Dieses Kapitel seiner These konzentrierte sich auf den Rahmen SYSTEM-TH-001 Ein System, das entwickelt wurde, um das Management von touristischen Dienstleistungen in einem Reisebüro durch den Einsatz künstlicher Intelligenz und einer Architektur mit bioinspirierten Agenten zu optimieren. SYSTEM-TH-001 Es umfasst Module, die tägliche Wissensrepositorien von Tourismusanbietern und -dienstleistungen aktualisieren. Obwohl es manuelles Eingreifen erfordert, automatisiert und vereinfacht das System die Aufgaben eines Administrators.
Das Framework wurde in der Agentur getestet COMPANY-002 mit einem Multiagentensystem (MAS), das auf einer integrierten und bioinspirierten Organisation basiert und Konfigurationen verwendet, die an die Bedürfnisse des Unternehmens angepasst sind. Es wurden Experimente durchgeführt, bei denen die wichtigsten Parameter und die Zufriedenheit der Kunden oder Reisebüros bewertet wurden. Die ersten Ergebnisse zeigten, dass Kunden Attribute als Preis und Servicequalität priorisieren.
Die Experimente verglichen die Leistung von SYSTEM-TH-001 mit traditionellen Methoden und anderen Algorithmen, deren Fähigkeit zur Vorhersage der Kaufneigung bewertet wird. Das zweistufige Modell von SYSTEM-TH-001 haben eine bessere Balance zwischen Training und Testen gezeigt, Probleme mit Overlays vermieden und gleichzeitig die Empfehlungen optimiert.
In tatsächlichen Tests zeigte das System eine signifikante Verbesserung der Umwandlungsrate und reduzierte die Pflegezeit. Es erhöhte präzise Empfehlungen mit Vorteilen für beide Kunden SYSTEM-TH-001 und eine effektive Lösung für die digitale Transformation im Tourismussektor.
3.1 Einleitung
Heute ist der Tourismus eine der profitabelsten Industrien in Camilleri. 2018 ). Jedes Jahr besuchen Armeen von Touristen berühmte Städte und historische Überreste oder sie haben einfach das Vergnügen, neue Kulturen mit anderen Formen zu treffen. Es gibt auch andere Touristen, die einfach Ruhe und Entspannung während ihres Urlaubs suchen, mit einer großartigen Gelegenheit, die Landschaften der Traumstrände von Tucreac zu genießen () 2010 ).
All diese menschlichen Ereignisse führen zur Verwendung mehrerer Transportarten wie Flugzeuge, Züge und Busse. 2018 ). Neben der Generierung von Millionen von Reservierungen in Hotels, Apartments und anderen ähnlichen Immobilien, die diese Touristen ermöglichen.
All diese Aktivitäten sollten vom Reisebüro durchgeführt werden, mit Informationen über Ziele und Präferenzen verschiedener Touristentypen Moliner et al. ( 2007 ). Deshalb ist das Aufkommen von fokussierten Systemen zur Unterstützung des Endbenutzers (sei es ein Tourist oder Reisebüro), die ihren Buchungsprozess erleichtern, absolut notwendig und derzeit verfügbar.
Außerdem sollten Reisebüros zusätzliche Anstrengungen unternehmen, um ihren potenziellen Kunden die interessantesten Optionen zur Verfügung zu stellen, um sie zu schließen. Aufgrund dieser Situation ist es natürlich, dass sie mit der Blüte von Systemen beginnen, die automatisch Empfehlungen über Reisen und Ziele geben, indem sie den besten Transport auswählen, wie von Zapata et al. () 2019 ).
All diese Systeme haben ihre Grenzen. Die wichtigsten Engpässe sind die Schwierigkeit, Budgets durch Reisebüros zu erstellen. Es ist eine Aufgabe, die viel Zeit und Mühe erfordert, da die Komplexität, mit der Sie Ziele teilen, während Ihrer gewünschten Reise zunimmt. Ein weiteres wichtiges Problem ist die Unfähigkeit, Feedback zu den für Kunden angebotenen Dienstleistungen zu geben. Dieses Problem war für Reisebüros von entscheidender Bedeutung, da sie wissen mussten, ob die geschaffenen Arbeitsplätze geeignet waren und die Kunden mit ihnen zufrieden sind, nachdem sie ihre vertraglich vereinbarten Dienstleistungen in Anspruch genommen haben. Zu diesem Zweck sind Empfehlungen, die anfängliche Kundenpräferenzen filtern, von entscheidender Bedeutung. Sie markieren normalerweise die Entwicklung der angebotenen Tourismusdienstleistungen, da sie dazu neigen, Kundenbetreuung von einem frühen Stadium anzuziehen.
Der Covid- 19 Es war ein weiteres großes Problem für den Tourismussektor wegen der Beschränkungen der Bewegungsfreiheit mit Blick auf die Begrenzung der Virusausbreitung. Diese Maßnahme hatte offensichtlich erhebliche negative Auswirkungen auf den Tourismus, reduzierte die Reisekosten und führte somit zu hohen Verlusten in der Bakar (Bakar) 2020 ). Dennoch wurden die Fortschritte bei Impfprogrammen und -maßnahmen diesen Herausforderungen ein Ende gesetzt.
Der Richtlinienvorschlag der Kommission legt folgende Kriterien fest:
Aus diesen Gründen ist ein vollständiger Rahmen, der die wachsende Nachfrage bewältigen kann, von entscheidender Bedeutung. Dieses System sollte in der Lage sein, die festgestellten Schwachstellen zu beheben, indem es alle Probleme, die seit dem Interesse des Kunden an einer touristischen Dienstleistung aufgetreten sind, bestmöglich bewältigt und sein Reisebüro bei der Auswahl verschiedener Möglichkeiten unterstützt und nach seinem Ende ein angemessenes Kundenfeedback erhält.
Diese These stellt framewok vor SYSTEM-TH-001. Das ist ein automatisches System, das mehrere Grafikassistenten enthält, um Reisebüros und Touristen vollständig zu unterstützen. Die Neuheiten lauten wie folgt:
Es deckt alle notwendigen Prozesse mit dem Prozess des Verkaufs touristischer Dienstleistungen ab und konzentriert sich hauptsächlich auf Kundeninteressen und potenzielle Angebote, die am besten zu den Reisebürorichtlinien passen. Das Reisebüro und der Kunde werden von den Empfehlungen des Systems in jeder Phase ihres Verkaufsprozesses geleitet.
Es generiert schnell Budgets in Echtzeit, was zu einer besseren Entscheidungsfindung sowohl auf operativer Ebene als auch als Reisebüro mit strategischer Ausrichtung führt.
Er ist in der Lage, durch seine Erfahrung zu lernen und hilft dabei, Kunden oder potenzielle Kunden mit einer hohen Kaufneigung zu priorisieren. Ein Modell der Neigung zum Kauf von ML wurde für diese Aufgabe in das System aufgenommen.
Die Einbeziehung eines MAS und seiner intelligenten Agenten steuert den Wissensaustausch am besten mit einer besseren Kommunikation. Diese MAS wurde nach der bioinspirierten Abstraktion eines Antiguers entwickelt, der Arbeitslasten in Moreno et al. () 2022 ), ein wichtiges Merkmal, da die meisten Unternehmen Interaktionen in Echtzeit benötigen, um die Bedürfnisse ihrer Kunden zu erfüllen.
Bietet Unterstützung für das Reisebüro, indem es ihnen hilft, unter den besten Optionen zu filtern, abhängig von den Interessen ihrer Kunden. Das System könnte als Empfehlung klassifiziert werden, was die Prozesse auf Reisen einer Agentur vereinfacht.
