10 Rekomendasi Produk Padat Hingga 3X Konversi | Perusahaan Perjalanan & Perhotelan

Saat para pelancong di seluruh dunia keluar dari jeda selama 3 tahun, percayalah bahwa tahun 2023 akan menjadi tahun perjalanan yang tiada duanya. Menurut Booking.com, 68% orang akan berusaha keras untuk membuat rencana perjalanan pada tahun 2023. Tetapi banyaknya pertanyaan menyiratkan bahwa pelanggan akan melakukan apa saja untuk mendapatkan penawaran hebat.

Jika Anda menjalankan bisnis perjalanan dan/atau perhotelan, Anda tahu bahwa 'musim yang baik' berarti banyak lalu lintas, tetapi juga menghasilkan rasio konversi yang buruk. Industri perjalanan dan perhotelan memiliki salah satu tingkat pengabaian kereta belanja tertinggi sebesar 85%. Mungkin ada banyak alasan untuk hal ini – harga lebih rendah, penawaran lebih baik, kurangnya personalisasi, atau program loyalitas yang buruk.

76% konsumen merasa frustrasi dengan bisnis yang tidak menawarkan pengalaman yang dipersonalisasi. Pengguna tidak lagi memiliki waktu untuk menanggung kelebihan kognitif dan bekerja keras 'mencari' apa yang mereka butuhkan, karena apa yang mereka butuhkan dipahami oleh produk favorit mereka (pemilik pertumbuhan). Yang mereka cari adalah dorongan dari merek yang membuat pengalaman mereka lebih mudah.

Kami menyebut rekomendasi produk dorongan ini – kurasi saran yang dipilih sendiri atas layanan yang dibuat menggunakan pembelajaran mesin dan sistem kompleks untuk menawarkan pengalaman unik. Rekomendasi ini dibuat menggunakan berbagai masukan seperti lokasi, riwayat penjelajahan sebelumnya, tren saat ini, penawaran, dll.

Bisakah rekomendasi produk menyelamatkan industri perjalanan & perhotelan?

79% konsumen berharap merek menawarkan pengalaman digital yang dipersonalisasi. Jadi, sesuatu yang sederhana seperti memungkinkan pelanggan mengisi data terlebih dahulu di tab pencarian atau mengingat tujuan yang paling sering diketik dapat berguna saat memesan. Travel OTA (agen perjalanan online) kini juga mengingat filter yang paling umum digunakan sebagai pengait untuk mempertahankan pelanggan.

Tetapi bagaimana cara memastikan bahwa pengguna melihat konten dan penawaran yang dipersonalisasi untuk mereka? Jawabannya adalah dengan menggunakan data yang relevan . Anda perlu mengumpulkan data yang tepat dari pelanggan Anda untuk menunjukkan kepada mereka apa yang mereka inginkan. Peristiwa pengguna dapat ditangkap di backend Anda dan dikirim ke platform CRM Anda untuk menganalisis pelanggan Anda berdasarkan data penggunaan dan kemudian mengelompokkannya ke dalam properti pengguna untuk ditargetkan.

Pertanyaan yang lebih besar adalah, acara seperti apa yang harus ditangkap oleh merek perjalanan dan perhotelan untuk lebih memahami pelanggannya? Ada beberapa cara efisien untuk memulai:

1. Demografi Pengguna: Demografi pengguna seperti usia, jenis kelamin, etnis, atau tingkat pendapatan dapat memengaruhi kinerja mesin rekomendasi secara signifikan dengan memahami ICP (profil pelanggan ideal) pada tingkat yang lebih dekat dan lebih pribadi.

Di bawah ini adalah contoh ICP untuk situs web perjalanan:

Nama	Rohit
Jenis kelamin	Pria
Lokasi	Rajasthan
Usia	28
Kelas layanan	Premium ke atas
Pendapatan rata-rata	< 3500000/tahun
Maskapai pilihan	pemandangan
Jenis perjalanan yang disukai	Lokal

Setelah Anda memahami pelanggan pada level ini, Anda dapat menyatukan mereka dalam kelompok dan membiarkan pengalaman serupa mengalir dalam hal rekomendasi perjalanan, penginapan, atau makanan. Misalnya, Expedia merekomendasikan pilihan teratas untuk musim ini.



