d'aquesta manera obtenir serveis turístics interessants per a l'usuari. Aquest mòdul pot generar serveis turístics des de zero via la selecció de diferents opcions. Tingueu en compte que la diferència principal d'aquest mòdul respecte a l'anterior rau en la configuració dels privilegis de l'usuari (els agents de viatges tenen més privilegis que els clients).
La interfície visual proveeix diferents opcions d'acord amb dues perspectives: la de l'agent de viatges i la del client. Per al primer cas, la visualització suporta la creació de viatges (per exemple un conjunt complet de serveis turístics). Una sèrie d'assistents gràfics intenten alleujar la complexitat del disseny de viatges, reduint la presa de decisions del client mitjançant un conjunt finit d'opcions. Quan el client aprova cun servei de viatge, és enviat a l'agència de viatges per a la seva gestió: aprovació o modificació. Una sèrie d'intercanvis té lloc entre el client i l'agència de viatges fins que el client confirma fermament el viatge i
És confirmat per l'agència de viatges. Una vegada que els serveis han estat confirmats i el pagament complet ha estat verificat, s'executa un procés d'envi de tota la documentació necessària per gaudir dels serveis. A més, aquesta documentació, així com la legal associada es posa a disposició del client en l'àrea privada d'usuari per a la seva consulta i descàrrega. Per a la segona perspectiva, la de l'agent de viatges, funcionalitats similars són proporcionades. No obstant això els agents de viatges tenen aquí la iniciativa, podent generar múltiples serveis turístics per als clients. Més detalls sobre els processos de venda són descrits en les properes seccions.
3.2.4 Algorisme per detectar clients potencials
El mòdul Tourist service manager conté un algorisme d'estimació de la propensió a la compra. Classifica els clients potencials en funció de la seva probabilitat de tancar la reserva d'un servei turístic. Aquest algorisme proporciona informació d'alt valor a l'agència de viatges i permet que els agents de viatge puguin diferenciar entre bons i mals clients (clients que finalment reserven o no). L'algorisme consisteix en tres elements fonamentals: transformació de variables, clustering i classificació. El primer element prepara les entrades per a l'estimació de probabilitat, realitzada pels mètodes de clustering i classificació. El segon element proveeix una probabilitat inicial de compra i l'últim la refina en algun dels clústers. La sortida d'algoritme categoritza els clients potencials segons cinc grups, d'acord amb la seva taxa de conversió (per exemple, la proporció de clients que finalment reserves un servei turístic).
L'element de transformació de variables és portat a terme per un codificador Weight Of Evidence (WoE) Weed ( 2005 ). Aquest tipus de transformació i els seus beneficis han estat estudiats en l'entorn del risc creditici profundament Anderson ( 2007 ); Zdravevski et al. ( 2011 ). Ajuda a treballar amb dades categòriques i numèriques simúltàniament, a més pot funcionar amb dades faltants amb una altra tècnica addicional. Tradicionalment, la codificació WoE és usada per separar mals clients, cosa que encaixa a la perfecció amb un algorisme d'estimació de la propensió a la compra. L'equació de la transformació WoE és:
WoE = ln %non _ invents
% invents ( 3.7 )
on el valor d'events es refereix als bons clients i el valor de non-events representa els dolents.
Un dels avantatges més interessants de WoE per a l'enfoc actual és que les variables amb massa valors discrets es transformen a variables numèriques i seran ordenades d'acord a una relació monotònica amb la variable depenent-
Figura 3.4: Mòdel bifàsic per a l'estimació de la probabilitat de la propensió a reservar un servei turístic.
te. WoE proporciona una variable numèrica que reagrupa aquest gran nombre de valors discrets en una sèrie de categories ben poblades que expressen la informació per a la nova categoria. Un altre gran avantatge que s'obté amb la solució proposada és que WoE és un valor estandarditzat. La primera permet usar algorismes Decision Tree (DT). Noteu que en un algorisme bàsats en arbres pot ser reduïda el seu potencial de predicció amb variables categòriques amb massa categories Friedèniques ( 2017 ). La segona permet usar algorismes basats en distàncies com ara l'algorisme d'agrupació k-means, que necessita variables amb valors comparables perquè utilitza la distància euclídea Mohamad i Usman (Eclesiastès) 2013 ).