Eine Reihe von Experimenten wurde entwickelt, um den Wert und die beste Praxis zu zeigen. Das Modul für die Client-Priorisierung wurde entsprechend evaluiert.
unabhängig, damit wir seinen Mehrwert überprüfen können. Das System als Ganzes wurde auf die Probe gestellt, und mit dieser Bewertung sind sehr vielversprechende Ergebnisse erzielt worden.
3.2 Vorschlag
3.2.1 Automatisches Management des Tourismus
Automatisches Tourismusmanagement ist eine der grundlegenden Aufgaben in diesem Bereich, aufgrund einer Vielzahl und unterschiedlicher Prozesse zur Berücksichtigung verfügbarer Angebote sowie Reiseeinstellungen, die von Klers Kunden vorgeschlagen wurden ( 2009 ).
Der Managementprozess basiert auf zwei Ansätzen: dem Kunden und dem Verkäufer (z. B. Endressource oder Reisebüro). Die erste wird am besten durch verschiedene Studien und verfügbare Systeme entwickelt. Das Problem bezieht sich auf die Implementierung neuer Technologien und elektronischer Turimso (z. B. Angebote oder Marketinginformationen über Tourismusdienstleistungen online). Das bedeutet, dass ein touristischer Dienstleister direkten Kontakt zu Hamid et al Client hat 2021 ).
In Bezug auf Ansätze, die verschiedene tourismusbezogene Prozesse automatisieren, sind die meisten Systeme Systemempfehlungen von beiden.
Im Falle eines Reisebüroansatzes arbeiten sie typischerweise mit Kunden zusammen, die nicht wissen, wo sie fahren sollen oder was ihre Vorlieben sind. Aus diesem Grund können Systeme, die in der Lage sind, Informationen von Kunden zu sammeln und zu verarbeiten, Entscheidungsunterstützung bieten oder den besten Anbieter mit einer Agentur für einen bestimmten Hsu et al-Client auswählen. 2013 ). Die Informationen können aus Text Loh et al. ( 2003 ) oder durch Erstellen von Adriana-Profilen ( 2018 ).
Beim Ansatz des Kunden gibt es viele Herausforderungen, mit denen man arbeiten muss. Zum Beispiel sind Systeme, die in der Lage sind, spezifische Reiseeinstellungen für Kunden mit besonderen Bedürfnissen zu entwickeln, wirklich nützlich Novikova et al. ( 2015 ). Es gibt auch andere allgemeinere Ansätze und einige Beispiele dafür waren diejenigen, die sich auf die Auswahl des besten Pfades konzentrieren, wie er in der Wetterzeit mit den Verkehrsbedingungen bezeichnet wird Suframaniyaswamy et al. () 2018 ), oder diejenigen, die beste Reisen für Einzelpersonen empfehlen und Herzog et al. ( 2018 ). Sie sind alle als virtuelle Designer von Al Fararni und al Reisepläne. () 2021 ), die in der Regel auf den Geschmack der Kunden basieren und ihre Reisen gemacht wurden Garcia et al. ( 2009 ). Für die Auswahl der Bestimmungsorte wurden ähnliche Systeme in Betracht gezogen als
Zwei. Sie verarbeiten die Ansichten von Touristen, um ihre beliebtesten Ziele für sie zu finden Zheng et al. ( 2018 ) und sie produzieren auch Rankings von Interesse Alrasheed et al. ( 2020 ). Schließlich wurde auch das Problem der Bereitstellung einer optimalen Unterkunft nach den Vorlieben des Kunden in Betracht gezogen. Diese Präferenzen sind eigentlich die Bedürfnisse der Kunden Forouzandeh et al. ( 2021 ) und seine wirtschaftliche Kapazität Ray et al. ( 2021 ).
Der Rahmen SYSTEM-TH-001 Es konzentriert sich hauptsächlich auf die Perspektive des Reisebüros und bietet spezifische Elemente für die Interaktion mit Kunden. Im ersten Fall erhält ein Verkäufer Echtzeitempfehlungen, die mit Informationen von Kunden über seine Interessen übereinstimmen. Das System hat eine wirklich neue Komponente, um den Verkäufer darüber zu informieren, welche Kunden eine erhöhte Tendenz haben, ihren touristischen Service zu kaufen. Das erleichtert die Arbeit und erhöht den Nutzen der Agentur. Im zweiten Fall können Kunden ihre Eigenschaften und Interessen einbringen. Das System verwendet sie, um dem Verkäufer durchgesickerte Informationen zur Verfügung zu stellen.
3.2.2 Der Rahmen SYSTEM-TH-001
Das Hauptziel des Frameworks SYSTEM-TH-001 Das ist zur Unterstützung von Kunden und Reisebüros. Das System deckt daher beide Perspektiven im Zusammenhang mit dem Management von Tourismusdienstleistungen ab.
Aus touristischer Sicht, SYSTEM-TH-001 bietet verschiedene touristische Dienstleistungen an, die mit Präferenzen und Merkmalen übereinstimmen. Für Nutzer des Modellprofils des Reisebüros bietet dieses System besten Service im Hinblick auf die vom Kunden bereitgestellten Präferenzen und früheren Leistungsbewertungen. Außerdem: SYSTEM-TH-001 enthält eine extrem neue Funktionalität für ein pyme, das ist die Fähigkeit, jene Kunden mit mehr Neigung zum Kauf zu einem bestimmten Zeitpunkt auszuwählen, und das ermöglicht Reisebüros, ihre Arbeitsplanprioritäten festzulegen, während sie in jedem Fall notwendige Maßnahmen einrichten.
Das System wird durch eine Reihe von Informationsquellen unterstützt, die das notwendige Wissen bereitstellen, wie z. B. Verfügbarkeit und Preis für Flüge oder Hotels.
Die folgenden Abschnitte erläutern die Architektur dieses Frameworks SYSTEM-TH-001 Berücksichtigung verschiedener Module und Fokussierung auf die Prozesse, die ihre Funktionalität abdecken.
Abbildung 3.1: Architektur des Frameworks SYSTEM-TH-001.
3.2.3 Allgemeine Architektur und Module
Die Architektur des Frameworks SYSTEM-TH-001 Es besteht aus fünf verschiedenen Modulen: Information Gatheer, Tourist Service Manager und Kundenmanagement. Diese Module werden durch zwei Wissensdatenbanken ergänzt, die es ihnen ermöglichen, diese Informationen zu speichern: die Lieferanten wissen wie und touristische Dienstleistungen Fähigkeiten (siehe Fig. 3.1 ). Diese Module sind in der Lage, diese drei grundlegenden Prozesse durchzuführen: Verkauf von touristischen Dienstleistungen, Kundenfeedback und Informationsaktualisierung.
Das Maintenance-Manager-Modul dient als zentraler Punkt für die Informationspflege und gemeinsame Parameter, die von den anderen verwendet werden SYSTEM-TH-001. Typischerweise beziehen sich einige Beispiele für die Informationspflege auf Änderungen der touristischen Ressourcen (z. B. Hotelname und neue Dienstleister oder Abschluss von Veranstaltungen). Eine Kartierungskapazität des gleichen touristischen Dienstes bei verschiedenen Anbietern ist notwendig, um die Systemproduktion mit einer Reihe und Preisen zu erleichtern. Verwenden Sie für sie das Modul Information Gatherer, um diese Aktionen durchzuführen (siehe Fig. 3.2 ).
