Este capítulo da tese centrase no framework SYSTEM-TH-001, un sistema deseñado para optimizar a xestión de servizos turísticos nunha axencia de viaxes mediante o uso de intelixencia artificial e unha arquitectura de axentes bioinspirada. SYSTEM-TH-001 Integra módulos que actualizan diariamente os repositorios de coñecemento de fontes e servizos turísticos. Aínda que require intervención manual, o sistema automatiza e simplifica as tarefas do administrador.
O framework probou na axencia COMPANY-002, incorporando un Sistema Multiaxente (MAS) baseado nunha organización bioinspirada, con configuracións adaptadas ás necesidades da empresa. Foron realizados experimentos que avaliaron parámetros clave e satisfacción de clientes e axentes de viaxe. Os resultados iniciais indicaron que os clientes priorizan atributos como prezo e calidade do servizo.
Os experimentos compararon o rendemento SYSTEM-TH-001 fronte a métodos tradicionais e outros algoritmos, avaliando a súa capacidade para predicir a propensión á compra. O modelo bi-stage de SYSTEM-TH-001 demostrou un mellor equilibrio entre adestramento e proba, evitando problemas de sobreaxuste e optimizando as recomendacións.
En probas reais, o sistema amosou unha mellora significativa na taxa de conversión, reduciu o tempo de atención e aumentou as recomendacións precisas, beneficiando tanto aos clientes como aos empregados, e reforzando a axilidade nos procesos de reserva. SYSTEM-TH-001 posiciona así como unha solución eficaz para a transformación dixital no sector turístico.
3.1 Introdución
Hoxe, o turismo é unha das industrias máis rendibles do mundo Camilleri ( 2018 ). Cada ano, exércitos de turistas visitan cidades famosas, vestixios históricos ou simplemente gozan do pracer de coñecer novas culturas e outras formas de vivir. Tamén, hai outros turistas que simplemente buscan a calma e o relax durante as súas vacacións, gozando de paisaxes e praias de ensoño Turtureanu ( 2010 ).
Todos estes eventos humanos producen o uso de varios tipos de transporte como avións, trens, autobuses e coches Dinu et ao. ( 2018 ). Ademais de xerar millóns de reservas en hoteis, apartamentos e outras inmobles semellantes que permiten aloxar a estes turistas.
Toda esta actividade debe ser xestionada polas axencias de viaxes, mediante a obtención de información sobre os destinos e a configuración dos diferentes tipos de turistas Moliner et ao. ( 2007 ). É por iso, que a aparencia dos sistemas enfocados a fornecer un soporte ao usuario final (xa sexa a turista ou o axente de viaxes) que facilite o proceso de reserva resulta completamente necesario e está á orde do día.
Ademais, os axentes de viaxe deben realizar un esforzo adicional para fornecer os seus clientes máis interesantes, coa fin de pechar a venda. Dada esta situación, é natural que comecen a florecer sistemas que automaticamente recomendan as recomendacións sobre as viaxes e destinos, escollendo os transportes óptimos segundo as necesidades do cliente Zapata et al. ( 2019 ).
Todos estes sistemas teñen as súas limitacións. O principal pescozo de botella consiste na dificultade de elaborar os orzamentos por parte dos axentes de viaxe. É unha tarefa que require dunha gran inversión de tempo e esforzo, que aumenta segundo se aumenta a complexidade e a combinación de destinos durante a viaxe desexada. Outro problema relevante é a incapacidade de fornecer retroalimentación sobre os servizos ofrecidos aos clientes. Este problema é esencial para as axencias de viaxes porque precisan coñecer se o traballo xerado foi axeitado e os clientes quedaron satisfeitos logo de gozar dos servizos contratados. Neste sentido, as recomendacións que filtran a configuración inicial dos clientes son clave. Estas normalmente marcan a evolución dos servizos turísticos ofrecidos, dado que adoitan atraer a atención do cliente dende o primeiro momento.
A pandemia do COVID... 19 foi outro gran problema para o sector turístico debido ao estabelecemento de restricións de movementos coa fin de limitar a expansión do virus. Esta medida obviamente influíu moi negativamente no turismo, reducindo as viaxes, e así xerando grandes perdas no sector Bakar e Robin ( 2020 ). Porén, os avances nos programas de vacinas, así como as medi-
das de relaxación contra o contaxio do virus, permitíronse que o turismo volva a niveis prepandemia e un novo optimismo se apodere do sector.
Por esta razón, resulta fundamental o desenvolvemento dun framework que poida xestionar a crecente nova demanda. Este sistema debe ser capaz de resolver os puntos débiles detectados, mediante unha xestión óptima de todos os problemas que aparecen desde que o cliente mostra o seu interese nun servizo turística, fornecendo soporte ao axente de viaxes na selección das diferentes posibilidades e obtendo a retroalimentación do cliente cando o servizo rematou.
Neste sentido, esta tese presenta o framewok SYSTEM-TH-001. Este é un sistema automático que inclúe varios asistentes gráficos para fornecer un completo soporte aos axentes de viaxe e turistas. A súa novidade reside nos seguintes puntos:
Cubre todos os procesos necesarios co proceso de venda de servizos turísticos, enfocándose fundamentalmente nos intereses do cliente e as posibles ofertas que encaixan mellor coa política da axencia de viaxes. A axente de viaxes e o cliente son guiados pola recomendacións xeradas polo sistema, en cada fase do proceso de venda.
Xera orzamentos rápidos en tempo real, o que produce unha mellora na toma de decisións tanto a nivel operativo, axentes de viaxes, como estratéxico, dirección.
É capaz de aprender mediante a experiencia e axuda a priorizar aqueles clientes ou potenciais clientes cunha grande propensión á compra. Un modelo de propensión á compra de ML foi incluído no sistema para dita tarefa.
A inclusión dun MAS así como dos seus axentes intelixentes permite xestionar de xeito óptima o intercambio de coñecemento e optimizar as comunicacións. Dito MAS desenvolveuse seguindo a abstracción bioinspirada dun formigueiro, o cal xestiona as cargas de traballo no sistema Moreno et al. ( 2022 ) funcionalidade moi relevante, dado que a maioría das empresas precisa realizar interaccións en tempo real, coa fin de cubrir as necesidades dos seus clientes.
