10 个可靠的产品推荐到 3 倍转换 | 旅游与酒店公司

随着世界各地的旅行者努力摆脱长达 3 年的中断，相信我们的话，2023 年将是与众不同的旅行年。 根据 Booking.com 的数据，68% 的人将在 2023 年制定旅行计划。但大量咨询意味着客户会不惜一切代价获得超值优惠。

如果您经营的是旅游和/或酒店业务，您就会知道“旺季”意味着大量的客流量，但它也会带来糟糕的转化率。 旅游和酒店业是购物车放弃率最高的行业之一，高达 85%。 这可能有很多原因——更低的价格、更好的交易、缺乏个性化或糟糕的忠诚度计划。

76% 的消费者对不提供个性化体验的企业感到沮丧。 用户不再有时间忍受认知超载和“搜索”他们需要的东西的艰苦工作，因为他们最喜欢的产品（增长所有者）了解他们需要的东西。 他们寻求的是来自品牌的推动，让他们的体验更轻松。

我们将这些微调称为产品推荐——对使用机器学习和复杂系统创建的服务的精选建议，以提供独特的体验。 这些推荐是使用各种输入创建的，例如位置、过去的浏览历史记录、当前趋势、优惠等。

产品推荐能否拯救旅游和酒店业？

79% 的消费者希望品牌提供个性化的数字体验。 因此，像允许客户在搜索选项卡中预填数据或记住他们最常输入的目的地这样简单的事情可能会在预订时派上用场。 旅行 OTA（在线旅行社）现在也将记住最常用的过滤器作为留住客户的钩子。

但是如何确保用户看到内容并为他们提供个性化服务呢？ 答案是使用相关数据。 您需要从客户那里收集正确的数据，以准确地向他们展示他们想要的东西。 可以在您的后端捕获用户事件并将其发送到您的 CRM 平台，以根据使用数据分析您的客户，然后将他们聚集到用户属性中以进行定位。

更大的问题是，旅游和酒店品牌应该捕捉什么样的事件才能更好地了解其客户？ 有一些有效的方法可以开始：

1. 用户人口统计：年龄、性别、种族或收入水平等用户人口统计数据可以通过在更接近、更个人化的层面上了解 ICP（理想客户档案）来显着影响推荐引擎的性能。

以下是旅游网站的示例 ICP：

姓名	罗希特
性别	男性
地点	拉贾斯坦邦
年龄	28
服务等级	高级及以上
平均收入	< 3500000/年
首选航空公司	维斯塔拉
首选旅行类型	国内的

一旦您了解了这个级别的客户，您就可以将他们归为一个群组，并让类似的体验在旅行、住宿或食物推荐方面流动。 例如，Expedia 正在推荐本季的首选。



2. 位置偏好：一种独特的查看方式是根据特定位置最常访问的目的地提出建议，例如向内陆城市的人们推荐海滩目的地或在用户当前位置级别显示最常旅行的目的地。
3. 电子邮件：从个性化的角度来看，关闭与客户的循环是一个非常强大的工具。 当客户收到来自品牌的电子邮件时，他们对个性化的期望会飙升。

因此，利用旅行历史、偏好和人口统计等客户数据，营销团队可以定制他们的沟通方式，使其更具相关性和吸引力。 多达 97% 的营销人员表示，个性化后业务成果实现了飞跃。

这是 MakeMyTrip 的一个很好的例子，通过电子邮件提供基于季节的推荐。


4. 旅行频率：​​建立具有相同习惯的用户群体是一种被高度低估的产品推荐方式。

例如，将用户分为周末经常旅行的用户、工作日出差的用户以及休闲旅行的用户，可以让品牌了解其影响力、核心和因果用户档案。

理想情况下，这应该是第一级分段，您可以在其上添加更多层以丰富数据。 因此，优惠和产品推荐、优惠券和功能基于使用频率使品牌能够与客户建立更深入、更有意义的联系。 您还可以根据频率绑定您的忠诚度计划以提高保留率。
看看这个 Booking.com 忠诚度计划的例子：

个性化在规模上做得很好

Booking.com 是一个很好的例子，它在网站的许多页面上大规模地实现了个性化。 如果您曾经通过预订进行过预订，您就会知道该品牌一定会记住您的历史，并让这些细节融入您的整体体验。

Booking.com 使用先进的机器学习来捕获多个数据点； 用户独特的搜索历史、位置、偏好等。该品牌剖析用户的搜索历史和预订模式，以了解他们的旅行偏好。
例如，如果用户一直预订带有健身房或水疗中心的酒店，Booking.com 可能会在未来推荐具有类似设施的酒店。