Das Modul Information Gatheer sammelt Informationen aus dem virtuellen Markt des Tourismus. Der Markt basiert auf dem Informationsaustausch zwischen Anbietern und Verbrauchern durch den Einsatz von XML- oder JSON-Technologien. Dieses Modul ruft Informationen von zwei Typen ab, statische und dynamische. Die erste wird nicht oft geändert, da der Name und die Beschreibung dieser Produkte für sie relevant sind. Die zweite wechselt mehrmals täglich. Typischerweise sind einige Informationen über diese Art von Daten Hotelvermietung oder Preise. Alle diese Informationen werden im Wissen des Information Repository Suppliers gespeichert. Es ist wichtig darauf hinzuweisen, dass einige dieser Informationen nicht gespeichert werden können, da sie mit den Anbietern vertraglich vereinbart sind und nur von
Abbildung 3.2: Eine Vision des Wartungsmanagers und des Moduls Information Gatheer.
Dieses Modul ist passiv.
Das Wissen der Repository-Lieferanten hat das Hauptziel, die von den Anbietern erworbenen Informationen zu verwalten. Beachten Sie, dass diese Informationen manuell von einem Menschen in das Repository geladen werden. Das System verwendet all diese Informationen, um Empfehlungen auf automatisierte Weise zu geben. Die visuelle Schnittstelle von SYSTEM-TH-001 bietet mehrere grafische Assistenten, die sicherlich auch dem Benutzer helfen, seine Aufgaben zu erledigen,
Das Tourist Service Manager Modul widmet sich dem Risiko potenzieller Kundenchancen und der Generierung kundenspezifischer Angebote für beste Empfehlungen (siehe Abb.) 3.3 ). Diese Empfehlungen basieren auf Berechnungen, um die besten touristischen Ressourcen für eine Operation zu erhalten, geordnet nach Interesse. Jede Art von touristischer Ressource wird nach einer Kategorie gruppiert. Die Kategorien Transport, Flüge und Kollektiv (z. B. Züge oder Busse) sowie Mietwagen sind enthalten. In der Kategorie der Unterkunft, Hotels und ähnliche Standorte werden sie berücksichtigt. Schließlich in der Kategorie der Extras, Exzision und Versicherung werden sie klassifiziert oder enthalten.
Der Ausdruck, der die besten touristischen Ressourcen bietet, um einen kompletten Tourismusservice (TS) einzurichten, wird wie folgt beschrieben:
TS = max k 1 A 124, E () 12 und 3 ] TS k = X
C ∞ {T, A} θS 3.1 )
wobei T Transport, To Housing und E Extras sind. Die Vorschläge der Kommission sind im Hinblick auf die Überwachung und Bewertung der Produktion neuer Technologien vorgelegt worden. 0 a 1 Relevanz anzugeben. Beachten Sie, dass die Summe der Pesos 1. S choreC ist dann der Mittelwert von R- und N-Werten.
um die touristischen Ressourcen eines Dienstes auszuwählen. S choreC j ist wie folgt definiert:
S choreC j = wEC u, g · f und e 3.2 )
wobei j {} 1,.). 124 und C p845 wurden als Abschnitt bezeichnet 3 dieser Verordnung, sind aber derzeit in Kraft, nachdem 1 Januar 2012 Die mit w bezeichneten Werte sind die Gewichtung von Teilbeiträgen zu entsprechend definierter Gesamtpunktzahl.
Das Element f C u, j sind die bevorzugten Variablen und ausgedrückt wie folgt:
N X
f C u, j = 1
g
i primerredC j, I () 3.3 )
Wo Sie C j bevorzugen, ist i ein Wert ∞ [ 0, 1 ] zeigt Feedback von Kunden auf der Grundlage früherer Erfahrungen an. Auch f C oder j ist der Mittelwert der Meinungen der Kunden.
Für die Positionen f T und j hängt dies von den betreffenden Kategorien ab (N):
f T e, j = wt Qualität · qualityTJ + lt's stopopovers.topotesight JN und WL Zeit 3.4 )
f A e, j = wa Qualität · qualityA. J.+ WA.Standort N. 3.5 )
f E e, j = WE-Qualität · QualitätY J + HE Zugänglichkeit N flexibilitiand JM 3.6 )
In jeder Kategorie wird eine Reihe von Maßnahmen mit Werten berücksichtigt [ 0, 1 ]. Für die Kategorie Transport: Qualität misst die Transportleistung, Haltestellen sind die Anzahl der potenziellen Haltestellen und die Zeit wird messen, wie schnell wir unser Ziel erreichen. In der Kategorie Unterkunft: Qualität misst, wie hoch eine Unterkunft ist, wobei ihre Lage als relativ zu einem touristischen Gebiet ausgedrückt wird und Informationen über ihr Serviceniveau von ihnen angeboten werden. Schließlich für die Kategorie Extras: Qualitätsmaßnahmen ein Extra und Flexibilität bedeutet, dass sie mit ihren Methoden zeitweise reservieren können. Dienstleistungen ausgedrückt, wie viel Service zur Verfügung gestellt worden war, während die Preise durch seine Kosten gekennzeichnet. Es sei darauf hingewiesen, dass die Maßnahmen von w pesos mit einem Betrag von 1 für jede Kategorie.
Durch Aktionen für jede Kategorie versucht das System, Herausforderungen anzugehen, die für eine Reise von entscheidender Bedeutung sind:
WIE: durch Definition der Qualität oder des Niveaus einer Ressource.
QUANDO: durch Abstufung der Zeit, die notwendig ist, um Ihr Ziel zu erreichen.
Wo: durch die Einstufung des Ortes und seiner Umgebung.
WAS: durch die Klassifizierung der Akzeptanz eines zusätzlichen Resorts als das, was es bietet.
WARUM: Definiert die Menge an Extras und Sicherheit, die durch einen Aufruf angeboten werden.
Das Modul ist für die Filterung der Kunden verantwortlich, wenn sie vorschlagen, ihren Kauf abzuschließen. Ein Algorithmus, der die Kaufneigung abschätzt, wird mit der Erstellung dieser Klassifizierung beauftragt. Dieser Algorithmus verwendet klassische Score-Verarbeitungstechniken und zwei verschiedene ML-Methoden in einer Zwei-Schichten-Architektur, um Kunden entsprechend ihrer Buchungswahrscheinlichkeit in fünf Gruppen einzuteilen. Weitere Details zu diesem Prozess werden später eingereicht.
Das Modul umfasst drei Komponenten: den Veranstalter der touristischen Dienstleistungen, unseren Reiseservice-Filter und Ihren benutzerdefinierten Feedback-Sammler. Die erste beinhaltet ein MAS, um die Arbeitslast zu verteilen und Entscheidungsaufgaben zu teilen. Der zweite ist verantwortlich für die Filterung der Ressourcen nach den von Kunden gemachten Peticioines und sein dritter verwaltet das nachfolgende Feedback.
In Bezug auf MAS kann es Aufgaben im Zusammenhang mit ML-Methoden unter Verwendung einer bio- und antiguer-inspirierten Struktur ausführen, die auch eine alte Königin umfasst. Der Agent regelt die verschiedenen Aufgaben unter seinen Soldaten und baut ihr Endergebnis auf. Die Soldaten organisieren ihre Petitionen und nutzen sie, um das Problem zu lösen. Diese Architektur der intelligenten Agenten ist interessiert, weil sie es ermöglicht, Lastausgleichsmaßnahmen zu implementieren. Diese Maßnahmen bestehen darin, neues und vollständiges Personal oder Ameisen zu schaffen, um die Kapazität des Systems zu verbessern. Weitere Details über MAS werden in den folgenden Abschnitten zur Verfügung gestellt.