2. Preferensi lokasi: Cara unik untuk melihatnya adalah membuat rekomendasi berdasarkan tujuan yang paling sering dikunjungi dari lokasi tertentu – misalnya menyarankan tujuan pantai kepada orang-orang dari kota yang terkurung daratan atau menampilkan tujuan yang paling sering dikunjungi di tingkat lokasi pengguna saat ini.
3. Email: Menutup lingkaran dengan pelanggan adalah alat yang sangat ampuh dari sudut pandang personalisasi. Saat pelanggan menerima email dari merek, ekspektasi mereka melambung tinggi dalam hal personalisasi.

Dengan demikian, dengan menggunakan data pelanggan seperti riwayat perjalanan, preferensi, & demografi, tim pemasaran dapat menyesuaikan komunikasi mereka, menjadikannya lebih relevan dan menarik. Sebanyak 97% pemasar melaporkan lonjakan hasil bisnis pasca personalisasi.

Berikut adalah contoh bagus dari MakeMyTrip tentang rekomendasi berbasis musim melalui email.


4. Frekuensi perjalanan: Membangun kelompok pengguna yang memiliki kebiasaan yang sama adalah cara yang sangat diremehkan untuk membuat rekomendasi produk.

Misalnya, mensegmentasikan pengguna dalam kumpulan mereka yang sering bepergian pada akhir pekan, mereka yang melakukan perjalanan bisnis selama seminggu, dan mereka yang bepergian untuk bersantai dapat mengekspos merek ke kekuatan, inti, dan profil pengguna kausal mereka.

Idealnya ini harus menjadi segmentasi tingkat pertama, di mana Anda dapat menambahkan lebih banyak lapisan untuk memperkaya data. Jadi, penawaran dan rekomendasi produk, voucher, dan frekuensi penggunaan berdasarkan fitur memungkinkan merek mengatur hubungan yang lebih dalam dan lebih bermakna dengan pelanggan mereka. Anda juga dapat mengikat program loyalitas berdasarkan frekuensi untuk mendorong retensi.
Lihat saja contoh Program Loyalitas Booking.com ini:

Personalisasi dilakukan dengan baik pada skala

Booking.com adalah contoh bagus personalisasi yang dilakukan dengan baik dalam skala besar di banyak halaman situs web. Jika Anda pernah membuat reservasi dari pemesanan, Anda akan tahu bahwa merek tersebut pasti akan mengingat riwayat Anda dan membiarkan detail tersebut mengalir untuk keseluruhan pengalaman Anda.

Booking.com menggunakan pembelajaran mesin canggih untuk menangkap beberapa poin data; riwayat penelusuran unik pengguna, lokasi, preferensi, dll. Merek membedah riwayat penelusuran dan pola pemesanan pengguna untuk memahami preferensi perjalanan mereka.
Misalnya, jika pengguna secara konsisten memesan hotel yang memiliki gym atau spa, Booking.com dapat merekomendasikan hotel dengan fasilitas serupa di masa mendatang.

Merek terkenal sangat bergantung pada umpan balik untuk mengidentifikasi tema dan area umum yang memerlukan perbaikan dan kemudian membuat rekomendasi ke platform untuk pengalaman yang dipersonalisasi lebih baik bagi penggunanya.

Tab rekomendasi merek yang berada di bawah bilah pencarian membantu orang dengan saran tentang riwayat, lokasi, detail IP, segmen, dll.

76% konsumen merasa frustrasi dengan bisnis yang tidak menawarkan pengalaman yang dipersonalisasi.

Pada tingkat yang paling mendasar, semua jenis info berguna — riwayat pencarian, riwayat perjalanan, interaksi dengan Antarmuka Pengguna Booking.com, dll. — dimasukkan ke dalam model ML. Data ini kemudian dianalisis dan digunakan di berbagai tingkatan untuk meningkatkan pengalaman pengguna.

Setiap hari, hampir setengah triliun peristiwa diproses, dan semakin banyak informasi yang dikumpulkan model, semakin pintar mereka dalam membuat asosiasi antara berbagai lokasi, jenis pengguna, jenis produk untuk memberikan rekomendasi produk. Dengan demikian menyediakan 'Halaman Beranda' yang sangat dipersonalisasi yang kita semua sukai.