L'algorisme és un model bifàsic tal i com es mostra en la figura 3.4, que primer aplica agrupament mitjançant k-means per aconseguir tres clústers amb diferents taxes de conversió (baixa, regular, alta). A més, per a més obtenir uns resultats més precisos un classificador DT actua sobre els clústers baix i alt, per dividir-los en baix i molt baix, i alt i molt alt, respectivament. Per tant, l'algoritme proposat proporciona cinc categories de sortida: molt baix, baix, regular, alt i molt alt. Aquest tipus de sortida és calculada sobre la base de la probabilitat a priori de la propensió a la compra Pons et al. ( 1997 ), i ofereix un resultat interpretable per a un agent de viatges.
La clau del model està en com agrupa les variables en dues fases. En la primera fase, la transformació WoE és aplicada al conjunt de variables que contenen informació sobre qui és el client i d'on ve. Alguns exemples d'aquest tipus de variables són: canal de contacte ( web, correu electrònic, presència física o telèfon), compra a curt termini o llarg, si el viatge està relacionat amb algun esdeveniment particular (aniversari o casament). Amb aquestes variables, l'agrupació és desenvolupada per primer obtenir tres grups (baix, regular, alt), que després seran dividides en les cinc categories
finals desitjades. Després en la segona fase, les transfomuració WoE s'aplica a les variables inherents al viatge, com el nombre de llocs que visitar, durada del viatge, flexibilitat, preu final, etc. Noteu que la codificació WoE ha de ser aplicada de forma separada als grups baixa i alta probabilitat, encara amb la mateixa variable relacionada, perquè l'objectiu és capturar els patrons d'acord a cada grup independent. Finalment, dos DT aplicats als clústers de baixa i alta probabilitat subdivideixen aquests grups en dos grups més cadascun, resultant en cinc categories amb diferents propensions a la compra.
3.2.5 Organització Multi-Agent (MAS) bio-inspirada
Els agents intel·ligents són entitats independents que són SYSTEM-TH-001 per gestionar els mètodes de ML. Estableixen activitats cooperatives organitzades mitjançant una arquitectura MAS jeràrquica.
El MAS proposat consisteix en un formiguer que involucra agents que juguen tres rols diferents com formigues: la reina, els soldats i els treballadors (ver Fig. 3.5 ). Per tant, s'organitza seguint una estructura social de formigues bioinspirada. La reina (és a dir, l'agent gerent) és responsable del formiguer, rebent les sol·licituds per analitzar. Cal tenir en compte que es poden enviar diverses sol·licituds a aquest agent. Després, l'agent reina assigna l'activitat d'avaluació dels elements de la sol·licitud a un agent soldat (és a dir, l'agent avaluador). Aquest agent és l'encarregat d'assignar la informació rellevant als agents treballadors. Aquests últims processen la informació i apliquen els mètodes ML proporcionats pel sistema. Observeu-vos que hi ha una còpia del model ML disponible per a cada treballador. Una vegada que els agents treballadors han conclòs la seva tasca, els soldats s'uniren al resultat si és necessari (protegint i supervisant el resultat obtingut per un treballador o un conjunt d'ells) i retornen el resultat a l'agent reina.
Aquest procés es basa en el model Belief-Desire-Intention (BDI) De Silva et al. ( 2020 ) on cada agent presenta un objectiu o un conjunt d'ells que han de complir-se per completar el seu cicle de vida. En aquest sentit, la reina té l'objectiu assignedtask, els soldats tenen l'objectiu avaluatedinfo i els treballadors tenen l'objectiu processedinfo. Tots els objectius solen incloure tasques associades que són accions a aconseguir. Els agents intel·ligents han estat implementats amb almenys una tasca, que els permet aconseguir els seus objectius. Aquestes tasques són implementades en un entorn compartit pels agents, aquest entorn està format per les oportunitats dels possibles clients. Cada agent intel·ligent, té un estat mental i el seu processador i gestor, a més d'un conjunt de creences (motivacions). La reina també té una sèrie de regles i un pla per gestionar les sol·licituds d'oportunitats, alhora els soldats tenen un conjunt de regles similars per distribuir el coneixement sobre les oportunitats entre els treballadors. Sense em-
Figura 3.5: Extracte de les principals entitats involucrades al formiguer MAS.
bargo, els treballadors inclouen el model ML en els seus estats mentals per aconseguir l'avaluació de la informació, un pla i algunes regles senzilles per organitzar el procés en les creences. Per últim, les interaccions entre els individus segueixen l'estructura jeràrquica que consisteix principalment en converses directes. Noteu que en aquest cas, els treballadors no necessiten establir converses amb altres treballadors, ja que aborden el seu compromís individualment d'acord amb les ordres del soldat.