Das Repository Tourist Services-Wissen speichert Informationen zu Tourismusdienstleistungsverträgen für die anschließende Konsultation und Änderung durch Reisebüros. Diese Informationen unterliegen den Managemententscheidungen und -konfigurationen, die im The Tourist Service Manager-Modul getroffen werden. Es dient als Leitfaden für die Prozesse der Zusammensetzung oder Auto-Generierung touristischer Dienstleistungen. Das Feedback, das Kunden nach Abschluss des Services erhalten haben, wird ebenfalls berücksichtigt.
Abbildung 3.3 Modul Vision: Tourist Service Manager, Reisebüromanager und Kundenmanagement.
Das Kundenmanagermodul hat als Hauptfunktionalität die Unterstützung der Kunden bei der Durchführung der erforderlichen Aufgaben zur Erstellung von Echtzeit-Tourismusdiensten. Dieses Modul kommuniziert mit dem Wissen der Tourist Services und den Know-how-Repositories der Lieferanten durch den Tourism Service Manager, um Kompositionen verschiedener Elemente durchzuführen, die eine touristische Betreuung ausmachen. Der erstellte Service wird zur nachträglichen Überprüfung und Genehmigung durch ein Reisebüro gespeichert.
Das Travel Agent Manager-Modul dient als zentraler interner Managementpunkt für Operationen zur Schaffung von Tourismusdienstleistungen. Es betreibt auch eine Überprüfung der vom Kunden erstellten Dienste über das Kundenmanagermodul. Es ist direkt mit einer grafischen Benutzeroberfläche verbunden und ermöglicht Ihnen Informationen über die Anfragen Ihrer Kunden. Diese Anfragen werden verwendet, um das Wissen über touristische Dienstleistungen und das Wissen über Lieferanten über das Modul Tourismus-Servicemanager zu konsultieren und so eine interessante touristische Betreuung für die Benutzer zu erhalten. Das Modul kann touristische Dienstleistungen von Grund auf neu generieren, indem verschiedene Optionen ausgewählt werden. Beachten Sie, dass der Hauptunterschied dieses Moduls zu dem vorherigen in der Berechtigungskonfiguration des Benutzers liegt (Reiseagenten haben mehr Privilegien als Kunden).
Die visuelle Benutzeroberfläche bietet verschiedene Optionen, je nach zwei Perspektiven: die des Reisebüros und seines Kunden. Im ersten Fall unterstützt die Visualisierung die Erstellung von Reisen (z. B. eine vollständige Reihe von touristischen Dienstleistungen). Eine Reihe von Grafikassistenten versuchen, die Komplexität und das Design zu entlasten und die Entscheidungsfindung des Kunden durch eine endliche Menge zu reduzieren. Wenn der Kunde genehmigt, wie viel Reiseservice, werden sie an sein Reisebüro zur Verwaltung geschickt: Genehmigung und Änderung. Es wurden mehrere Austausche zwischen dem Kunden und seinem Reisebüro durchgeführt, bis eine sichere Bestätigung durch unseren Kunden vorliegt.
Das bestätigt das Reisebüro. Sobald die Dienste bestätigt und die vollständige Zahlung verifiziert wurden, wird ein Versandprozess mit allen notwendigen Unterlagen ausgeführt, um sie zu nutzen. Diese Dokumentation und das damit verbundene Recht werden dem Kunden auch in seinem privaten Nutzerbereich zur Konsultation zur Verfügung gestellt. Für die zweite Perspektive sind die eines Reisebüros und ähnliche Funktionen vorgesehen. Dennoch haben Reisebüros hier eine Initiative und können mehrere touristische Dienstleistungen für Kunden generieren. Weitere Details zu Verkaufsprozessen werden in den nächsten Abschnitten beschrieben.
3.2.4 Algorithmus zur Erkennung potenzieller Kunden
Das Tourist Service Manager Modul enthält einen Schätzalgorithmus für die Kaufneigung. Es kategorisiert potenzielle Kunden in Abhängigkeit von ihrer Wahrscheinlichkeit, die Reserve eines touristischen Dienstes zu schließen. Dieser Algorithmus liefert dem Reisebüro hochwertige Informationen und ermöglicht es Reisebüros, zwischen guten oder schlechten Kunden (Kunden, die sie schließlich gebucht haben) zu unterscheiden. Der Algorithmus besteht aus drei grundlegenden Elementen: variable Transformation, Clustering und Klassifizierung. Das erste Element bereitet Inputs für die Wahrscheinlichkeitsschätzung vor, die mit Cluster- und Klassifikationsmethoden durchgeführt werden. Der zweite Artikel bietet eine erste Kaufwahrscheinlichkeit und der letzte verfeinert sie bei einem Cluster. Die Algorithmusausgabe kategorisiert potenzielle Kunden nach fünf Gruppen, die ihrer Conversion-Rate entsprechen (z. B. dem Anteil der Kunden, die schließlich einen touristischen Service reservieren).
Das variable Transformationselement wird von einem Wight Of Evidence (WoE) Weed Encoder durchgeführt. 2005 ). Diese Art der Transformation und ihre Vorteile wurden im Kreditrisikoumfeld tief untersucht Anderson () 2007 ); Zdravevski et al. () 2011 ). Es hilft, gleichzeitig mit kategorischen und numerischen Daten zu arbeiten, kann aber auch aus fehlenden Informationen mit einer zusätzlichen Technik laufen. Traditionell wird WoE-Codierung verwendet, um schlechte von guten Kunden zu trennen, und das passt perfekt zu einem Schätzalgorithmus für die Kaufneigung. Die Gleichung der WoE-Transformation lautet:
WoE = ln% nicht Ereignisse
Ereignisse in % (in %) 3.7 )
wo sich der Wert von Ereignissen auf gute Kunden bezieht und wie das beste Nicht-Ereignis schlechte darstellt.
Einer der interessantesten Vorteile des aktuellen Ansatzes von WIE ist, dass Variablen mit viel zu vielen diskreten Werten in Zahlen umgewandelt werden und nach einem monotonen Verhältnis mit einer abhängigen Variable geordnet werden.
Abbildung 3.4 Ein zweiphasiges Modell, um die Wahrscheinlichkeit einer Neigung zu schätzen und einen Flughafenservice zu reservieren.
Titten. WoE stellt eine numerische Variable zur Verfügung, die diese große Anzahl diskreter Werte in ein Array und gut gefüllte Kategorien umgruppiert, die Informationen für die neue Kategorie ausdrücken. Ein weiterer großer Vorteil, der mit der vorgeschlagenen Lösung erreicht werden kann, ist That WoE ein standardisierter Wert. Die erste ermöglicht die Verwendung von Entscheidungsbaumalgorithmen (DT). Beachten Sie, dass in einem baumbasierten Algorithmus sein Vorhersagepotenzial mit kategorischen Variablen mit zu vielen Friedman-Kategorien reduziert werden kann. 2017 ). Der zweite ermöglicht die Verwendung eines distanzbasierten Algorithmus als k-Means-Gruppierungsalgorithmus, der Variablen mit vergleichbaren Werten erfordert, da er Mohamad und Usman eucliid verwendet. 2013 ).