Fornece soporte para o axente de viaxes axudándolle a filtrar entre as mellores opcións segundo os intereses do cliente. O sistema podería ser clasificado como un sistema de recomendación, que simplifica os procesos que se deben realizar na axencia de viaxes.
Deseñouse unha serie de experimentos, para demostrar o valor da proposta. O módulo que se encarga da priorización dos clientes foi avaliado de forma
independente para poder comprobar o valor engadido que aporta. Posteriormente, obtívose a proba todo o sistema e obtívose resultados moi prometedores en dita avaliación.
3.2 Proposta
3.2.1 Xestión automática do turismo
A xestión automática do turismo é unha das tarefas básicas dentro desta área, debido á inxente cantidade de diferentes procesos para considerar as ofertas disponíbeis, configuracións de viaxe, oportunidades de marketing e a configuración e indicacións dos clientes Kler ( 2009 ).
O proceso de xestión está baseado en dous enfoques: o cliente e o vendedor (por exemplo, o recurso final ou a axencia de viaxes). O primeiro é o máis desenvolvido por diferentes estudos e sistemas dispoñíbeis. O problema está relacionado coa implementación das novas tecnoloxías e o turimso electrónico (por exemplo, ofertas e marketing de servizos turísticos en internet, o que significa que o fornecedor de servizos turísticos ten contacto directo co cliente Hamid et ao. ( 2021 ).
En relación aos enfoques que permiten automatizar os diferentes procesos relacionados co turismo, a maioría dos sistemas son sistemas de recomendación dende ambos os dous enfoques.
No caso do enfoque das axencias de viaxes, tipicamente traballan con clientes que non saben onde viaxar ou cales son as súas preferencias. Por iso, os sistemas que son capaces de extrar e procesar información dos clientes poden fornecer soporte para a toma de decisións ou escoller o fornecedor óptimo desde a axencia para un cliente Hsu et al. ( 2013 ). A información pode ser contidos de texto Loh et al. ( 2003 ) ou xerados mediante a creación de perfís Adriana ( 2018 ).
Sobre o enfoque dos clientes, hai múltiples problemas nos que traballar. Por exemplo, sistemas capaces de elaborar específicas configuracións de viaxe para clientes con necesidades especiais son realmente útiles Novikova et al. ( 2015 ). Así mesmo, existen outros enfoques máis xeneralistas, algúns exemplos diso, son aqueles que se centran na selección da mellor ruta de acordo ao tempo metereolóxico e as condicións do tráfico Subramaniswamy et al. ( 2018 ) ou aqueles que recomendan as mellores viaxes para individuos ou grupos Herzog et al. ( 2018 ). Todos eles son como deseñadores virtuais de plans de viaxe Al Farni et al. ( 2021 ) que normalmente se basean nos gustos dos clientes e as súas viaxes xa realizados Garcia et ao. ( 2009 ). Para a selección de destinos, sistemas semellantes foron considerados -
dous. Procesan as opinións dos turistas para atopar os destinos máis populares para eles Zheng et al. ( 2018 ) e tamén producen rankings de interese Alrasheed et al. ( 2020 ). Por último, o problema de ofrecer o aloxamento óptimo de acordo coa configuración do cliente, tamén foi considerado. Estas opcións son realmente as necesidades dos clientes Foruzandeh et al. ( 2021 ), así como a súa capacidade económica Ray et al. 2021 ).
O framework SYSTEM-TH-001 está fundamentalmente centrado á perspectiva da axencia de viaxes, fornecendo elementos específicos para interactuar cos clientes. No primeiro caso, o vendedor recomendacións en tempo real acordes ás indicacións realizadas polos clientes sobre os seus intereses. O sistema dispón dunha compoñente realmente novente para informar ao vendedor de que clientes ten unha maior tendencia a mercar un servizo turístico. Isto facilita o traballo e aumenta o beneficio da axencia. No segundo caso, os clientes poden introducir as súas características e xuros. O sistema utilízaas para fornecer información filtrada ao vendedor.
3.2.2 O framework SYSTEM-TH-001
O principal obxectivo do framework SYSTEM-TH-001 dá soporte aos clientes e axentes de viaxe. Por iso, o sistema cubre ambas as dúas perspectivas relacionadas coa xestión de servizos turísticos.
Dende a perspectiva turística, SYSTEM-TH-001 fornece diferentes servizos turísticos acordes á configuración e funcionalidades. Para os usuarios do perfil de viaxe, o sistema ofrece os servizos óptimos considerando a configuración subministrada polo cliente, reseñas e puntuacións previas do servizo. Ademais, SYSTEM-TH-001 inclúe unha funcionalidade extremadamente novente para unha pyme, esta é a capacidade de escoller aqueles clientes cunha maior propensión á compra nun momento determinado, o que permite aos axentes de viaxes establecer as prioridades do seu plan de traballo, así como establecer as accións necesarias en cada caso.
O sistema é alimentado por varias fontes de información, que fornecen o coñecemento necesario, como por exemplo: a dispoñibilidade e prezo dos voos, hoteis, traslados, excursións, coches, etc.
As seguintes seccións detallan a arquitectura do framework SYSTEM-TH-001 considerando os diferentes módulos e facendo enfase nos procesos que cobren as súas funcionalidades.
Figura 3.1: Arquitectura do framework SYSTEM-TH-001.
3.2.3 Arquitectura xeral e módulos
A arquitectura do framework SYSTEM-TH-001 consiste en cinco módulos diferentes: o Information gather, o Tourist service manager, o Customer manager, o Travel agent mager e o Maintence manager. Estes módulos son complementados con dúas bases de datos de coñecemento que permiten almacenar información: o Suppliers knowledge e o Tourist services knowledge (ver Fig. 3.1 ). Estes módulos son capaces de levar a cabo estes tres procesos fundamentais: a venta de servizos turísticos, a retroalimentación do cliente e a actualización da información.