Landasan model rekomendasi perjalanan dan perhotelan

1. Mesin rekomendasi yang berpusat pada tujuan

Wisatawan memasukkan berbagai faktor saat memutuskan ke mana akan melakukan perjalanan selanjutnya: mulai dari pilihan lokasi mereka hingga faktor-faktor seperti keterjangkauan, ketersediaan, harga, dll., banyak elemen menentukan pilihan tujuan mereka. Ini menciptakan kebutuhan akan platform OTA (Over-The-Air) untuk membuat sistem rekomendasi yang kuat dengan filter yang membantu persyaratan ini.

Dengan demikian, rekomendasi yang berpusat pada tujuan menjadi yang paling umum di semua platform OTA, membuat pekerjaan pengguna lebih mudah dengan memfilter melalui kebutuhan perjalanannya yang tepat dan memberikan saran berdasarkan hal tersebut. Ini sangat ideal dan terbaik untuk para pengguna yang tidak tahu persis ke mana mereka ingin pergi tetapi memiliki gagasan tentang preferensi mereka.

Mari kita pahami kerangka di bawah ini. Sebelum rekomendasi sampai pada kesimpulan, terlebih dahulu memperoleh data, kemudian mengolahnya dengan klasifikasi dan konstruksi moden, baru kemudian mencapai tahap interpretasi. Bagan alir mungkin tampak luar biasa tetapi sistem semacam itu dirancang sedemikian rupa untuk mempertimbangkan banyak faktor seperti akurasi, kebingungan, dan popularitas untuk menciptakan keluaran yang populer, sesuai dengan kebutuhan pengguna, dan layak untuk dikejar.

Mesin akan mulai dengan mencoba memahami dengan tepat apa yang diinginkan pengguna sebelum melanjutkan pekerjaannya. Setelah ML mendapatkan profil kasar tentang apa yang sebenarnya Anda inginkan, ML akan mulai menyusun tempat teratas untuk Anda mulai.

Berikut adalah pop-up rekomendasi dari TripAdvisor setelah menjelajahi situs web mereka tentang hal-hal yang harus dilakukan.

Memahami bahwa pelanggan menghabiskan waktu untuk eksplorasi, situs web segera merekomendasikan beberapa hal yang unik dan populer berdasarkan tren masa lalu untuk meningkatkan pengalaman.



2. Mesin Rekomendasi Produk Berlokasi-sentris

Jenis mesin ini mengikuti rekomendasi di tingkat yang lebih lokal dan domestik. Ini mempersonalisasikan layanan lokal dan pesona tempat untuk setiap pelanggan dan menyediakannya dalam bentuk rencana perjalanan yang terperinci. Wanderlog memiliki fitur 'Aktivitas' yang membantu menyarankan daftar hal-hal yang dapat Anda lakukan di tujuan tertentu berdasarkan mesinnya dan saran dari wisatawan lain.





Mesin rekomendasi produk yang berpusat pada lokasi akan membantu menyusun daftar hal-hal seperti atraksi terbaik, restoran, klub, tujuan belanja, tempat indah, titik matahari terbenam, tempat bersejarah, transportasi lokal, dll. Layanan ini memungkinkan wisatawan untuk memilih rencana perjalanan dan pengalaman yang ideal sesuai dengan preferensi individu mereka, anggaran, gaya, dll.



Tidak ada yang memberikan rekomendasi produk berbasis lokasi lebih baik daripada Airbnb. Situs web ini memiliki halaman pilihan bagi wisatawan untuk hal-hal yang mereka rekomendasikan saat berkunjung – mulai dari memasak hingga berselancar, daftarnya terus berlanjut. Rekomendasi ini dibuat berdasarkan permintaan pengguna dan aspek apa yang paling populer untuk berwisata di kota tersebut.

10 rekomendasi produk teratas untuk industri perjalanan dan perhotelan

1. Diskon lokal penargetan geografis: Penargetan geografis berarti memasarkan ke sekelompok pengguna tertentu berdasarkan lokasi mereka. Semakin relevan suatu iklan bagi pengguna, semakin besar kemungkinan mereka untuk berkonversi. Anda dapat melacak lokasi wisatawan Anda saat ini dan menawarkan diskon dan penawaran sesuai dengan atraksi dan layanan setempat. Di sini Agoda.com menampilkan daftar lengkap kegiatan yang harus dilakukan selama di Goa (setelah mendeteksi lokasi).