Quant al disseny del model de formiguer, s'ha abordat a través de la metodologia d'agents SOFTWARE-TH-001. A continuació, la composició resultant s'ha transformat perquè compleixi amb el marc MESA. Les converses i interaccions dels agents s'han implementat seguint els estàndards ORG-TH-006 ( ORG-TH-006 ) Mel et al. ( 2019 ).
3.2.6 Processos interns del sistema
El marc de treball de SYSTEM-TH-001 presenta tres processos principals d'acord amb la seva arquitectura. El primer procés engloba les diferents accions assolides per l'agent de viatges i el client fins que es concreta la venda d'un servei turístic. El segon procés es refereix a la tasca de retroalimentació. Finalment, el tercer procés comprèn els passos per actualitzar la informació sobre tarifes, serveis i
Figura 3.6: Processos d'oferta i venda d'un servei de prestació de serveis turístics.
altra informació rellevant.
El procés de venda d'un servei turístic consta d'un conjunt d'etapes, la majoria d'elles comunes a tots dos tipus d'usuaris finals (és a dir, agent de viatges i client). Ocorre perquè tots dos rols interactuen diverses vegades durant el procés (ver Fig. 3.6 ). Inicialment, els usuaris finals comencen sessió en el sistema. Si els usuaris ja són clients, poden demanar un servei turístic concret i enviar aquesta petició a l'agència de viatges. No obstant això, si els usuaris són agents de viatges, poden prendre la iniciativa (els clients són físics amb ells) o respondre a les possibles sol·licituds realitzades pels clients prèviament. Després el sistema analitza
Figura 3.7: Procés d'actualització de la informació basat en el feedback del client.
als clients per decidir si són propensos a la venda o no. En cas que siguin propensos, els agents de viatges prioritzen les seves demandes. Si els clients responen a la resposta proporcionada per les agències de viatges i un dels serveis turístics els interessa, el sistema finalitza el procés de tramesa dels documents amb la transacció i la informació relacionada amb el servei turístic. Però si els clients no van poder respondre als serveis turístics estipulats per les agències de viatges. En aquest cas, el procés conclou. A més, els clients poden no estar satisfets per les ofertes realitzades des de l'agència de viatge, en aquest cas l'agència haurà de generar nous serveis que compleixin amb els desitjos dels clients.
El procés de retroalimentació segueix una sèrie de passos en què els clients introdueixen comentaris sobre un servei turístic prèviament comprat i conclòs (ver Fig. 3.7 ). És un procés simple i opcional realitzat només pels clients on la seva opinió s'emmaça en el sistema. La informació que proporcionen és utilitzada per optimitzar les fórmules de recomanació contingudes en SYSTEM-TH-001.
El procés d'actualització de la informació és el treball de manteniment típic del sistema. Modifica principalment el coneixement emmagatzemat en els dos repositoris: mòduls Suppliers knowledge i Tourist services knowledge. Aquesta tasca s'ha de realitzar diàriament per tal de mantenir actualitzat el marc SYSTEM-TH-001. No obstant això, encara que és un procés manual, el sistema proporciona passos automatitzats per gestionar les accions i simplificar la tasca a l'administrador. Tingueu present que l'administrador no és considerat un usuari final pel sistema (ver Fig. 3.6 ),
3.3 Experiments
En aquesta secció es mostren la majoria d'experiments, almenys els més rellevants, per a la validació del rendiment com a solució de SYSTEM-TH-001, s'inclouen tres experiments en entorns reals. COMPANY-002 1 Va ser l'agència de viatges seleccionada per desenvolupar els experiments. Tingueu present que aquesta és la primera empresa en la que el sistema s'ha implantat en producció una vegada que s'ha completat l'etapa de desenvolupament.