O módulo Maintence manager serve como punto central para manter información e parámetros comúns utilizados polo resto dos módulos de SYSTEM-TH-001. Típicamente algúns exemplos de mantemento da información están relacionados con modificacións dos recursos turísticos (por exemplo, mudanzas de nomes de hoteis, novos fornecedores ou peche de eventos). Debe dispor dunha capacidade de mapeo do mesmo servizo turístico en diferentes fornecedores para facilitar ao sistema a xeración de contidos de servizos con diferentes tarifas. Para eles, emprega o módulo de Information gather para realizar estas accións (ver Fig. 3.2 ).
O módulo Information gather reconecta a información do mercado virtual do turismo. Este mercado está baseado no intercambio de información entre fontes e consumidores a través da utilización de tecnoloxías XML e JSON. Este módulo recupera información de dous tipos, estática e dinámica. A primeira non se modifica a frecuencia, como o nome, descrición, funcionalidades e imaxes relevantes. A segunda cambia varias veces de forma diaria. Típicamente algúns datos deste tipo de información son a ocupación do hotel ou as tarifas. Toda esta información almacénase no repositorio de información Suppliers knowledge. É importante indicar que parte desta información non pode ser almacenada, debido a condicións contractuais cos fornecedores, que só poida ser consumida por
Figura 3.2 Visión do módulo Maintenance manager e Information gather.
Este módulo dunha forma pasiva.
O repositorio Suppliers knowledge ten o principal obxectivo de xestionar o coñecemento adquirido correspondente ás fontes. Nótese, que esta información se carga no repositorio por un humano de xeito manual. O sistema emprega toda esta información para poder facer recomendacións dunha forma automatizada. A interface visual SYSTEM-TH-001 fornece varios asistentes gráficos que sen dúbida tamén axudan ao usuario a completar as tarefas,
O módulo Tourist service manager é o mantenedor de xesionar as oportunidades de potenciais clientes, así como a xeración de ofertas personalizados para realizar as recomendacións óptimas (ver Fig. 3.3 ). Estas recomendacións baséanse nos cálculos realizados para obter os mellores recursos turísticos para unha operación, ordenados por interese. Cada tipo de recurso turístico é agrupado por un tipo de categoría. Na categoría transportes, voos, transportes colectivos ( por exemplos, trens e autobuses), e servizos de aluguer de coches, están incluídos. Na categoría de aloxamentos, hoteis, apartamentos e sitios semellantes son considerados. Finalmente na categoría de extras, excusións e seguros son clasificados e incluídos.
A expresión que fornece os mellores recursos turísticos para configurar un servizo turístico completo (TS) é descrito da seguinte forma:
TS = max k∈{ 1,...,|T|·|A|·|E|}TS k = X
C∈{T,A,E} θC · S coreC ( 3.1 )
onde T é o transporte, Ao aloxamento, e E son os extras. Ademais, os valores ♫ son os pesos que van de 0 a 1 para indicar a relevancia. Nótese que a suma dos pesos deber ser 1. Logo S coreC é o valor medio dos valores de S coreC j corres -
poñentes á selección de recursos turísticos dun servizo. S coreC j defínese do seguinte xeito:
S coreC j = wC u,j ♫ f C u,j + wC e,j expandida f C e,j ( 3.2 )
donde j ∈{ 1................................ ♫Ctivos}, ♫Ccerco é o número de elementos na categoría C. Os valores denotados por w son os pesos das contribucións parcial á puntuación global consecuentemente definida.
O elemento f CU,j son as variábeis preferidas e explícase da seguinte maneira:
n X
f C u,j = 1
n
iferredC j,i ( 3.3 )
onde preferredC j,i é un valor de ampliación [ 0, 1 A indicar a retroalimentación polos clientes en base de experiencias previas. Ademais, f C ou, j é o valor medio das opinións dos clientes.
No caso do elemento f T e,j, esta depende das categorías consideradas (T, A, E):
f T e,j = wT quality qualityT + + wT stopovers sttopoversT j + wT time ♫ timeT j + wT price + priceTj ( 3.4 )
f A e,j = wA quality qualityA + wA locationA j + wA services WA j + + wA price j ( 3.5 )
f E,j = wE quality qualityE j + wE flexibility Occidente flexibilityE j wE services + wE services j + wE price j ( 3.6 )
En cada categoría, considérase un conxunto de medidas con valores ♫ [ 0, 1 ]. Para a categoría transporte: calidade mide a calidade do transporte, paradas é o número de posíbeis paradas, tempo mide o tempo estimado en chegar ao destino, e prezo expresa o custo monetario. Na categoría Aloxamento: calidade mide a calidade do aloxamento, localización expresa a distancia relativa ás área turísticas, servizos expresa o nivel de servizos ofrecidos polo aloxamento e o prezo do mesmo. Finalmente, para a categoría Extras: calidade mide a calidade do extra, flexibilidade significa a capacida de reserva en horas e modalidades, servizos expresa o nivel do servizo proporcionado e prezo significa o custo do mesmo. Nótese que as medidas están ponderadas por pesos w cuxa suma é 1 para cada categoría.
Mediante as medidas para cada unha das categorías, o sistema tenta responder ás seguintes cuestións chave para unha viaxe:
COMO: mediante a definición da calidade ou nivel do recurso.
CANDO: mediante a clasificación do tempo necesario para chegar ao destino.
DÓNDE: clasificando o lugar e as súas proximidades.
QUE: clasificando a aceptación do recurs extra en termos do que ofrece.
POR QUE: define o conxunto de extras e seguranza ofrecida polo recurso.
O módulo é responsable de filtrar os clientes segundo a súa propensión a completar a compra. Un algoritmo que estima a propensión á compra encarga de esta clasificación. Este algoritmo emprega técnicas de procesamento clásicas e dous diferentes métodos de ML nunha arquitectura de dúas capas para categorizar os clientes en cinco grupos de acordo á súa probabilidade de reserva. Máis detalles deste proceso serán presentados posteriormente.