2. Lokasi toko penargetan geografis: Merek juga dapat merekomendasikan kepada pengguna toko belanja atau suvenir teratas berdasarkan tujuan liburan mereka saat ini dan menghemat waktu dan tenaga. Anda dapat memanfaatkan lokasi toko fisik untuk menarik pelanggan terdekat. Di sini, Agoda.com menawarkan Food Walking Tour dan Jaipur Bazaar sebagai bagian dari 'Paket Kegiatan' Jaipur mereka.



3. Berbasis liburan: Orang-orang membuat rencana perjalanan yang luar biasa selama musim liburan, dan Anda dapat membangun mesin rekomendasi dengan cara menyusun rekomendasi perjalanan sesuai dengan hari libur tertentu.

Contoh: Paket untuk Natal dan Tahun Baru. Pesan berbasis liburan juga dapat meningkatkan nilai seumur hidup pelanggan (CLV) dan meningkatkan pembelian berulang dalam program loyalitas. Pertimbangkan untuk menawarkan promosi poin bonus pada produk liburan yang ingin dibeli konsumen.

4. Pasca-pembelian: Mesin rekomendasi Anda tidak berakhir selama atau sebelum pembelian, itu harus berlanjut pasca-pembelian juga dalam bentuk umpan balik, catatan terima kasih, dan rekomendasi liburan yang akan datang melalui SMS, Email, dll. Kami berbicara tentang gedung Airbnb halaman pengalaman mereka yang muncul setelah Anda memesan tempat – sekarang seberapa luar biasakah rekomendasi itu?
5. Berbasis musim: Untuk memenuhi permintaan wisatawan lintas musim, format yang agak populer menawarkan rekomendasi berdasarkan suasana umum.
• Di luar musim: Ini bisa menjadi rekomendasi yang efektif untuk banyak pelancong yang suka bepergian di luar musim untuk menghindari kesibukan.
• Musim puncak: Mesin rekomendasi Anda dapat menyusun rekomendasi musim puncak khusus selama musim panas dan musim dingin ketika kebanyakan orang merencanakan liburan.
6. Berbasis acara besar: Anda juga dapat menyusun rekomendasi khusus untuk acara besar yang akan datang berdasarkan lokasi pengguna.
   Contoh: merekomendasikan paket Hari St. Patrick khusus kepada orang-orang yang lokasinya saat ini mungkin di Irlandia.
7. Pelanggan yang Kembali: Ini adalah kelompok yang penting untuk ditargetkan karena jika pelanggan kembali menggunakan produk Anda, mereka mungkin melihat sesuatu yang berharga. Anda harus selalu memiliki pengaktifan ulang terpisah atau kampanye selamat datang kembali untuk kelompok ini dan rekomendasi produk Anda harus disesuaikan dengan perilaku mereka saat terakhir kali aktif.



8. Loyalitas dan Hadiah: Berdasarkan pada tahap pertumbuhan produk Anda, Anda dapat membangun program loyalitas berjenjang untuk menanamkan loyalitas merek di antara pengguna Anda. Ini membantu dalam membangun komunitas untuk basis pelanggan Anda.

Industri perjalanan bisa mendapatkan keuntungan dari pendekatan berjenjang, yang memberi penghargaan kepada pelanggan berulang dan memberi mereka insentif untuk naik level dengan mencapai tujuan tertentu selama setiap interaksi. Tawarkan manfaat berbeda untuk setiap level keanggotaan, yang dapat dibuka melalui AOV atau mendapatkan poin dengan berbagai cara.

Ini contoh oleh Goibibo. Merek di sini menggunakan pemasaran email untuk mendorong pengguna melakukan pemesanan, dengan memberi mereka diskon pengguna baru. Bayangkan jika pengguna baru saja mendaftar di situs web dan langsung menerima kode, mereka akan sangat termotivasi untuk melanjutkan pemesanan.



9. Rekomendasi BNPL: Perjalanan bisa menjadi urusan yang mahal, oleh karena itu menawarkan layanan BNPL (Beli Sekarang Bayar Nanti) adalah cara terbaik untuk meringankan beban pelanggan Anda. Sangat penting untuk memamerkan layanan ini secara mencolok di berbagai tahap di situs web Anda. Ini akan membantu Anda mendorong kampanye Interaksi dan Retensi dengan menambahkan opsi pembayaran BNPL jika pengguna meninggalkan keranjang mereka.
10. Chatbots bertenaga AI: Membuat pemesanan perjalanan bisa melelahkan – mulai dari tempat menginap hingga cara bepergian – pelancong dibanjiri banyak pilihan untuk dibuat. Dalam kasus seperti itu, chatbot bertenaga AI dapat membantu kebutuhan tersebut. Dalam industri perjalanan, AI membantu dalam merekomendasikan opsi menginap, atau hal yang harus dilakukan di area tersebut.