Pel que fa al MAS inclòs en el sistema, presenta una configuració bàsica adaptada a les necessitats de l'empresa. Aquestes necessitats han estat prèviament provades ajustant els paràmetres abans dels experiments aquí presentats. Així, el MAS es compon de dos formiguers, amb cinc soldats i deu obrers.
El primer experiment cobreix la configuració dels paràmetres i la configuració del sistema. A més, es presenta una prova bàsica per avaluar el nivell de satisfacció que produeix el sistema entre els agents de viatges i els clients d'acord amb les recomanacions realitzades. El segon experiment detalla el rendiment de l'algoritme de detecció de clients potencials. S'inclou una comparació amb altres mètodes de l'estat de l'art. El tercer experiment avalua el rendiment del sistema una vegada implantat en l'agència de viatges. S'aborden les comparacions entre els beneficis de l'agència de viatges utilitzant i no utilitzant el marc SYSTEM-TH-001. Aquest fet permet il·lustrar la rellevància del sistema durant la gestió d'una agència de viatges.
3.3.1 Configuració de paràmetres i validació inicial del sistema
El primer experiment consisteix en un conjunt de passos per a mostrar com funciona el sistema proposat. Inicialment, els paràmetres del marc SYSTEM-TH-001 es van configurar per produir recomanacions sobre serveis turístics a clients i agents de viatges. Aquests valors els van proporcionar 3 experts en el domini de l'agència de viatges seleccionada (és a dir, les persones responsables de l'empresa). Després, 10 clients (preserveu el vostre anonimat) i 3 agents de viatges de l'empresa (és a dir, alguns dels treballadors de l'empresa) van avaluar les recomanacions obtingudes per als seus desitjos turístics específics. Finalment, aquests actors van proporcionar retroalimentació sobre el desenvolupament del sistema i la seva satisfacció amb els resultats obtinguts. Aquesta satisfacció s'ha mesurat segons una Escala Analògica Visual de Satisfacció (Satis VAS) Lynskey et al. ( 2021 ). Aquest SVA es va incloure en un document anònim. El resultat del SVA es va convertir a un rang de valors de 0 a 1 per obtenir l'opinió resultant.
1 [LINK-REDACTED]
Rol Satis VAS Agent A 0,85 Agent B 0,93 Agent C 0,73 Mean ± S.D. 0.84 ± 0.10
Taula 3.1: Valors de satisfacció proporcionats pels agents de viatges.
Rol Satis VAS Client 1 0,71 Client 2 0,62 Client 3 0,89 Client 4 0,76 Client 5 0,95 Client 6 0,58 Client 7 0,78 Client 8 0,69 Client 9 0,92 Client 10 0,76 Mitjana ± D.E. 0.77 ± 0.12
Taula 3.2: Valors de satisfacció aportats pels clients.
Quant a la configuració dels paràmetres (consulteu la secció 3.2.3 ), els experts de l'agència de viatges van decidir els següents valors per a ells. Els valors s'han fixat en 0,3, 0,45 y 0,25 respectivament. Aquesta decisió va ser motivada pel supòsit que els clients donen més importància a l'allotjament i a la ubicació que a la resta de característiques del servei turístic. Després, wC u,j i wC e,j es van fixar en 0,4 y 0,6, donant una rellevància moderada als comentaris proporcionats pels clients anteriors. Finalment, s'estableixen els pesos dels elements de cada categoria (transport, allotjament i extres). Per a la categoria de transport, wT quality, wT stopovers, wT time i wT price es configuren en 0,3, 0,1, 0,2 y 0,4 respectivament. Aquesta decisió dels experts va ser motivada pel supòsit que els usuaris solen considerar molt rellevant el preu del transport per sobre de l'altra característica. Per a la categoria d'allotjament, wA quality, wA location, wA services i wA price es configuren en 0,35, 0,25, 0,15 y 0,25 respectivament. Aquests valors corresponen a la suposició que els usuaris solen considerar com a rellevant el preu i la qualitat de l'hostatge, llevat que la ubicació i els serveis prestats també siguin molt importants. Per a la categoria d'extra, wE quality, wE flexibilitat, wE services i wE price estan configurats en 0,45, 0,15, 0,15 y 0,25 respectivament. Aquesta decisió parteix de la premissa que els usuaris donen més importància al preu i a la qualitat dels extres.