该品牌以严重依赖反馈来识别共同主题和需要改进的领域而闻名，然后向平台提出建议，以为其用户提供更好的个性化体验。

该品牌位于搜索栏下方的推荐选项卡可帮助人们提供有关其历史、位置、IP 详细信息、细分等的建议。

76% 的消费者对不提供个性化体验的企业感到沮丧。

在最基本的层面上，各种有用的信息——搜索历史、旅行历史、与 Booking.com 用户界面的交互等——都被输入到 ML 模型中。 然后在多个级别分析和使用这些数据，以增强用户体验。

每天，处理近 5000 亿个事件，模型收集的信息越多，它们就越聪明地在不同位置、用户类型、产品类型之间建立关联以提供产品推荐。 从而提供我们都喜欢的超个性化“主页”。

旅游和酒店推荐模型的基础

1. 以目的地为中心的推荐引擎

游客在决定下一步去哪里旅行时会输入各种因素：从他们对地点的选择到诸如可负担性、可用性、价格等因素，许多因素决定了他们对目的地的选择。 这就需要 OTA（无线）平台来创建强大的推荐系统，并使用有助于满足这些要求的过滤器。

因此，以目的地为中心的推荐成为所有 OTA 平台中最常见的推荐，通过过滤用户的确切旅行需求并根据这些需求提供建议，使用户的工作更加轻松。 对于那些不确切知道自己想去哪里但对自己的偏好有一些了解的用户来说，它是理想且最好的选择。

让我们了解以下框架。 推荐在得出结论之前，首先获取数据，然后通过分类和模型构建进行处理，然后才到达解释阶段。 流程图可能看起来势不可挡，但此类系统的设计方式权衡了许多因素，例如准确性、混乱度和流行度，以创建流行的输出，满足用户的需求，并且值得追求。

引擎将首先尝试在继续其工作之前准确了解用户的需求。 一旦 ML 大致了解了您的确切需求，它就会开始为您挑选排名靠前的位置。

这是 TripAdvisor 在浏览其网站时弹出的关于要做的事情的推荐弹出窗口。

了解到客户正在花时间探索，该网站立即根据过去的趋势推荐了一些独特且受欢迎的东西以增强体验。



2. 以位置为中心的产品推荐引擎

这种引擎会在更本地和国内的层面上处理建议。 它为每个客户个性化当地的服务和地方的魅力，并以详细的行程表形式提供。 Wanderlog 具有“活动”功能，可根据其引擎和其他旅行者的建议，帮助建议您在特定目的地可以做的事情列表。





以位置为中心的产品推荐引擎将帮助策划一个列表，如最佳景点、餐厅、俱乐部、购物目的地、风景名胜、日落点、历史名胜、当地交通等。这项服务允许旅行者根据需要选择理想的行程和体验他们的个人喜好、预算、风格等



没有人比 Airbnb 更擅长基于位置的产品推荐。 该网站为旅行者提供了一个精选页面，其中包含他们在访问时推荐的东西——从烹饪到冲浪，不胜枚举。 这些推荐是根据用户的需求以及该城市旅游最受欢迎的方面创建的。

旅游和酒店业的 10 大产品推荐

1. 地理定位本地折扣：地理定位意味着根据他们的位置向一组特定用户进行营销。 广告与用户的相关性越高，他们转化的可能性就越大。 您可以跟踪旅行者的当前位置，并根据当地的景点和服务提供折扣和优惠。 Agoda.com 在这里显示了在果阿期间（在检测到位置之后）可以做的活动的完整列表。



2. 地理定位商店位置：品牌还可以根据用户当前的度假目的地向他们推荐顶级购物或纪念品商店，从而节省他们的时间和精力。 您可以利用实体​​店位置来吸引附近的顾客。 在这里，Agoda.com 提供美食徒步之旅和斋浦尔集市作为其斋浦尔“活动套餐”的一部分。



3. 基于假期：人们在假期期间制定了奢侈的旅行计划，您可以按照特定假期策划旅行推荐的方式构建您的推荐引擎。

示例：圣诞节和新年的包裹。 基于假期的消息传递还可以提高客户终身价值 (CLV) 并增加忠诚度计划中的重复购买。 考虑对消费者希望购买的假日产品提供奖励积分促销。