Der Algorithmus ist ein zweiphasiges Modell, wie und wie in der Abbildung gezeigt 3.4 zuerst die Gruppierung mit k-Mitteln anwenden, um drei Cluster mit unterschiedlichen Konversionsraten (niedrig, regelmäßig und hoch) zu erhalten. Um genauere Ergebnisse zu erhalten, agiert ein DT-Klassifikator auf niedrige und hohe Cluster, um sie in niedrigere, aber sehr schlechte zu unterteilen. Somit bietet der vorgeschlagene Algorithmus fünf Produktionskategorien: sehr niedrig und hoch. Diese Art von Ausgabe wird unter Verwendung der apriori-Wahrscheinlichkeit aus der Neigung zum Kauf von Pons et al. () 1997 ) und bietet ein interpretatives Ergebnis für ein Reisebüro.
Der Schlüssel des Modells liegt darin, wie die Variablen in zwei Phasen gruppiert werden. In der ersten Phase wird die WIE-Transformation auf eine Reihe von Variablen angewendet, die Informationen darüber enthalten, wer sein Kunde ist und woher er kommt. Einige Beispiele für diese Variablen sind: Kontaktkanal (Web, E-Mail oder physische Anwesenheit) und kurz- bis langfristiger Kauf, wenn sich die Reise auf ein bestimmtes Ereignis bezieht. Mit diesen Variablen wird die Gruppierung entwickelt, um zunächst drei Gruppen (niedrig und regelmäßig) zu erhalten, die später in die fünf Kategorien unterteilt werden.
beabsichtigte Endungen. In der zweiten Phase werden WIE-Transponder auf eine inhärente Variable seiner Reise als Anzahl und Ort angewendet, die von ihnen besucht werden. Beachten Sie, dass die Codierung von WoE unabhängig auf Gruppen mit niedriger und hoher Wahrscheinlichkeit angewendet werden sollte, selbst mit der gleichen verwandten Variable wie sie, da ihr Ziel darin besteht, Muster für jede unabhängige Gruppe zu erfassen. Schließlich teilen zwei DTs, die auf Cluster mit niedriger und hoher Wahrscheinlichkeit angewendet werden, diese Gruppen in zwei weitere Sätze mit jeweils fünf verschiedenen Kategorien von Buy-offs.
3.2.5 Multiagent Organization (MAS) bio-inspiriert
Smart Agents sind unabhängige Entitäten, die von SYSTEM-TH-001 ML-Methoden zu verwalten. Sie gründeten kooperative Aktivitäten, die durch eine MAS-Architektur organisiert wurden.
Der MAS-Vorschlag besteht aus einer Ameise, an der Agenten beteiligt sind, die drei verschiedene Rollen als Ameisen spielen: die Königin, Soldaten und Arbeiter (siehe Abb.) 3.5 ). So ist es nach einer sozialen Struktur von bioinspirierten Ameisen organisiert. Die Königin (das ist der geschäftsführende Agent) ist für einen Antiguer verantwortlich und erhält Anwendungen zur Analyse. Bitte beachten Sie, dass mehrere Bewerbungen an diesen Agenten gesendet werden können. Der Realist Agent ernennt dann die Tätigkeit der Bewertung von Elementen aus seiner Anwendung zu einem Soldatenoffizier (das heißt, ein Bewerter). Dieser Agent ist für die Zuweisung von Informationen an die Arbeitnehmer verantwortlich. Letztere verarbeiten Informationen und wenden vom System bereitgestellte ML-Methoden an. Beachten Sie, dass für jeden Mitarbeiter eine Kopie des ML-Modells verfügbar ist. Sobald die Arbeitsagenten ihre Arbeit abgeschlossen haben, schließen sie sich ihnen bei Bedarf an (Schutz und Überwachung eines Mitarbeiters oder einer Gruppe von Arbeitern), während sie ihm sein Ergebnis zurückgeben.
Dieser Prozess basiert auf dem Modell Belief-Desiri-Attempted (BDI) De Silva et al. 2020 ), wo jeder Agent ein Ziel oder eine Reihe von ihnen hat, die erfüllt werden müssen, um seinen und ihren Lebenszyklus zu vervollständigen. Zu diesem Zweck hat die Königin ein zugewiesenes Ziel und das Ziel eines Soldaten, seine Informationen auszuwerten. Alle Ziele beinhalten in der Regel damit verbundene Aufgaben, die zu erreichende Maßnahmen sind. Intelligente Agenten wurden mit mindestens einer Aufgabe eingerichtet, damit sie ihre Ziele erreichen können. Diese Aufgaben werden in einer von Agenten geteilten Umgebung umgesetzt, und dies beinhaltet Möglichkeiten für potenzielle Kunden. Jeder intelligente Agent hat einen mentalen Status und seinen Prozessor oder Manager sowie eine Reihe von Überzeugungen (Motivationen). Die Königin hat auch eine Reihe von Regeln und einen Chancenmanagementplan, während Soldaten gleichzeitig ähnliche Standards haben, um Wissen über Möglichkeiten unter den Arbeitern zu verteilen. Keine em-
Abbildung 3.5: Auszug aus den wichtigsten Entitäten, die an Masameisen beteiligt sind.
Brego, Arbeiter beziehen das ML-Modell in ihren mentalen Zuständen ein, um eine Informationsbewertung und einen Plan mit einigen einfachen Regeln für ihre Organisation zu erreichen. Schließlich folgen Interaktionen zwischen Individuen der hierarchischen Struktur, die hauptsächlich aus direkten Gesprächen besteht. Beachten Sie, dass die Arbeiter in diesem Fall nicht mit anderen Mitarbeitern in Kontakt treten müssen, da sie ihr Engagement individuell auf Befehl des Soldaten eingehen.
Die Gestaltung des konkreten Modells wurde mithilfe einer Agentenmethodik angegangen. SOFTWARE-TH-001. Die Ergebniszusammensetzung wurde transformiert, um das MESA-Framework zu erfüllen. Die Gespräche und Interaktionen des Agenten wurden nach Standards implementiert ORG-TH-006 ( ORG-TH-006 Melo et al. ( 2019 ).
3.2.6 Interne Systemprozesse
Der Arbeitsrahmen für SYSTEM-TH-001 stellt drei Hauptprozesse in Übereinstimmung mit seiner Architektur vor. Der erste Prozess umfasst die verschiedenen Aktionen, die sowohl vom Reisebüro als auch vom Kunden erreicht werden, bis zu einem tatsächlichen Verkauf eines touristischen Dienstes. Der zweite Prozess bezieht sich auf die Aufgabe des Feedbacks. Schließlich umfasst der dritte Prozess Schritte zum Aktualisieren von Informationen über Preise und Dienstleistungen.
Abbildung 3.6: Die Angebots- und Verkaufsprozesse einer Dienstleistung für die Bereitstellung mit Tourismusdienstleistungen.
sonstige Angaben, soweit zutreffend.
Der Prozess des Verkaufs eines touristischen Dienstes umfasst ein Array und die meisten waren für beide Endbenutzer (das heißt, Reisebüro oder Kunde) üblich. Dies geschieht, weil beide Rollen während des Prozesses mehrmals interagierten (siehe Fig. 3.6 ). Zunächst melden sich Endbenutzer in das System ein. Wenn Benutzer bereits Kunden sind, können sie einen bestimmten touristischen Service beantragen und sie an das Reisebüro senden. Wenn Benutzer jedoch Reisebüros sind, können sie die Initiative ergreifen (Kunden waren physisch bei ihnen) oder früher auf potenzielle Anfragen von Kunden reagieren. Dann analysiert das System
Abbildung 3.7: Der Informationsaktualisierungsprozess basiert auf Kundenfeedback.