69% konsumen lebih memilih chatbots karena kemampuannya memberikan jawaban cepat untuk pertanyaan sederhana. Mesin rekomendasi ini didukung oleh penelusuran, pilihan, dan data buatan pengguna.

Faktor yang perlu dipertimbangkan

• Data perilaku pengguna: 80% pemimpin bisnis melaporkan peningkatan belanja konsumen rata-rata 38% saat pengalaman mereka dipersonalisasi. Ini adalah langkah pertama dan terpenting dalam membangun mesin rekomendasi. Data dapat dikumpulkan dengan dua cara: secara implisit dan eksplisit.

Data eksplisit adalah informasi yang disediakan oleh pengguna dengan sengaja, yaitu input seperti peringkat, informasi pribadi, dll. Data implisit adalah informasi yang dikumpulkan dari backend seperti riwayat pencarian, suka, riwayat pesanan, dll.

• Berikut adalah contoh mode pengumpulan data implisit dari Booking.com.



• Niat Pengguna: Memahami niat pengguna melalui peta panas, kata kunci pencarian, lalu lintas halaman, dll., Sebelum membuat mesin tidak hanya penting tetapi juga penting. Waspadai apa yang dicari pengguna Anda sebelum Anda mendorong.
• Personalisasi: Konsumen yang lebih muda paling mungkin bereaksi negatif setelah pengalaman impersonal. Pastikan mesin rekomendasi Anda menyelesaikan personalisasi dan itu adalah prinsip inti dalam PRD (dokumen persyaratan produk) sebelum membangunnya.
• Relevansi Kontekstual: Pastikan mesin rekomendasi Anda berfungsi dengan memberikan saran kontekstual kepada pelanggan Anda. Itu harus dioptimalkan untuk musiman sehingga pengguna dapat menghilangkan beban kognitif untuk mencari acara tertentu. Contoh: tiket & penerbangan diskon spesial Natal selama Feb-Maret.

Kesalahan yang harus dihindari

• Masalah dengan kualitas data: Salah satu kesalahan yang sering terjadi adalah tidak memberikan perhatian yang cukup terhadap kualitas data, yang dapat mengakibatkan rekomendasi yang bias atau tidak akurat, yang menyebabkan pengalaman pengguna di bawah standar. Untuk mengurangi hal ini, sangat penting untuk memastikan bahwa data tersebut relevan, lengkap, dan bebas dari kesalahan serta diperbarui secara berkala.
• Kurangnya keragaman: Masalah "ruang gema" sering dialami dalam sistem pemberi rekomendasi di mana pengguna hanya merekomendasikan item yang sebelumnya mereka sukai. Untuk mencegah hal ini, sangat penting untuk menyertakan keragaman dalam proses rekomendasi dengan mempertimbangkan beberapa faktor seperti kebaruan dan popularitas.

Kesimpulan

Ada indikasi kuat bahwa seperti halnya E-niaga, loyalitas adalah hal yang sulit dipecahkan dalam industri perjalanan dan perhotelan. Sebagian besar layanan, penawaran, dan harga murah yang mendorong transaksi. Dan meskipun pola seperti itu menciptakan lingkungan yang agak menantang untuk beroperasi, banyak perusahaan teratas menemukan perlindungan di bawah rekomendasi produk. Selain itu, rekomendasi produk dapat menjadi faktor yang dapat membuat atau menghancurkan strategi pemasaran Anda.

Dari meningkatkan keterikatan pengguna hingga meningkatkan nilai pesanan rata-rata, semua merek OTA teratas di dunia memiliki beberapa mesin lain yang bekerja untuk memberdayakan pengalaman pengguna dan memotivasi mereka untuk bertransaksi. WebEngage menawarkan serangkaian pengungkit bagi merek-merek muda untuk menciptakan pengalaman yang disesuaikan dan sangat dipersonalisasi.

Ingin memulai dengan mesin rekomendasi untuk platform Perjalanan dan Perhotelan Anda? Bicaralah dengan pakar kami dan minta demo hari ini!