大数据分析如何改变传统酒店与保险业

文章来源：大数据D1net

每天，酒店和酒店业都为大量游客提供服务，每家酒店也会检查入住率是否符合预期。实现这些预期的关键在于返客率，越来越多的酒店和休闲场所经营方开始求助先进的分析解决方案，找到让客人感觉满意的线索。

尽管营销部门可能会勉强承认这一点，但是，酒店和休闲场所经营者并非对所有客人一视同仁。有些客人就是简单入住，离开。但是，有些客人会大量消费，比如精美的晚餐，娱乐休闲，体育运动和spa。在如今的市场上，识别哪些客人具有更高客户生命周期价值，对于某个行业来说，相当重要，但问题是，一次光临并不能从经验上将这类客户与一般客户明显区分开来，客户生命周期价值并不明显。

举个例子，一个在酒店俱乐部挥金如土的人，可能只是一位退休后过把瘾的普通客人，平时他并不会真这么消费。但是，一位看似节俭，住经济客房并且几乎没有额外消费的出差中的客人，一旦酒店让他满意，很有可能成为回头客，这样的客人会有更高的生命周期价值。大数据能够帮助我们做出这种区分。

大数据分析在酒店业的第三个用途与收益管理（yield management）有关，确保每个房间都能以合理价格提供给客人，这就需要考虑全天需求量的起伏以及其他因素，比如天气和地点等会影响入住客人类型和数量的因素。

大数据分析可以用于所有这些领域，尽管酒店和酒店业落在零售业和制造业后面，但是，情况正在改观。一个非常前卫的例子，美国经济型连锁酒店Red Roof Inn,2013/14年的冬季，酒店业绩创纪录，其原因就在于公司的营销和分析团队共同合作，利用谁都可以获取的数据资源，比如天气情况和航班取消等，有针对性的进行营销服务。由于冬天的关系，航班取消率约为3%，这意味着每天会有9万多名旅客滞留，大部分客户会使用网络搜索附近住宿情况，因此，营销团队针对相关地理区域最有可能受到影响的客户进行营销，最终，公司机场附近酒店入住率猛增，收益增长了10%。

另一家美国连锁店Denihan Hospitality也创新性地使用了大数据分析技术，这家集团在美国拥有多家精品酒店，包括James和Affinia 酒店等品牌。Denihan使用IBM分析技术来汇总连锁店的交易数据和客户数据，并与非结构化数据结合起来，比如客人在TripAdvisor等评价网站上所留的反馈意见和评论，在数据驱动下作出重要战略决策，重新布置客房已满足用户需求。比如，为深受旅行家庭喜爱的客房提供更多的浴室存放架。

这家连锁店甚至将分析技术交到酒店一线工作人员的手里，他们的智能手机配备了仪表板，可以预测某个客人在入住期间可能的需要，比如饭馆饮食、礼宾服务或者浏览当地景点等方面。客房勤杂人员可以收到实时信息，了解某间客房的客人是不是需要另添一个枕头。

当然，与大多数行业一样，分析技术在酒店服务业所做的工作大部分侧重于营销。总的目标常常是策划个性化营销活动，这就需要分析关于到访客人的所有可用信息，为此需要收集客人反馈、交易活动、忠诚度计划的使用情况以及购买的第三方人口统计数据。然后，这些数据可以用来决定提供餐厅吃饭免费还是附近影院免费影票的服务更有可能吸引终身价值高的客人来预订。

在万豪酒店，大数据并不局限于营销，它已用在这家连锁酒店的业务运营的各个方面。非结构化和半结构化数据集(比如天气预报和当地活动时间表)用来预测需求，并确定每一间客房在全年的价格。这让万豪酒店能够制定最合理的房价–这在当下至关重要，因为如今客户习惯于扫描价格比较服务、寻找最实惠的酒店，以便省钱。同样，喜达屋的系统也会分析当地以及世界经济因素、活动和天气情况，优化房价。知道本国天气如何影响北美核心客户群在加勒比海度假消费，他们就知道降低房价或开展营销的最佳时机。事实上，这一策略也让客房收入增长了近5%。

酒店和酒店服务业也许刚开始使用大数据，但是它有令人羡慕的数据数量和种类可供利用。从订房那一刻起到退房那一刻，客户留下的第一条数据痕迹，都被分析人员开始认真地转变成可付诸行动的洞察力。

保险业

在诸如物联网和人工智能等颠覆性技术驱动下的大数据，也对保险行业既有竞争者和新进者带来巨大影响。Tom Warden从事保险业研究和创新已经25年多了，作为AIG寿险和退休业务的首席数据官，在最近的一次采访中，他谈到了保险业大数据，以及保险公司如何在大数据年代高瞻远瞩，从小事着手，迅速学习。

Tom Warden认为，大数据是一个生态系统，由不断增多的数据类型构成，需要依靠数据科学和人工智能方法进行海量计算和分析。最激动人心的就是利用大数据创造新产品和开拓新市场，显著改变客户看待保险的方式。大数据为当今保险业商业模式转变提供了方法和手段。