4. 购买后：您的推荐引擎不会在购买期间或之前结束，它必须在购买后继续以反馈、感谢信和通过短信、电子邮件等方式推荐即将到来的假期的形式进行。我们谈到了 Airbnb 建设一旦你预订了一个地方，他们的体验页面就会出现——现在这个推荐有多不可思议？
5. Season-based：为了满足旅行者跨季节的需求，一种比较流行的形式是根据总体心情提供推荐。
• 淡季：对于很多喜欢在淡季出游避暑的游客来说，这不失为一个有效的建议。
• 旺季：当大多数人计划度假时，您的推荐引擎可以在夏季和冬季策划特别的旺季推荐。
6. 基于大事件：您还可以根据用户的位置策划关于即将发生的大事件的特别推荐。
   示例：向当前位置可能是爱尔兰的人推荐特殊的圣帕特里克节套餐。
7. 回头客：这是一个重要的目标群体，因为如果客户重新使用您的产品，那么他们可能会看到一些有价值的东西。 您应该始终针对该群体进行单独的重新激活或欢迎回来活动，并且您的产品推荐应该迎合他们上次活跃时的行为。



8. 忠诚度和奖励：根据您的产品所处的增长阶段，您可以建立一个分层的忠诚度计划，以在您的用户中灌输品牌忠诚度。 这有助于为您的客户群建立社区。

旅游业可以从分层方法中受益，该方法奖励回头客并激励他们通过在每次互动中实现特定目标来升级。 为每个会员级别提供不同的好处，可以通过 AOV 解锁或以各种方式赚取积分。

这是 Goibibo 的一个例子。 该品牌使用电子邮件营销来推动用户进行预订，为他们提供新用户折扣。 想象一下，如果用户刚刚在网站上注册并立即收到代码，他们将非常有动力进行预订。



9. BNPL 建议：旅行可能是一件代价高昂的事情，这就是为什么提供 BNPL（先买后付）服务是减轻客户负担的好方法。 在您网站的各个阶段突出展示此服务至关重要。 如果用户放弃购物车，这将通过添加 BNPL 支付选项来帮助您推动参与和保留活动。
10. AI 驱动的聊天机器人：进行旅行预订可能会让人筋疲力尽——从住宿地点到如何通勤——旅行者要做出很多选择。 在这种情况下，人工智能聊天机器人可以满足需求。 在旅游业中，人工智能有助于推荐住宿选择或该地区的活动。

69% 的消费者更喜欢聊天机器人，因为它们能够快速回复简单的问题。 该推荐引擎由用户生成的搜索、选择和数据提供支持。

考虑因素

• 用户行为数据： 80% 的商业领袖表示，当他们的体验个性化时，消费者支出平均增加 38%。 这是构建推荐引擎的第一步，也是最关键的一步。 可以通过两种方式获取数据：隐式和显式。

显式数据是用户有意提供的信息，即评分、个人信息等输入。隐式数据是从后端收集的信息，如搜索历史、点赞、订单历史等。

• 这是从 Booking.com 收集数据的隐式模式示例。



• 用户意图：在构建引擎之前，通过热图、搜索关键字、页面流量等了解用户意图不仅至关重要，而且势在必行。 在推送之前了解您的用户正在寻找什么。
• 个性化：年轻消费者最有可能在非个人体验后做出负面反应。 确保您的推荐引擎解决个性化问题，这是在构建它之前 PRD（产品需求文档）中的核心原则。
• 上下文相关性：通过向客户提供上下文建议来确保您的推荐引擎正常运行。 它应该针对季节性进行优化，这样用户就可以摆脱搜索特定场合的认知负担。 示例：2 月至 3 月期间的圣诞节特价机票和航班。

要避免的错误

• 数据质量问题：常见的错误之一是没有对数据质量给予足够的重视，这可能会导致有偏见或不准确的建议，从而导致用户体验不佳。 为了缓解这种情况，确保数据相关、完整、没有错误并定期更新至关重要。
• 缺乏多样性：在推荐系统中经常会遇到“回音室”的问题，在这种系统中，用户只会被推荐他们之前喜欢的项目。 为防止这种情况，通过考虑新颖性和受欢迎程度等多种因素，在推荐过程中包含多样性至关重要。

结论

有强烈的迹象表明，就像电子商务一样，忠诚度是旅游和酒店业中的一个难题。 推动交易的主要是服务、报价和便宜的价格。 尽管这种模式创造了一个相当具有挑战性的运营环境，但许多顶级公司都在产品推荐下找到了避难所。 此外，产品推荐可能是决定营销策略成败的因素。

从增加用户粘性到增加平均订单价值，世界上所有顶级OTA品牌都有一些其他引擎致力于增强用户体验并激发他们进行交易。 WebEngage 为年轻品牌提供了一套杠杆来创建定制的、高度个性化的体验。

想为您的旅游和酒店平台开始使用推荐引擎吗？ 立即与我们的专家交谈并申请演示！