Un cop els paràmetres del sistema estan completament fixos, els tres agents de viatges fan peticions a SYSTEM-TH-001 per a obtenir recomanacions d'acord amb les vostres preferències. Aquestes preferències es van seleccionar el més heterogènies possible per validar el sistema mitjançant un ampli espectre de possibilitats.
A continuació, els clients van proporcionar indicacions que el sistema estava sent assistit pels agents de viatges per resoldre possibles problemes relacionats amb el funcionament del sistema. Les agències de viatges també van proporcionar als usuaris les millors configuracions obtingudes pel sistema. Si un client estava d'acord amb un dels serveis turístics oferts, el sistema completava el procés de reserva corresponent.
Finalment, es va lliurar als participants el document anònim amb el SVA. Els resultats es mostren a la Taula 3.1 i a la Taula 3.2. La satisfacció mitjana dels agents de viatges va ser de 0,84 mentre que la mitjana dels clients va ser de 0,77. En ambdós casos es van obtenir desviacions estàndard similars. Així, la satisfacció mitjana global del sistema va ser de 0, 80 ± 0, 11.
En conclusió, es pot dir que el resultat és molt acceptable des de les dues perspectives (clients i agents de viatges). A més, els clients són més urgents i exigents que els agents de viatges en l'avaluació de la satisfacció produïda per les recomanacions fetes pel marc de treball SYSTEM-TH-001.
3.3.2 Validació de l'algorisme d'estimació de la propensió a la compra.
Aquest experiment aborda el rendiment del model d'estimació de propensió a la compra proposat (model bi-stage). La proposta es compara amb els classificadors ML de darrera generació més típics Sen et al. ( 2020 ); González et al. ( 2020 (RF), Gradient Boosting (GB), k-Nearest Neighbour (kNN) i Logistic retorn (LR).
COMPANY-002 ha proporcionat el conjunt de dades per al desenvolupament d'aquest experiment. Conté al voltant de 104 instàncies que presenten una taxa de conversió inicial de 14 %, és a dir, el percentatge de clients que finalment van comprar el servei turístic (és a dir, les dades estan desbalancejades). Cada instància inclou una varietat d'atributs: dades de contacte, canal de contacte, servei, destinació del viatge, tipus de viatge, etcètera. En aquest cas particular, no es disposa d'informació més precisa de les dades a causa de la confidencialitat. Tots els algorismes seleccionats s'entrenen amb 80 % de totes les dades i es provenen amb les 20 % restants. Aquesta divisió es fa amb mostreig estratificat. Els hiperparàmetres de les alternatives ML se seleccionen mitjançant 10 -fold-cross-validation. La sortida de cada algorisme es presenta en cinc categories que atenen la distribució de probabilitat
RF GB kNN LR Bi-stage
model freq. c.rat freq. c.rat freq. c.rat freq. c.rat freq. c.rat freq. c.rat
Train
very low 75.0 0.0 74.2 5.8 0.0 100.0 72.5 11.5 16.6 1.7 low 9.9 0.0 10.3 25.2 54.2 0.0 9.0 17.8 17.1 5.1 regular 9.9 89.1 10.3 34.5 29.8 20.6 13.2 19.6 44.7 10.9 high 3.9 100.0 4.1 63.4 11.9 42.2 4.2 26.7 15.8 32.8 very high 1.2 100.0 1.0 87.3 4.1 100.0 1.1 28.2 5.9 48.0
Test
very low 57.5 4.9 73.6 7.0 0.0 - 72.3 6.7 17.0 2.5 low 17.1 16.5 10.0 25.0 75.2 7.5 2.0 25.0 17.0 6.7 regular 25.2 30.9 9.8 28.8 17.4 26.7 5.8 22.9 46.1 10.2 high 0.0 - 4.8 41.4 5.3 40.6 7.3 34.1 14.6 34.2 very high 0.2 100.0 1.8 63.6 2.0 58.3 12.6 35.5 5.4 51.5
Taula 3.3: Rendiment dels algorismes de classificació ML en termes de freqüència relativa (freq ), expressada en percentatge sobre el total general, i taxa de conversió ( c.rat ) per a cada categoria.
de sortida en el conjunt d'entrenament. El rendiment es mesura en termes de taxa de conversió i freqüència relativa a cada grup de classificació, expressat en percentatge sobre el total general. El poder predictiu s'avalua comprovant la taxa de conversió en els diferents grups, i la freqüència proporciona la significació del grup. Per últim, s'aprova el possible sobreajustament de l'entrenament i es realitza la concordança amb el conjunt de prova.