O módulo integra tres compoñentes: o tourist services organizer, o tourist service filter e o customer feedback gather. O primeiro contén un MAS para distribuír a carga de traballo e conseguir que a tarefa de toma de decisións sexa repartida. O segundo está a cargo do filtrado de recursos de acordo ás peticións realizadas polos clientes e o terceiro xestiona a retroalimentación posterior.
En relación ao MAS, consegue realizar as tarefas relacionadas cos métodos de ML usando unha estrutura bio-inspirada baseada nun formigueiro cunha raíña, soldados e mútltiples axentes traballadores. A raíña distribúe as diferentes tarefas entre os soldados, e constrúe o resultado final. Os soldados organizan os pedidos e fan uso dos traballadores para resolver o problema. Esta arquitectura dos axentes intelixentes, é de interese, porque permite implementar medidas de balance de carga. Estas medidas consisten na creación de novos soldados e traballadores, ou novos formigueiros completos para aumentar a capacidade do sistema. Máis detalles sobre o MAS proporcionaranse nas seguintes seccións.
O repositorio Tourist services knowledge almacena a información relacionada cos contratos de servizos turísticos para a consulta e modificación por parte dos axentes de viaxe. Esta información está suxeita ás decisións de xestión e configuracións feitas no módulo Tourist service manager. Serve como guía nos procesos de composión ou auto-xeneración de servizos turísticos. As retroalimentación obtida dos clientes unha vez o servizo concluíu tamén é considerada.
Figura 3.3: Visión dos módulos: Tourist service manager, Travel agent manager, e Customer manager.
O módulo Customer Manager ten como principal funcionalidade dar soporte aos clientes para realizar as tarefas necesarias para crear servizos turísticos en tempo real. Este módulo comunica cos repositorios Tourist services knowledge e Suppliers knowledge a través do módulo Tourist service manager para facer composicións dos diferentes elementos que conforman un servizo turístico. O servizo creado é almacenado para a máis tarde verificación e aprobación por parte dunha axente de viaxes.
O módulo Travel agent manager ten como propósito servir de punto central de xestión interna para as operacións de creación de servizos turísticos. Ademais encárgase da revisión dos servizos creados polos clientes a través do módulo Customer Manager. Está directamente conectado a unha interface gráfica, permitindo acceder ás informacións dos pedidos dos clientes. Este pedido é empregado para consultar aos repositorios Tourist services knowledge e Suppliers Knowledge mediante o módulo Tourist service manager, e desta forma obter servizos turísticos interesantes para o usuario. Este módulo pode xerar servizos turísticos desde cero mediante a selección de diferentes opcións. Nótese que a principal diferenza deste módulo en relación ao anterior reside na configuración dos privilexios do usuario (os axentes de viaxe teñen máis privilexios que os clientes).
A interface visual fornece opcións diferentes de acordo a dúas perspectivas: a do axente de viaxes e o do cliente. Para o primeiro caso, a vista permite a creación de viaxes (por exemplo un conxunto completo de servizos turísticos). Unha serie de asistentes gráficos tratan de aliviar a complexidade do deseño de viaxes, reducindo a toma de decisións do cliente mediante un conxunto finito de opcións. Cando o cliente aproba cun servizo de viaxe, é enviado á axencia de viaxes para a súa xestión: aprobación ou modificación. Unha serie de intercambios ten lugar entre o cliente e a axencia de viaxes até que o cliente confirme firmemente a viaxe e
é confirmado pola axencia de viaxes. Unha vez que os servizos foron confirmados e o pagamento completo foi verificado, execútase un proceso de envio de toda a documentación necesaria para gozar dos servizos. Ademais dita documentación, así como a legal asociada é posta a disposición do cliente na área privada de usuario para a súa pescuda e descarga. Para a segunda perspectiva, a da axente de viaxes, funcionalidades similares son proporcionadas. Porén os axentes de viaxe teñen aquí a iniciativa, puidendo xerar varios servizos turísticos para os clientes. Máis detalles acerca dos procesos de venda son descritos nas vindeiras seccións.
3.2.4 Algoritmo para a detección de clientes potenciais
O módulo Tourist service manager contén un algoritmo de estimación da propensión á compra. Clasifica aos clientes potenciais en función da súa probabilidade de pechar a reserva dun servizo turístico. Este algoritmo fornece información de alto valor á axencia de viaxes e permite que os axentes de viaxe poidan diferenciar entre bos e malos clientes (clintes que finalmente reservan ou non). O algoritmo consiste en tres elementos fundamentais: Transformación de variábeis, clustering e clasificación. O primeiro elemento prepara as entradas para a estimación de probabilidade, realizada polos métodos de clustering e clasificación. O segundo elemento fornece unha probabilidade inicial de compra e o último a refina nalgún dos clusters. A saída de algoritmo categoriza aos clientes potenciais segundo cinco grupos, acordes á súa taxa de conversión (por exemplo, a proporción de clientes que finalmente reservas un servizo turístico).
O elemento de transformación de variábeis é realizado por un codificador Weight Of Evidence (WoE) Weeed ( 2005 ). Este tipo de transformación e os seus beneficios foron estudados no Contorno do risco crediticio profundamente Anderson ( 2007 ); Zdravevski et ao. 2011 ). Axuda a traballar con datos categóricos e numéricos simúltaneamente, ademais pode funcionar con datos faltantes con outra técnica adicional. Tradicionalmente, a codificación WoE é usada para separar malos de bos clientes, o cal encaixa á perfección cun algoritmo de estimación da propensión á compra. A ecuación da transformación WoE é:
WoE = ln %non_ events
%events ( 3.7 )
onde o valor de events refírese aos bos clientes e o valor de non-events representa aos malos.