Kunden zu entscheiden, ob sie zum Verkauf geeignet sind oder nicht. Wenn sie geeignet sind, priorisieren Reisebüros ihre Nachfrage. Wenn Kunden auf die Antwort von Reisebüros geantwortet haben und einer ihrer touristischen Dienste sie interessiert hat, wird dieses System sein Verfahren zum Senden von Dokumenten mit Transaktionsinformationen über den Tourismusservice abschließen. Dennoch, wenn die Kunden nicht in der Lage waren, mit den von Reisebüros verlangten touristischen Dienstleistungen zu antworten. In diesem Fall ist das Verfahren abgeschlossen. Darüber hinaus können Kunden mit Angeboten des Reisebüros unzufrieden sein und müssen neue Dienstleistungen generieren, die ihren Wünschen entsprechen.
Der Feedback-Prozess folgt einer Reihe von Schritten, in denen Kunden Kommentare zu einem zuvor gekauften und abgeschlossenen touristischen Service eingeben (siehe Abb.) 3.7 ). Es ist ein einfacher und optionaler Prozess, der nur von Kunden durchgeführt wird, bei dem ihre Meinungen im System gespeichert sind. Die von ihnen bereitgestellten Informationen werden verwendet, um die in SYSTEM-TH-001.
Der Informationsaktualisierungsprozess ist eine typische Wartungsarbeit des Systems. Es modifiziert hauptsächlich das in beiden Repositorien gespeicherte Wissen: Die Fähigkeiten der Lieferanten und die touristischen Dienstleistungen wissen wie. Diese Aufgabe sollte täglich ausgeführt werden, um den Rahmen auf dem neuesten Stand zu halten. SYSTEM-TH-001. Während eines manuellen Prozesses bietet das System jedoch automatisierte Schritte, um Aktionen zu verwalten und die Arbeit mit einem Administrator zu vereinfachen. Bitte beachten Sie, dass der Administrator von Ihrem System nicht als Endbenutzer betrachtet wird (siehe Abb.) 3.6 ),
3.3 Experimente
Die meisten Experimente, zumindest die für die Validierung als Lösung für die Durchführung am relevantesten sind in diesem Abschnitt aufgeführt. SYSTEM-TH-001 3 Experimente werden in reale Umgebungen einbezogen. COMPANY-002 1 wurde das Reisebüro ausgewählt, um seine Experimente durchzuführen. Bitte beachten Sie, dass dies das erste Unternehmen ist, das nach Abschluss der Entwicklungsphase in Produktion genommen wurde.
Das im System enthaltene MAS bietet eine Grundkonfiguration, die an seine Bedürfnisse angepasst ist. Diese Bedürfnisse wurden zuvor getestet, indem die Parameter vor diesen Experimenten angepasst wurden. Somit besteht MAS aus zwei Ameisen mit fünf Soldaten und zehn Arbeitern.
Das erste Experiment umfasst die Konfiguration von Parametern und die Systemeinstellung. Darüber hinaus wird ein grundlegender Test zur Bewertung der Systemzufriedenheit zwischen Reisebüros und Kunden gemäß den Empfehlungen eingereicht. Das zweite Experiment beschreibt die Leistung des Algorithmus zur potenziellen Clienterkennung. Ein Vergleich mit anderen Methoden des Kunststatus ist enthalten. Das dritte Experiment bewertet die Systemleistung, sobald sie im Reisebüro installiert wurde. Vergleiche zwischen Reisebürovorteilen werden mit und ohne Rahmen behandelt SYSTEM-TH-001. Diese Tatsache verdeutlichte die Relevanz eines Systems bei der Verwaltung einer Reiseagentur.
3.3.1 Festlegung der Parameter und anfängliche Systemvalidierung
Das erste Experiment umfasst eine Reihe von Schritten, um zu zeigen, wie das vorgeschlagene System funktioniert. Erstens, die Rahmenparameter SYSTEM-TH-001 wurden eingerichtet, um Empfehlungen zu touristischen Dienstleistungen für Kunden und Reisebüros zu erstellen. Diese Werte wurden von 3 Experten auf dem Gebiet eines ausgewählten Reisebüros (das heißt, Personen mit Verantwortung für sein Unternehmen). Dann: 10 Kunden (unter Wahrung ihrer Anonymität) und 3 Die Reisebüros des Unternehmens (das sind einige seiner Mitarbeiter) bewerteten die erhaltenen Empfehlungen für ihre spezifischen touristischen Wünsche. Schließlich gaben diese Akteure Feedback über die Systemleistung und ihre Zufriedenheit mit den erzielten Ergebnissen. Diese Zufriedenheit wurde durch eine analytische visuelle Skala der Zufriedenheit (MSA) gemessen Lynsky et al. 2021 ). Dass AVS in einem anonymen Dokument enthalten war. Das Ergebnis der AVS wurde eine Reihe von 0 a 1 um die resultierende Meinung einzuholen.
1 [LINK-REDACTED]
Rol Satis VAS Agent A 0,85 Agent B 0,93 Agent C 0,73 Mittelwert ± S.D. 0.84 ± 0.10
Tabelle 3.1: Wert der Zufriedenheit, die von Reisebüros bereitgestellt wird.
Rol Satis VAS Kunde 1 0,71 Kunde 2 0,62 Kunde 3 0,89 Kunde 4 0,76 Kunde 5 0,95 Kunde 6 0,58 Kunde 7 0,78 Kunde 8 0,69 Kunde 9 0,92 Kunde 10 0,76 Mittelwert ± D.E. 0.77 ± 0.12
Tabelle 3.2: Wert der Zufriedenheit, die von den Kunden bereitgestellt wird.
Die festgelegten Parameter (siehe Abschnitt) 3.2.3 ), entschieden die Experten des Reisebüros wie folgt Werte für sie. Mit θT. ÇA und ΔE wurden die Werte auf 0,3, 0,45 und 0,25 jeweils. Diese Entscheidung wurde durch die Annahme motiviert, dass die Kunden der Unterkunft und der Lage mehr Bedeutung beimessen als anderen touristischen Dienstleistungen. Und dann wC u und j y.g. 0,4 und 0,6 mäßige Relevanz für Kommentare früherer Kunden. Die Gewichtung der Elemente in jeder Kategorie (Transport, Unterkunft und Extras) wird festgelegt. Für die Transportkategorie werden wT-Qualität und Wt-Haltestellen eingerichtet bei 0,3, 0,1, 0,2 und 0,4 jeweils. Diese Entscheidung wurde durch die Annahme begründet, dass die Nutzer die Transportpreise oft als sehr wichtig über ihre anderen Merkmale betrachten. Für die Kategorie der Unterkunft, WA Qualität und Lage wurden eingerichtet bei 0,35, 0,25, 0,15 und 0,25 jeweils. Diese Werte spiegeln die Annahme wider, dass die Nutzer den Preis und die Qualität ihrer Geisel oft als relevant betrachten, es sei denn, ihr Standort oder ihre Dienstleistungen sind ebenfalls sehr wichtig. Für die Kategorie Extras, WE Qualität und WE Flexibilität. 0,45, 0,15, 0,15 und 0,25 jeweils. Diese Entscheidung beginnt mit der Prämisse, dass die Nutzer mehr Wert auf Preise und Qualität von Extras legen.
Sobald die Systemparameter vollständig eingestellt sind, stellen die drei Reisebüros Anfragen an SYSTEM-TH-001 Um Empfehlungen nach Ihren Vorlieben zu erhalten. Diese Präferenzen wurden als heterogen ausgewählt, um das System durch ein breites Spektrum von Möglichkeiten zu validieren.