Els resultats es mostren a la Taula 3.3. RF té una mala concordança entre entrenament i prova, tant en freqüències com en taxes de conversió. De fet, un dels grups no té representació en el conjunt de dades de prova. kNN té un comportament similar en els conjunts d'entrenament i prova, amb diferències de fins 21 %. En aquesta situació no té sentit per avaluar cap altra mesura de rendiment. GB té una concordança generalment bona entre les instàncies d'entrenament i prova, excepte en les taxes de conversió per a les categories high i very high amb diferències superiors a 20 %. Aquestes diferències fan, igual que a RF i kNN, que no tingui sentit avaluar la resta d'ítems d'avaluació. LR té la millor concordança entre entre naminet i prova, tant en freqüència com en taxes de conversió. La distribució de les dades és alta i desequilibrada en totes les categories, on el grup low probability comprèn més del 70 % de dades. A més, les cinc categories no tenen prou distància entre elles en el terme de la taxa de conversió, 2 % en alguns casos, el que dificulta la diferenciació entre grups propers. Eventualment, el model bistage proposat té una excel·lent concordança entre les instàncies d'entrenament i prova, amb una desviació màxima de 3 %. La distribució de dades és la més equilibrada dels models provats, on la categoria regular és la més densa amb 45 % de les dades i la very high la menys densa amb 6 % de les dades per a l'entrenament, i 46 % y 5 % per al conjunt de prova respectivament. Les categories de probabilitat obtingudes són definitivament diferents amb cinc valors de probabilitat
Traditional Innovators Services n Time c.rat Rec. n Time c.ate Rec.
Web
N. Coast 20 3.2 15.0 2 20 2.9 25.0 3 N. Islands 20 5.2 10.0 2 20 4.8 15.0 3 Dubai-Maldives 16 10.1 6.3 1 16 9.6 12.5 2 Safaries 12 11.2 16.7 1 12 10.7 16.7 2
Other
N. Coast 8 4.2 37.5 1 8 2.7 50.0 2 N. Islands 8 5.7 25.0 0 8 3.0 37.5 1 Dubai-Maldives 4 12.0 25.0 1 4 8.0 50.0 1 Safaries 4 12.5 25.0 0 4 9.0 25.0 1
Taula 3.4: Resum dels resultats obtinguts per als grups Traditional i Innovators per a cada servei turístic. n és el nombre de clients potencials en cada servei i grup. El temps és el temps mitjà (en hores) que cada agent de viatges passa tramitant el servei turístic fins que és acceptat o descartat. Es presenta la taxa de conversió (c.rat) i el nombre de recomanacions (Rec).
representatius, i es valida en el conjunt de dades de prova amb desviacions mínimes.
L'experiment dut a terme mostra que aquest problema en particular necessita un enfocament ad-hoc, com el model bi-stage presentat. Aquesta solució és l'adequada per resoldre el problema de propensió a la compra proporcionat per COMPANY-002. El model bistage és el que millor classifica en les diferents categories de probabilitat amb freqüències equilibrades. A més, és el que proporciona la millor concordança entre entrenament i prova, garantint així la inexistència de sobreajust. Per tant, segons els requisits de rendiment, el mètode proposat serveix millor que el classificador d'última generació per a l'objectiu actual.
3.3.3 Avaluació de l'eficiència del sistema complet
En aquest experiment es comprova l'eficiència de SYSTEM-TH-001 en una situació real. S'ha mantingut la posada al punt del sistema amb la configuració de paràmetres, essent els mateixos del primer experiment.
L'experiment comença organitzant aleatòriament i proporcionalment els clients potencials de 184 en dos grups: Traditional i Innovators, per fer comparacions entre ells. Tots ells busquen el mateix tipus de serveis turístics: National Coasts, National Islands, Dubai-Maldives i Safaris. A més, es consideren canals web i altres canals com trucades telefòniques, recomanacions familiars, visites presencials a l'agència de viatges, etcètera. Noteu que aquests serveis comprenen un conjunt de serveis turístics específics.