具体来说，现在的保险产品是被动产品。虽然保险公司说他们是客户的合作者，但事实并不真的如此。来自汽车、家庭、商业和政府等领域的大数据能够让保险公司更好地分析风险，在风险发生之前预测损失情况。比如，保险公司可以从中获知最易将司机置于危险之中的因素是什么——并敦促客户改变行为方式，尽可能避免危险。自动在家中采取降低风险事故的行为，比如防止结冰或泄露的管道酿成巨大事故。保险公司可以使用来自商品工厂和设备性能的流数据，预测并预防主要事故。保险公司甚至能够以更加综合有效的方式帮助跨国公司进行风险管理。

通过预防坏事情发生在客户身上，而不是事后亡羊补牢，保险公司就能提供客户愿意买的产品，而不是客户不得不买的产品。

Warden还指出，现在保险公司运作是封闭的。保险公司搜集并保留投保人的数据和损失。精算师从事数据分析。但是，在未来新世界中，许多其他参与者也能搜集和控制最重要的数据，仅举几个例子，汽车制造商，智能手机生产商，互联网公司以及通信公司，工业设备制造商。保险公司将会面临这样的风险：自己价值链上最有利可图的环节将面临来自其他控制数据流竞争者的威胁。

高瞻远瞩也需要从小处着手。Warden认为，保险公司首先需要承认，工作之一就是利用数据来最佳化公司既有赚钱机器。如今，最好的做法就是将更具预测性的模式嵌入价值链的每一个环节。为了实现这些，公司需要聪明的人，严谨的方法以及合作文化来将数据驱动下的洞见转化为收益。其次，需要关注大数据各个转换方面。将公司最好、最有前途的业务功能放到一起。赋予它们足够的资源进行创新。将它们的工作与日常工作区分开来。从客户注重的东西开始着手，通过添加大数据功能加以变革。

与此同时，公司也需要从早期采纳新分析技术同行犯的错误中吸取教训。通常，这些错误有这么几个。在真空中创新就是最大的错误。数据科学家并不知道企业怎么挣钱。因此，需要让来自相关业务的员工从一开始就参与到创新团队中。每个人都需要更加开阔的思维，具有创造性和合作精神。另一个大错误就是让个别高层的意见过早的参与进来，扼杀创新。总的说来，高层应该尽量推迟他们的不信任，以期对所谓的激进想法有一个公平的评价。第三个错误就是没有对通过数据周期合理管理数据以确保其有效性这一点给予足够重视。输入的是垃圾，产出的也是垃圾这一原则，也适用于大数据。

那么，如何在变革中保证公司员工步调一致？Warden认为，保险公司员工几乎都在关注如何最大化公司当前利益，几乎没人被指派去创造未来。领导的工作就是创造一种未来愿景，保证每位雇员都在今天和未来的成功中扮演一部分角色。他们应该相互协助而不是相互对抗。不断谈及未来愿景、实现这一愿景的各种努力，并不断随着新的知识加以调试，就能保证大家步调一致。

最后，他也谈到了快速学习的方法。以使用为基础的保险定价（usage-based insurance pricing）是最能体现大数据在保险领域巨大潜力的例子。这不仅仅是庞大数据量的问题，也有巨大的机会将行车数据与外部数据，比如气候，道路拥堵等情况溶合起来。这会产生更加智能的风险评估和定价机制。添加有关司机个人兴趣以及待办事项等数据，能让任何情况立刻实时化，更加具有适应性：从客户角度来看，你已经创造出智能驾驶。

另一个大展拳脚的地方就是识别欺诈索赔以及核保人和销售人员这类人员的欺诈。欺诈总是那些聪明狡猾的人干的坏事。快他们一步，就需要筛选大量看似无关的数据，找出内在复杂模式。

风险管理另一个潜力巨大的领域。查找、分析和模拟大量的各种因素（天气模式，社会趋势，道德走向等），增进对那些影响公司账目中净效益因素的理解， 需要非常先进的数据技术以及强大的计算环境。

大数据并不是魔法，但是，当靶向正确目标时，就是一把有利的武器。从持续不断的精细数据流中预测动态事件，是大数据的问题。但是，预测客户什么时候将要取消和自己的合同，未必是大数据分析的强项。总体上，较之信用卡之类的业务，保险并不是一种高频行业。领导人需要搞清楚的是，他们并不是在资助用玩具枪射击大象或者兔子。

回复 简介 查看《星环科技成长大事记》

回复 Holodesk 介绍 查看 Holodesk技术分享

回复 案例集 查看 2015 Hadoop技术应用案例集

回复 培训 查看 星环科技最新培训信息

投资 查看 相关投资案例

回复 银行 查看 银行案例集

技术 查看 技术案例集

回复 电力 查看 电力案例集

回复 运营商 查看 运营商应用案例集

产品 查看《星环 TDH 4.3 新概述》

评测 查看《大数据产品最新测试基准看哪家（TPC-H or TPC-DS）？》

投资 查看《时隔5个月，国内Hadoop厂商星环科技又获启明追投》

回复 交通 查看《Hadoop大数据技术助力山东交警实现智慧交通》

快递 查看《星环Hadoop发行版助快递业迎战“双十一”》

税务 查看《税务大数据应用案例》

电商 查看《电商大数据应用案例》

医疗 查看《医疗行业应用场景》

金融 查看《金融行业的应用场景》

TED视频 查看《TED精彩视频：【大数据 大趋势】》

视频监控 查看《Hadoop大数据在实时视频监控的应用场景》