Unha das vantaxes máis interesantes de WoE para o actual enfoque é que as variábeis con demasiados valores discretos transfórtanse a variábeis numéricas e serán ordenadas de acordo auna relación monotónica coa variábel dependen-
Figura 3.4 Módeo bifásico para a estimación da probabilidade da propensión a reservar un servizo turístico.
te. WoE fornece unha variábel numérica que reagrupa ese gran número de valores discretos nunha serie de categorías ben poboadas que expresan a información para a nova categoría. Outra grande vantaxe que se obtén coa solución proposta é que WoE é un valor estandarizado. A primeira permite empregar algoritmos Decision Tree (DT). Nótese que nun algoritmo básado en árbores pode ser reducida a súa potencial de predición con variábeis categóricas con demasiadas categorías Friedman ( 2017 ). A segunda permite empregar algoritmo baseados en distancias como o algarismo de agrupamento k-means, que precisa variábeis con valores comparables porque emprega a distancia euclídea Mohamad e Usman ( 2013 ).
O algoritmo é un modelo bifásico tal e como se mostra na figura 3.4, que primeiro aplica agrupamento mediante k-means para conseguir tres clusters con diferentes taxas de conversión (baixa, regular, alta). Ademais para obter uns resultados máis precisos un clasificador DT actúa sobre os clusters baixo e alto, para dividilos en baixo e moi baixo, e moi alto, respectivamente. Polo tanto, o algoritmo proposto fornece cinco categorías de saída: moi baixo, regular, alto e moi alta. Este tipo de saída é calculada na base da probabilidade a priori da propensión á compra Pons et al. ( 1997 E ofrece un resultado interpretable para un axente de viaxes.
A chave do modelo está en como agrupa as variábeis en dous fases. Na primeira fase, a transformación WoE é aplicada ao conxunto de variábeis que conteñen información sobre quen é o cliente e de onde ven. Algúns exemplos deste tipo de variábeis son: canal de contacto (email, presenza física ou teléfono), compra a curto prazo ou longo, se a viaxe está relacionado con algún evento particular (aniversario ou voda). Con estas variábeis, a agrupación é desenvolvida para obter tres grupos (baixo, regular, alto), que despois serán divididas nas cinco categorías
finais desexadas. Despois na segunda fase, as transfomración WoE é aplicada ás variábeis inherentes á viaxe, como o número lugares que visitar, duración da viaxe, flexibilidade, prezo final, etc. Nótese que a codificación WoE debe ser aplicada de forma separada aos grupos baixa e alta probabilidade, mesmo coa mesma variábel relacionada, porque o obxectivo é capturar as figuras de acordo a cada grupo independente. Finalmente, dous DT aplicados aos clusters de baixa e alta probabilidade subdividen ditos grupos en dous grupos máis cada un, resultando en cinco categorías con diferentes propensións á compra.
3.2.5 Organización Multi- Axente (MAS) bio- inspirada
Os axentes intelixentes son entidades independentes que son usados por SYSTEM-TH-001 para xestionar os métodos de ML. Estabelecen actividades cooperativas organizadas mediante unha arquitectura MAS xerárquica.
O MAS proposto consiste nun formigueiro que involucra axentes que xogan tres roles diferentes como formigas: a raíña, os soldados e os traballadores (ver Fig. 3.5 ). Polo tanto, organízase seguindo unha estrutura social de formigas bioinspirada. A raíña (isto é, o axente xerente) é responsable do formigueiro, recibindo as solicitudes para analizar. Hai que ter en conta que se poden enviar varias solicitudes a este axente. Logo, o axente Reina asigna a actividade de avaliación dos elementos da solicitude a un axente soldado (é dicir, o axente avaliador). Este axente é o encargado de asinar a información relevante aos axentes traballadores. Estes últimos procesan a información e aplican os métodos de ML fornecidos polo sistema. Observe que hai unha copia do modelo ML dispoñíbel para cada traballador. Unha vez que os axentes traballadores concluíron a súa tarefa, os soldados únense ao resultado se é preciso (protexendo e supervisando o resultado obtido por un traballador ou un conxunto deles) e devolven o resultado ao axente raíña.
Este proceso baséase no modelo Belief- Desire- Tention (BDI) De Silva et al. ( 2020 Onde cada axente presenta un obxectivo ou un conxunto deles que se deben cumprir para completar o seu ciclo de vida. Neste sentido, a raíña ten o obxectivo assignedtask, os soldados teñen o obxectivo avaliatedinfo e os traballadores teñen o obxectivo processedinfo. Todos os obxectivos adoitan incluír tarefas asociadas que son accións a conseguir. Os axentes intelixentes foron implementados con polo menos unha tarefa, que lles permite conseguir os seus obxectivos. Estas tarefas son implementadas nun entorno compartido polos axentes, dito entorno está formado polas oportunidades dos posíbeis clientes. Cada axente intelixente, ten un estado mental e o seu procesador e xestor, ademais dun conxunto de crenzas (motivacións). A raíña ademais ten unha serie de regras e un plano para xestionar as solicitudes de oportunidades, ao mesmo tempo os soldados teñen un conxunto de regras semellantes para distribuír o coñecemento sobre as oportunidades entre os traballadores. Sen em-
Figura 3.5 Extracto das principais entidades involucradas no formigueiro MAS.
bargo, os traballadores inclúen o modelo ML nos seus estados mentais para acadar a avaliación da información, un plano e algunhas regras simples para organizar o proceso nas crenzas. Por último, as interaccións entre os individuos seguen a estrutura xerárquica que consiste principalmente en conversas directas. Nótese que neste caso, os traballadores non precisan establecer conversas con outros traballadores, xa que abordan o seu compromiso individualmente de acordo coas ordes do soldado.
En canto ao deseño do modelo de formigueiro, abordouse a través da metodoloxía de axentes SOFTWARE-TH-001. A continuación, a composición resultante mudouse para que cumpra co marco MESA. As conversacións e interaccións dos axentes implementaron seguindo os estándares ORG-TH-006 ( ORG-TH-006 () Melo et al. ( 2019 ).
3.2.6 Os procesos internos do sistema
O marco de traballo SYSTEM-TH-001 presenta tres procesos principais de acordo coa súa arquitectura. O primeiro proceso engloba as diferentes accións logradas polo axente de viaxes e o cliente até que se concreta a venda dun servizo turístico. O segundo proceso refírese á tarefa de retroalimentación. Finalmente, o terceiro proceso comprende os pasos para actualizar a información sobre tarifas, servizos e
Figura 3.6 Os procesos de oferta e venda dun servizo de prestación de servizos turísticos.
outra información relevante.
