Dans un récent article publié sur le site Think with Google, Caroline Bouffault, Industry Head Travel, Google France (photo), montre à quel point la data est devenue indispensable dans le monde professionnel du voyage, et comment le « machine learning » permet de l’enrichir.
Les marques de voyage disposent d’un historique de data, sur plusieurs années dans certains cas. Un atout qui s’accompagne de nombreux défis. Non seulement il est difficile de traiter un grand volume de data en mode agile et réactif, mais elles sont souvent d’une qualité hétérogène et en partie obsolètes, donc éloignées de la réalité des consommateurs.
Chaque jour, Google recense 15% de nouvelles requêtes dans le monde !. 15% d’intentions exprimées pour la première fois qui confirment l’importance d’être constamment à l’affût des nouvelles tendances. Car personne n’aurait pu imaginer l’année dernière un tel raz-de-marée de trottinettes électriques dans les rues de Paris. Ou deviner les 10 000 itinéraires recherchés pour la première fois dans la barre de recherche Google France en 2018.
L’analyse dynamique de la data permet aux marketeurs de personnaliser leurs offres, donc d’adapter leur inventaire, leurs messages, leurs promotions ou encore leurs produits et services en temps réel et en fonction des préférences des consommateurs. Les avis de voyageurs, la résurgence des requêtes vers des destinations en perte d’attractivité, l’émergence de nouveaux comportements sont autant d’informations brutes qui viennent nourrir une intuition, lever un doute ou conforter une décision. À titre d’exemples, Oui.bus s’appuie sur la data agrégée et anonymisée de recherche pour l’identification de nouvelles lignes tandis que la direction du réseau d’Air France s’y réfère pour conforter la prédiction de demandes de vol, en particulier sur les nouvelles destinations.
Industrielle pour plus d’efficacité
Sur le terrain, les employés sont dans l’observation et l’action. Ils vont constater une défaillance, un incident ou encore un besoin client et remonter l’information, souvent manuellement et sans réelle codification. Or, l’automatisation des rapports et le traitement de sources de data multiples et hétérogènes permettent de mieux faire circuler l’information à l’intérieur de l’entreprise et d’affiner la prise de décision en cas d’aléas d’exploitation. Le temps d’intervention en est raccourci et les ressources mobilisées en sont optimisées.
Ainsi, dans les soutes des avions de ligne, une partie est réservée aux bagages des passagers, tandis que le reste sert à embarquer du fret. Parce qu’il est très difficile de prévoir combien de valises les passagers ont emmenées avant qu’ils n’embarquent, Air France Cargo a sollicité l’aide de Google pour améliorer son algorithme et aboutir à un plan de remplissage automatique des soutes.
Pour les compagnies aériennes, l’efficacité opérationnelle passe aussi par une meilleure prédiction de la consommation de kérosène et des besoins en repas à embarquer ou encore par une gestion plus flexible et pertinente du planning des équipages. Des exemples qui s’adaptent aux contraintes du ferroviaire, de l’hébergement et de tout autre segment du secteur du voyage.
De la maintenance prédictive à la rationalisation du fonctionnement, la data vise toujours l’efficacité opérationnelle.
La data enrichie par le machine learning
Pour aller plus loin dans la prédiction, le machine learning apporte une brique d’intelligence supplémentaire chaque fois que les cas d’usage le justifient.
Google travaille d’ores et déjà avec des acteurs du voyage pour enrichir leurs algorithmes internes. Entre autres applications, citons la prédiction de ventes en fonction d’une multiplicité de facteurs tels que les signaux faibles des consommateurs, les conditions climatiques, le contexte géopolitique et économique.
Le machine learning est également utilisé pour tenir les voyageurs informés en temps réel de la probabilité de retard de leur vol ou leur indiquer une évolution probable du prix d’un vol dans les prochains jours. Sans oublier la prévention et la détection de transactions frauduleuses.
La data est brute. Les analystes la sélectionnent et la façonnent pour qu’elle livre le meilleur d’elle-même. Elle prend alors tout son sens, et son champ d’application s’étend à l’infini, avec l’imagination pour seule limite.
[Source : Think with Google]