Die Kunden gaben dann Hinweise darauf, dass das System derzeit von Reisebüros unterstützt wird, um mögliche Probleme mit ihrer Funktionsweise zu lösen. Reisebüros boten den Benutzern auch die besten systemerhaltenen Einstellungen. Wenn ein Kunde mit einer der angebotenen touristischen Dienstleistungen einverstanden war, hat sein System den entsprechenden Buchungsprozess abgeschlossen.
Schließlich wurde ein anonymes Dokument mit dem AVS den Teilnehmern vorgelegt. Die Ergebnisse sind in der Tabelle aufgeführt. 3.1 und in der Tabelle 3.2. Die durchschnittliche Zufriedenheit der Reisebüros war 0,84 Die durchschnittliche Anzahl der Kunden war 0,77. In beiden Fällen wurden ähnliche Standardabweichungen erhalten. Die Gesamtdurchschnittszufriedenheit des Systems war 0, 80 ± 0, 11.
Abschließend können wir sagen, dass das Ergebnis aus beiden Perspektiven (Kunden und Reisebüros) durchaus akzeptabel ist. Darüber hinaus sind Kunden dringender und anspruchsvoller als Reisebüros, wenn es darum geht, die Zufriedenheit der Empfehlungen ihres Arbeitsrahmens zu bewerten. SYSTEM-TH-001.
3.3.2 Validierung des Schätzalgorithmus von der Neigung zum Kauf.
Dieses Experiment befasst sich mit der Leistung eines Schätzmodells, um einen Kauf vorzuschlagen (Bi-Phase). Der Vorschlag vergleicht sich mit dem typischsten Sen et al. ( 2020 ); González et al. () 2020 ): Random Forest (RF und Gradient Boosting, K-Nearest Neighbour).
COMPANY-002 den Datensatz für die Entwicklung dieses Experiments zur Verfügung gestellt haben. Enthält etwa 104 mit einer anfänglichen Umrechnungsrate von 14 % Das heißt, der Prozentsatz der Kunden, die endlich ihren touristischen Service gekauft haben (das heißt, Daten sind unausgewogen).Jede Instanz enthält eine Vielfalt und Vielfalt mit Informationen über Kontaktdatensatz. In diesem speziellen Fall sind aufgrund der Vertraulichkeit genauere Informationen über die Daten verfügbar. Alle ausgewählten Algorithmen werden trainiert mit 80 % und getestet werden mit 20 % bleibt. Diese Aufteilung erfolgt mit geschichteter Probenahme. Die Hyperparameter von ML-Alternativen werden ausgewählt durch 10 -fold.cross.- Validierung. Die Ausgabe jedes Algorithmus wird in fünf Kategorien dargestellt, die sich um die Wahrscheinlichkeitsverteilung kümmern
RF GB KNN LR Bistage
Modell freq. c.rate frq.tit
Zug
niedrig 75.0 0.0 74.2 5.8 0.0 100.0 72.5 11.5 16.6 1.7 niedrig 9.9 0.0 10.3 25.2 54.2 0.0 9.0 17.8 17.1 5.1 regelmäßig 9.9 89.1 10.3 34.5 29.8 20.6 13.2 19.6 44.7 10.9 hoch 3.9 100.0 4.1 63.4 11.9 42.2 4.2 26.7 15.8 32.8 sehr hoch 1.2 100.0 1.0 87.3 4.1 100.0 1.1 28.2 5.9 48.0
Test
niedrig 57.5 4.9 73.6 7.0 0.0 - 72.3 6.7 17.0 2.5 niedrig 17.1 16.5 10.0 25.0 75.2 7.5 2.0 25.0 17.0 6.7 regelmäßig 25.2 30.9 9.8 28.8 17.4 26.7 5.8 22.9 46.1 10.2 hoch 0.0 - 4.8 41.4 5.3 40.6 7.3 34.1 14.6 34.2 sehr hoch 0.2 100.0 1.8 63.6 2.0 58.3 12.6 35.5 5.4 51.5
Tabelle 3.3 Leistung von ML-Klassifikationsalgorithmen mit relativer Häufigkeit (frq.), ausgedrückt als Prozentsatz der allgemeinen Gesamtmenge und Umrechnungsrate für jede Kategorie
aus dem Trainingsset. Die Leistung wird als Umrechnungsrate und relative Häufigkeit für jede Klassifikationsgruppe gemessen, ausgedrückt als Prozentsatz der Gesamtsumme. Die prädiktive Leistung wird durch Überprüfung der Umwandlungsrate in verschiedenen Gruppen bewertet und die Häufigkeit liefert die Signifikanz einer Gruppe. Schließlich werden die potenziellen Überlagerungen des Trainings ausgewertet und mit einem durchgeführten Testkonsolent abgestimmt.
Die Ergebnisse sind in der Tabelle aufgeführt. 3.3. RF hat eine schlechte Übereinstimmung zwischen Training und Testen sowohl bei Frequenzen als auch bei Konversionsraten. Tatsächlich hat eine Gruppe keine Repräsentation im Datensatz des Tests. KNN hat ein ähnliches Verhalten bei Trainings- und Testsets mit Unterschieden von 21 %. In dieser Situation hat es keinen Sinn, andere Performance-Maßnahmen zu bewerten. GB hat eine allgemein gute Übereinstimmung zwischen Schulungs- und Testinstanzen, mit Ausnahme von Konversionsraten für hohe oder sehr niedrige Kategorien, die mehr Unterschiede aufweisen als 20 %. Diese Unterschiede bedeuten, wie bei RF und KNN, dass es keinen Sinn macht, die anderen Punkte der Bewertung zu bewerten. LR hat gleichzeitig das Beste zwischen Training und Testen, sowohl in der Häufigkeit als auch bei den Konversionsraten. Die Verteilung der Daten ist in allen Kategorien hoch und unausgewogen, wobei die Gruppe mit geringer Wahrscheinlichkeit mehr umfasst als 70 % Informationen. Darüber hinaus haben die fünf Kategorien am Ende ihres Umrechnungskurses keinen ausreichenden Abstand zwischen ihnen. 2 % In einigen Fällen macht dies die Unterscheidung zwischen engen Gruppen schwierig. Schließlich hat das vorgeschlagene Zwei-Stufen-Modell eine ausgezeichnete Übereinstimmung zwischen Trainings- und Testinstanzen mit einer maximalen Abweichung von 3 %. Die Datenverteilung ist das ausgewogenste der bewährten Modelle, wobei die reguläre Kategorie mit 45 % Daten und die sehr hoch zumindest dicht mit 6 % Informationen für die Ausbildung und 46 % und 5 % jeweils für den Testsatz. Die ermittelten Wahrscheinlichkeitskategorien sind mit fünf Wahrscheinlichkeitswerten definitiv unterschiedlich
Traditionelle Innovatoren Dienstleistungen n Zeit c.rate Re.g.