O proceso de venda dun servizo turístico consta dun conxunto de etapas, a maioría deles comúns a ambos os dous tipos de usuario finais (é dicir, axente de viaxes e cliente). Ocorré porque ambos os dous roles interactúan varias veces durante o proceso (ver Fig. 3.6 ). Inicialmente, os usuarios finais inician sesión no sistema. Se os usuarios son xa clientes, poden solicitar un servizo turístico concreto e enviar dicha petición á axencia de viaxes. Porén, se os usuarios son axentes de viaxe, poden tomar a iniciativa (os clientes son físicos con eles) ou responder ás posíbeis solicitudes realizadas polos clientes previamente. Logo, o sistema analiza
Figura 3.7: O proceso de actualización da información baseada no feedback do cliente.
aos clientes para decidir se son propensos á venda ou non. En caso de que sexan propensos, os axentes de viaxes priorizan as súas demandas. Se os clientes responden á resposta fornecida polas axencias de viaxes e un dos servizos turísticos interésalles, o sistema finaliza o proceso de envío dos documentos coa transacción e a información relacionada co servizo turístico. Con todo, se os clientes non puideron responder aos servizos turísticos estípulados polas axencias de viaxes. Neste caso, o proceso conclúe. Ademais, os clientes poden non estar satisfeitos polas ofertas realizadas dende a axencia de viaxe, en dito caso a axencia deberá xerar novos servizos que cumpran cos desexos dos clientes.
O proceso de retroalimentación segue unha serie de pasos nos que os clientes introducen comentarios sobre un servizo turística anteriormente comprado e concluído (ver Fig). 3.7 ). É un proceso simple e opcional realizado só polos clientes onde a súa opinión almacénase no sistema. A información que fornece é empregada para optimizar as fórmulas de recomendación contidas en SYSTEM-TH-001.
O proceso de actualización da información é o traballo de mantemento típico do sistema. Modifica principalmente o coñecemento almacenado nos dous repositorios: módulos Suppliers knowledge e Tourist services knowledge. Esta tarefa debe realizarse diariamente para manter o marco actualizado SYSTEM-TH-001. Porén, aínda que é un proceso manual, o sistema fornece pasos automatizados para xestionar as accións e simplificar a tarefa ao administrador. Lembre que o administrador non é considerado un usuario final polo sistema (ver Fig. 3.6 ),
3.3 Experimentos
Nesta sección móstranse a maioría dos experimentos, polo menos os máis relevantes, para a validación do rendemento como solución SYSTEM-TH-001, inclúense tres experimentos en ambientes reais. COMPANY-002 1 foi a axencia de viaxes escollida para desenvolver os experimentos. Lembre que esta é a primeira empresa na que o sistema se implantou en produción unha vez que se completou a etapa de desenvolvemento.
En canto ao MAS incluído no sistema presenta unha configuración básica adaptada ás necesidades da empresa. Estas necesidades foron previamente probadas xuntando os parámetros antes dos experimentos aquí presentados. Así, o MAS compóñese de dous formigueiros, con cinco soldados e dez obreiros.
O primeiro experimento cubre a configuración dos parámetros e a configuración do sistema. Ademais, preséntase unha proba básica para avaliar o nivel de satisfacción que produce o sistema entre os axentes de viaxe e os clientes de acordo coas recomendacións realizadas. O segundo experimento detalla o rendemento do algoritmo de detección de clientes potenciais. Incluírase unha comparación con outros métodos do estado da arte. O terceiro experimento avalia o rendemento do sistema unha vez implantado na axencia de viaxes. Abordédanse as comparacións entre os beneficios da axencia de viaxes empregando e non empregando o marco SYSTEM-TH-001. Este feito permite ilustrar a relevancia do sistema durante a xestión dunha axencia de viaxes.
3.3.1 Configuración de parámetros e validación inicial do sistema
O primeiro experimento consiste nun conxunto de pasos para mostrar como funciona o sistema proposto. Inicialmente, os parámetros da moldura SYSTEM-TH-001 axustáronse para producir recomendacións sobre servizos turísticos a clientes e axentes de viaxe. Estes valores foron fornecidos por 3 expertos no dominio da axencia de viaxes seleccionadas (é dicir, as persoas responsábeis da empresa). Logo, 10 clientes (preservando o seu anonimato) e 3 axentes de viaxes da empresa (isto é, algúns dos traballadores da empresa) avaliaron as recomendacións obtidas para os seus desexos turísticos específicos. Finalmente, estes actores forneceron retroalimentación sobre o desempeño do sistema e a súa satisfacción cos resultados obtidos. Esta satisfacción mediuse segundo unha Escala Analóxica Visual de Satisfacción (Satis VAS) Lynskey et al. ( 2021 ). Este SVA incluíuse nun documento anónimo. O resultado do SVA converteuse a un rango de valores de 0 a 1 para obter a opinión resultante.
1 [LINK-REDACTED]
Rol Satis VAS Axente A 0,85 Axente B 0,93 Axente C 0,73 Mean Libre S.D. 0.84 ± 0.10
Táboa 3.1: Valores de satisfacción fornecidos polos axentes de viaxes.
Rol Satis VAS Cliente 1 0,71 Cliente 2 0,62 Cliente 3 0,89 Cliente 4 0,76 Cliente 5 0,95 Cliente 6 0,58 Cliente 7 0,78 Cliente 8 0,69 Cliente 9 0,92 Cliente 10 0,76 Media Libre D.E. 0.77 ± 0.12
Táboa 3.2: Os valores de satisfacción aportados polos clientes.