El grup Traditional consisteix en 92 clients que van ser atesos mantenint la forma tradicional en què s'ha utilitzat l'empresa (és a dir, sense el suport del marc
SYSTEM-TH-001 ). D'altra banda, el grup Innovators està format per 92 van ser atesos utilitzant el marc SYSTEM-TH-001 per dur a terme les sol·licituds realitzades pels usuaris i les configuracions proporcionades per l'agència de viatges. Ambdós grups van treballar amb la mateixa agència de viatges per minimitzar les possibles variacions en els resultats.
L'experiment considera tres variables principals: el temps mitjà (en hores) que cada agent dedica a processar el servei turístic ofert als clients, la taxa de conversió i el nombre de recomanacions. Aquests resultats es presenten a la taula 3.4 per ambdós grups.
Per al grup Traditional, els resultats mostren que el temps mitjà per gestionar els serveis és menor en les destinacions nacionals. És a dir, els clients són més exigents quan el destí del viatge no és al mateix país. La taxa de conversió fluctua al canal web, tenint un valor baix per al servei Dubai-Maldives (és a dir, només uns pocs clients completen la compra), mentre que Safaris i National Coasts tenen un percentatge alt. S'han obtingut un total de recomanacions de 8 per aquest grup.
Per al grup Innovators, el servei Dubai-Maldives té la taxa de conversió més baixa i National Coasts té la més alta al canal web. S'han detectat diferències de rellevància en el nombre d'hores invertides, el nombre de recomanacions i la taxa de conversió entre Traditional i Innovators. El sistema va incrementar acceptablement la taxa de conversió, el nombre d'hores es va reduir significativament i el nombre de recomanacions també va ser major. S'han obtingut un total de 15 de recomanacions per al grup Innovators. Els canvis en la taxa de conversió i el nombre d'hores dedicades estan motivats per l'algoritme d'estimació de propensió a la compra. Va permetre seleccionar els millors clients per a l'agència de viatges, descartant als clients amb menor interès en la compra. A més, la informació visual proporcionada pel sistema, i les recomanacions precises també podrien haver fet que els clients acceptessin més fàcilment el servei turístic.
SYSTEM-TH-001 Ha demostrat que funciona perfectament amb els problemes diaris d'una empresa de viatges. A més, podria augmentar la taxa de conversió que es tradueix en beneficis per a l'empresa, i reduir el nombre d'hores fins que el client accepta o descarta les diferents possibilitats que s'ofereixen per a un determinat servei turístic. Aquest fet es tradueix en situacions menys estressants per als empleats i més agilitat en el procés de reserva.
3.4 Conclusions
El capítol sobre la gestió de serveis turístics a través de scoring de clients utilitzant una arquitectura d'agents bioinspirada conclou que el framework SYSTEM-TH-001 representa una solució innovadora i eficaç per a la transformació digital en el sector turístic. Aquest sistema combina eines avançades d'intel·ligència artificial i un enfocament bioinspirat per optimitzar la interacció entre agents de viatges i clients. A través de la seva arquitectura modular, SYSTEM-TH-001 facilita la recol·lecció, el processament i l'actualització d'informació rellevant, millorant tant l'eficiència com la precisió de les recomanacions.
L'anàlisi dels experiments realitzats en COMPANY-002 Va demostrar que SYSTEM-TH-001 supera els mètodes tradicionals i algorismes estàndard en termes de taxa de conversió, satisfacció del client i reducció de temps d'atenció. El model bistage, integrat en el framework, va destacar per la seva capacitat per predir la propensió a la compra amb alta precisió, permetent als agents prioritzar als clients amb major potencial.
La implementació d'un sistema multiagent bioinspirat va afegir flexibilitat i escalabilitat, assegurant un balanç de càrrega eficient i la capacitat de resposta en temps real. A més, l'enfocament dual de SYSTEM-TH-001, que beneficia tant els agents com els clients, consolida el seu potencial com una eina clau per abordar les demandes actuals del sector turístic, posant-se com un estàndard per a la innovació en aquest àmbit.