Webweb
N Küsten 20 3.2 15.0 2 20 2.9 25.0 3 N Inseln 20 5.2 10.0 2 20 4.8 15.0 3 Dubai 16 10.1 6.3 1 16 9.6 12.5 2 Safaris 12 11.2 16.7 1 12 10.7 16.7 2
andere
N Küsten 8 4.2 37.5 1 8 2.7 50.0 2 N Inseln 8 5.7 25.0 0 8 3.0 37.5 1 Dubai 4 12.0 25.0 1 4 8.0 50.0 1 Safaris 4 12.5 25.0 0 4 9.0 25.0 1
Tabelle 3.4: Zusammenfassung der Ergebnisse, die für traditionelle und Innovatorengruppen in Bezug auf jede touristische Dienstleistung erzielt wurden. Ns sind, wie viele potenzielle kunden in jeder betreuung oder gruppe gefunden wurden die zeit ist der durchschnitt (in stunden), dass jedes reisebüro durch die verarbeitung seines touristendienstes geht, bis es akzeptiert und ausgeschlossen wird. Die Konversionsrate und die Anzahl der Empfehlungen (Rec.) werden vorgestellt
und ist im Testdatensatz mit minimalen Abweichungen gültig.
Das durchgeführte Experiment zeigt, dass dieses spezielle Problem einen Ad-hoc-Ansatz erfordert, wie das vorgebrachte Zwei-Stufen-Modell. Diese Lösung war angemessen, um das Problem der Neigung zum Kauf zur Verfügung gestellt von COMPANY-002. Das zweistufige Modell klassifiziert am besten in verschiedene Wahrscheinlichkeitskategorien mit ausgeglichenen Frequenzen. Es bietet auch die beste Übereinstimmung zwischen Training und Testen, wodurch eine Abwesenheit von Overlays gewährleistet ist. Somit dient das vorgeschlagene Verfahren je nach Leistungsanforderungen besser als Klassifikator der letzten Generation für das heutige Ziel.
3.3.3 Bewertung der Gesamtsystemeffizienz
In diesem Experiment können wir die Effizienz von SYSTEM-TH-001 in einer realen Situation. Die Abstimmung des Systems mit der Parameterkonfiguration wurde beibehalten und sie sind in der ersten Phase geblieben.
Das Experiment beginnt mit der Organisation zufällig und proportional zu potenziellen Kunden von 184 in zwei Gruppen: Traditionelle und Innovatoren, um Vergleiche zwischen ihnen anzustellen. Sie alle suchen die gleiche Art von touristischen Dienstleistungen: National Coast, Nationalland und Dubai-Maldiven. Auch Web- und andere Kanäle werden als Telefonanrufe mit Familienempfehlungen oder Face-Care-Besuche im Reisebüro bezeichnet. Es sollte angemerkt werden, dass diese Dienstleistungen eine Reihe von dedizierten touristischen Pflege abdecken.
Die traditionelle Gruppe besteht aus 92 Kunden, die unter Beibehaltung der traditionellen Art und Weise betreut wurden, in der unser Unternehmen genutzt wurde (d. H. Ohne Rahmenunterstützung)
SYSTEM-TH-001 ). Auf der anderen Seite wurden Innovatoren gebildet von 92 Kunden, die für die Verwendung des Rahmens betreut wurden SYSTEM-TH-001 um die Anfragen der Nutzer und die von einem Reisebüro bereitgestellten Einstellungen auszuführen. Beide Gruppen arbeiteten mit dem gleichen Reisebüro zusammen, um mögliche Änderungen der Ergebnisse zu minimieren.
Das Experiment berücksichtigt drei Hauptvariablen: die durchschnittliche Zeit (in Stunden), die jeder Agent für die Verarbeitung seiner touristischen Dienstleistung mit Kunden anbietet, die Konversionsrate und die Anzahl der Empfehlungen. Diese Ergebnisse sind in der Tabelle dargestellt 3.4 für beide Gruppen.
Für die traditionelle Gruppe zeigen die Ergebnisse, dass die durchschnittliche Zeit für die Verwaltung von Dienstleistungen an nationalen Destinationen niedriger ist. Das bedeutet, dass Kunden anspruchsvoller sind, wenn das Ziel ihrer Reise nicht im selben Land liegt. Die Conversion-Rate schwankt auf dem Web-Kanal mit niedrigem Wert für den Dubai-Maldiven-Service (das heißt, nur wenige Kunden schließen ihren Kauf ab), während Safaris und National Coasts einen hohen Prozentsatz haben. Es wurden insgesamt Empfehlungen ausgesprochen. 8 für diese Gruppe.
Für die Innovatorengruppe hat Dubai-Maldives die niedrigste Conversion-Rate und National Coasts haben bei Web-Kanälen die höchste. Signifikante Unterschiede wurden in der Anzahl der verbrachten Stunden und auch in Bezug auf Empfehlungen bei einer Konversionsrate zwischen traditionellen oder Innovatoren festgestellt. Das System war eine akzeptable Erhöhung der Conversion-Rate, eine signifikante Reduzierung der Stunden und mehr Empfehlungen. Insgesamt 15 Empfehlungen für die Innovators-Gruppe. Die Änderungen der Konversionsrate und der Anzahl der dedizierten Stunden werden durch die Neigung zum Kaufschätzungsalgorithmus motiviert. Er erlaubte es, die besten Kunden für das Reisebüro auszuwählen, und seine Kunden mit weniger Interesse am Kauf wurden ausgeschlossen. Darüber hinaus hätten die vom System bereitgestellten visuellen Informationen und präzisen Empfehlungen auch für die Kunden einfacher sein können, ihren touristischen Service zu akzeptieren.
SYSTEM-TH-001 hat gezeigt, dass es perfekt mit den täglichen Problemen eines Reiseunternehmens funktioniert. Es könnte auch die Conversion-Rate erhöhen, die sich in Vorteile für unser Unternehmen übersetzt und ihre Anzahl von Stunden zu reduzieren, bis Kunden akzeptieren oder verwerfen verschiedene Möglichkeiten zur Verfügung zu einem bestimmten touristischen Service. Diese Tatsache führt zu weniger Stresssituationen für die Mitarbeiter und mehr Agilität im Buchungsprozess.
3.4 Schlussfolgerungen
Das Kapitel über die Verwaltung von Tourismusdienstleistungen durch Kunden-Scouting mit einer bioinspirierten Agentenarchitektur kommt zu dem Schluss, dass das Framework SYSTEM-TH-001 Es stellt eine innovative und effiziente Lösung für die digitale Transformation im Tourismussektor dar. Das System kombiniert fortschrittliche Werkzeuge der künstlichen Intelligenz und einen bioinspirierten Ansatz, um das Zusammenspiel zwischen Reisebüros und Kunden zu optimieren. Durch seine modulare Architektur, SYSTEM-TH-001 die Sammlung, Verarbeitung und Aktualisierung einschlägiger Informationen erleichtert, indem sowohl die Effizienz als auch die Genauigkeit der Empfehlungen verbessert werden.
Die Analyse von Experimenten durchgeführt bei COMPANY-002 gezeigt hat, dass SYSTEM-TH-001 überwiegt traditionelle Methoden und Standardalgorithmen in Bezug auf Conversion Rate, Kundenzufriedenheit oder kürzere Pflegezeiten. Das zweistufige Modell, das in das Framework integriert wurde und seine Fähigkeit betonte, die Kaufneigung mit hochpräzisen Agenten vorherzusagen, um das beste Potenzial der Kunden zu priorisieren.
Die Implementierung eines bioinspirierten Multiagentensystems fügte Flexibilität und Skalierbarkeit hinzu, wodurch eine effiziente Lastbilanz mit Echtzeit-Response-Kapazität gewährleistet wurde. Darüber hinaus ist der duale Ansatz zur SYSTEM-TH-001 Das kommt sowohl Agenten als auch Kunden zugute und stärkt ihr Potenzial als Schlüsselinstrument, um die heutigen Herausforderungen im Tourismussektor mit seinem Status als Innovationsstandard zu bewältigen.