En canto á configuración dos parámetros (consulte a sección 3.2.3 ), expertos da axencia de viaxes decidiron os seguintes valores para eles. Por LibreT. LibreA e SCHE, os valores fixéronse en 0,3, 0,45 y 0,25 respectivamente. Esta decisión foi motivada polo suposto de que os clientes dan máis importancia ao aloxamento e á localización que ao resto de características do servizo turístico. Logo, wC u,j e wC e,j fixéronse en 0,4 y 0,6 A dar unha relevancia moderada aos comentarios fornecidos polos clientes anteriores. Por último, establecense os pesos dos elementos de cada categoría (transporte, aloxamento e extras). Para a categoría de transporte, wT quality, wT stopovers, wT time e wT price configuranse en 0,3, 0,1, 0,2 y 0,4 respectivamente. Esta decisión dos expertos estivo motivada polo suposto de que os usuarios adoitan considerar moi relevante o prezo do transporte por riba da outra funcionalidade. Para a categoría de aloxamento, wA quality, wA tolation, wA services e wA price configúranse en 0,35, 0,25, 0,15 y 0,25 respectivamente. Estes valores corresponden á suposición de que os usuarios adoitan considerar como relevante o prezo e a calidade do refén, a non ser que a localización e servizos prestados tamén sexan moi importantes. Para a categoría de extras, wE quality, wE flexibilidade, wE services e wE price están configurados en 0,45, 0,15, 0,15 y 0,25 respectivamente. Esta decisión parte da premisa de que os usuarios dan máis importancia ao prezo e á calidade dos extras.
Unha vez que os parámetros do sistema están completamente fixos, os tres axentes de viaxes fan peticións a SYSTEM-TH-001 para obter recomendacións de acordo coa súa configuración. Estas opcións escolleron o máis heteroxéneas posíbel para validar o sistema mediante un amplo espectro de posibilidades.
A continuación, os clientes forneceron indicacións de que o sistema estaba a ser asistido polos axentes de viaxes para resolver posíbeis problemas relacionados co funcionamento do sistema. As axencias de viaxes tamén forneceron aos usuarios as mellores configuracións obtidas polo sistema. Se un cliente estaba de acordo cun dos servizos turísticos ofrecidos, o sistema completaba o proceso de reserva correspondente.
Finalmente, entregouse aos participantes o documento anónimo co SVA. Os resultados móstranse na táboa 3.1 e na táboa 3.2. A satisfacción media dos axentes de viaxe foi de 0,84, mentres que a media dos clientes foi de 0,77. En ambos os dous casos obtivéronse desviacións estándares. Así, a satisfacción media global do sistema foi de 0, 80 ± 0, 11.
En conclusión, pódese dicir que o resultado é moi aceptable desde ambas as dúas perspectivas (clientes e axentes de viaxes). Ademais, os clientes son máis apremantes e esixentes que os axentes de viaxes na avaliación da satisfacción producida polas recomendacións feitas polo marco de traballo SYSTEM-TH-001.
3.3.2 Validación do algoritmo de estimación da propensión á compra.
Este experimento aborda o rendemento do modelo de estimación de propensión á compra proposto (modelo bi- stage). A proposta compárase cos clasificadores ML de última xeración máis típicos Sen et ao. ( 2020 ); Fran Diéguez et ao. ( 2020 ): Random Forest (RF), Gradient Boosting (GB), k- Nearest Neighbour (kNNN) e Logistic Regression (LR).
COMPANY-002 Indicou o conxunto de datos para o desenvolvemento deste experimento. Contén arredor de 104 instancias que presentan unha taxa de conversión inicial 14 %, é dicir, a porcentaxe de clientes que finalmente mercaron o servizo turístico (isto é, os datos están desalanceados). Cada instancia inclúe unha variedade de atributos: datos de contacto, canal de contacto, servizo, destino da viaxe, tipo de viaxe, etcétera. Neste caso particular, non se dispón de información máis precisa dos datos debido á confidencialidade. Todos os algoritmos seleccionados son adestrados con 80 % de todos os datos e probaranse cos 20 % restantes. Esta división faise con mostraxe estratificado. Os hiperparámetros das alternativas ML se escollen mediante 10 - fold-cross-validation. A saída de cada algarismo preséntase en cinco categorías que atenden á distribuición de probabilidade
RFGB kNN LR Bi- stage
freq. c.rate freq. c.rate freq. c.rate freq. cr. cr.rate freq. crate crate. crate
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
Táboa 3.3 Rendemento dos algoritmos de clasificación ML en termos de frecuencia relativa (freq.), expresada en porcentaxe sobre o total, e taxa de conversión (c.rate) para cada categoría.
de saída no conxunto de adestramento. O rendemento mídese en termos de taxa de conversión e frecuencia relativa en cada grupo de clasificación, expresado en porcentaxe sobre o total. O poder predictivo evalúase comprobando a taxa de conversión nos diferentes grupos, e a frecuencia fornece a significación do grupo. Finalmente, evalúase o posible sobreaxuste do adestramento e se realiza a concordancia co conxutno de proba.
Os resultados móstranse na táboa 3.3. RF ten unha mala concordancia entre adestramento e proba, tanto en frecuencias como en taxas de conversión. De feito, un dos grupos non ten representación no conxunto de datos de probas. kNN ten un comportamento semellante nos conxuntos de adestramento e proba, con diferenzas de até 21 %. Nesta situación non ten sentido para avaliar ningunha outra medida de rendemento. GB ten unha concordancia xeralmente boa entre as instancias de adestramento e proba, excepto nas taxas de conversión para as categorías high e very high con diferenzas superiores a 20 %. Estas diferenzas fan, ao igual que en RF e kNN, que non teña sentido avaliar o resto dos ítems de avaliación. LR ten a mellor concordancia entrenamineto e proba, tanto en frecuencia como en taxas de conversión. A distribución dos datos é alta e desequilibrada en todas as categorías, onde o grupo low probability comprende máis do 70 % dos datos. Ademais, as cinco categorías non teñen distancia suficiente entre elas no termo da taxa de conversión, 2 % nalgúns casos, o que dificulta a diferenza entre grupos próximos. Eventualmente, o modelo bi-stage proposto ten unha excelente concordancia entre as instancias de adestramento e proba, cunha desviación máxima de 3 %. A distribución de datos é a máis equilibrada dos modelos probados, onde a categoría regular é a máis densa con 45 % dos datos e very high a menos densa con 6 % dos datos do adestramento, e 46 % y 5 % para o conxunto de probas respectivamente. As categorías de probabilidades obtidas son definitivamente diferentes con cinco valores de probabilidade
Traditional Innovators Services n Time c.rate Rec. time c.rate Rec.
Web
N. Coasts 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. Coasts 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
Táboa 3.4 Resumo dos resultados obtidos para os grupos Traditional e Innovators para cada servizo turístico. n é o número de clientes potenciais en cada servizo e grupo. O tempo é o tempo media (en horas) que cada axente de viaxes pasa tramitando o servizo turística até que é aceptado ou descartado. Preséntase a taxa de conversión (c.rate) e o número de recomendacións (Rec).
representativos, e valídase no conxunto de datos de probas con desviacións minimas.
O experimento levado a cabo amosa que este problema en particular precisa un enfoque ad-hoc, como o modelo bi-stage presentado. Esta solución é a axeitada para resolver o problema de propensión á compra fornecida por COMPANY-002. O modelo bi-stage é o que mellor clasifica nas diferentes categorías de probabilidade con frecuencias equilibradas. Ademais, é o que fornece a mellor concordancia entre adestramento e proba, garante así a inexistencia de sobreaxuste. Polo tanto, de acordo cos requisitos de perfilado, o método proposto serve mellor que o clasificador de última xeración para o obxectivo actual.
3.3.3 Avaliación da eficiencia do sistema completo
Neste experimento compróbase a eficiencia de SYSTEM-TH-001 nunha situación real. A posta a punto do sistema coa configuración dos parámetros mantido, sendo os mesmos do primeiro experimento.
O experimento comeza organizando aleatoria e proporcionalmente aos clientes potenciais de 184 en dous grupos: Traditional e Innovators, para facer comparacións entre eles. Todos eles buscan o mesmo tipo de servizos turísticos: National Coasts, National Islands, Dubai-Maldives e Safaris. Ademais, considéranse canais web e outros canais como chamadas telefónicas, recomendacións familiares, visitas presenzais á axencia de viaxes, etcétera. Nótese que estes servizos comprenden un conxunto de servizos turísticos específicos.
O grupo Traditional consiste en 92 clientes que foron atendidos mantendo a forma tradicional en que se usou a empresa (é dicir, sen o apoio do marco
SYSTEM-TH-001 ). Por outro lado, o grupo Innovators está formado por 92 clientes que foron atendidos empregando o marco SYSTEM-TH-001 para levar a cabo as solicitudes realizadas polos usuarios e as opcións fornecidas pola axencia de viaxes. Ambos os dous grupos traballaron coa mesma axencia de viaxes para minimizar as posibles variacións nos resultados.
O experimento considera tres variábeis principais: o tempo media (en horas) que cada axente dedica a procesar o servizo turístico ofrecido aos clientes, a taxa de conversión e o número de recomendacións. Estes resultados preséntanse na táboa 3.4 para ambos os dous grupos.
Para o grupo Traditional, os resultados amosan que o tempo media para xestionar os servizos é menor nos destinos nacionais. É dicir, os clientes son máis esixentes cando o destino da viaxe non está no mesmo país. A taxa de conversión fluctúa no canal web, tendo un valor baixo para o servizo Dubai-Maldives (isto é, só uns poucos clientes completan a compra), mentres que Safaris e National Coasts teñen unha porcentaxe alto. Obtivéronse un total de recomendacións de 8 para este grupo.
Para o grupo Innovators, o servizo Dubai-Maldives ten a taxa de conversión máis baixa e National Coasts ten a máis alta no canal web. Detectáronse diferenzas de relevancia no número de horas invertidas, o número de recomendacións e a taxa de conversión entre Traditional e Innovators. O sistema incrementou aceptablemente a taxa de conversión, o número de horas reduciuse significativamente e o número de recomendacións tamén foi maior. Obtivéronse un total de 15 de recomendacións para o grupo Innovators. Os cambios na taxa de conversión e o número de horas dedicadas están motivados polo algoritmo de estimación de propensión á compra. Permitiu seleccionar aos mellores clientes para a axencia de viaxes, esquecendo os clientes con menor interese na compra. Ademais, a información visual fornecida polo sistema, e as recomendacións precisas tamén poderían ter feito que os clientes aceptasen máis doadamente o servizo turístico.
SYSTEM-TH-001 Demostrou que funciona perfectamente cos problemas diarios dunha empresa de viaxes. Ademais, podería aumentar a taxa de conversión que se traduce en beneficios para a empresa, e reducir o número de horas ata que o cliente acepta ou descarta as diferentes posibilidades que se ofrecen para un determinado servizo turístico. Este feito tráducese en situacións menos estresantes para os empregados e máis axilidade no proceso de reserva.
3.4 Conclusións
O capítulo sobre a xestión de servizos turísticos a través de scoring de clientes empregando unha arquitectura de axentes bioinspirada conclúe que o framework SYSTEM-TH-001 representa unha solución innovadora e eficaz para a transformación dixital no sector turístico. Este sistema combina ferramentas avanzadas de intelixencia artificial e un enfoque bioinspirado para optimizar a interacción entre axentes de viaxe e clientes. A través da súa arquitectura modular, SYSTEM-TH-001 facilita a recolección, procesamento e actualización de información relevante, mellorando tanto a eficiencia como a precisión das recomendacións.
A análise dos experimentos feitos en COMPANY-002 demostrou que SYSTEM-TH-001 supera aos métodos tradicionais e algoritmos estándar en termos de taxa de conversión, satisfacción do cliente e reducir tempos de atención. O modelo bi-stage, integrado no framework, destacou pola súa capacidade para predecir a propensión á compra con alta precisión, permitindo aos axentes priorizar os clientes con maior potencial.
A implementación dun sistema multiaxente bioinspirado engadiu flexibilidade e escalabilidade, asegurando un balance de carga eficiente e a capacidade de resposta en tempo real. Ademais, o enfoque dual de SYSTEM-TH-001, que beneficia tanto aos axentes como os clientes, consolida a súa potencial como unha ferramenta chave para abordar as demandas actuais do sector turístico, posicionándose como un estándar para a innovación neste ámbito.