在商业世界，数据就是金矿。作为在线旅行服务平台，携程也不例外。

    眼下，携程拥有数亿的用户数量和丰富的旅游产品，每天都有大量用户浏览和预订，并产生内容。就携程攻略社区而言，今年“十一黄金周”七天，已经有日均数万的用户发表图文点评，且移动端占比达70%;长假结束后几天内，携程攻略社区日均新增游记数超千篇。

    携程商业智能部总监宋荣告诉21世纪经济报道记者，在过去大部分时间里，携程只是保留了用户的部分业务数据，这个数据量并不大。最近2年以来，携程才开始保留用户与网站交互的行为，包括PC端和移动端。

    “我们现在每日产生的数据量非常惊人，未压缩能达到100T左右，压缩后大约为3到4T。”宋荣表示，“这些数据我们会进行筛选，参与实时场景计算的数据是几十个G。”

    对携程来说，这些数据经过分拣、打捞与重新组织，就会成为符合细分需求的个性化的定制解决方案。宋荣坦言，数据转化的过程难度不小，“关键是如何把旅游行业的经验变成数字化的内容”，而这需要技术人员与业务人员的不断磨合。

    减少空置率

    通过大数据，携程试图让业务流程和运营变得更为高效。

    携程的业务模式之一是把用户带到酒店，酒店在用户入住之后再返还部分佣金给携程。在这样的业务场景中，携程通常会面临两部分的风险：一是客人预订了酒店后不去入住，且预定时没有任何担保，那么酒店的房间资源就会被浪费;第二，酒店入住的客人太多，酒店工作人员可能会搞混，那么携程就容易存在佣金的损失。

    “在节假日或入住高峰期时，我们时常会发现一些酒店有空房，但仍有一些客人找不到地方住。”宋荣告诉21世纪经济报道记者，为了应对这种情况，携程会使用大量用户出行的历史数据，以及区域资源紧张度的数据，来判断用户在预订完房间后，去或不去的概率。

    举例来说，一个上海的客人预订了北京的酒店，但携程发现他实际没有预订任何交通工具或者根本没去北京，那么这个预订就会有问题。此外，携程发现许多用户会在不同的城市连续预订，而这些预订之间实际是有因果关系的。这些城市间的距离、交通及用户的入住时间会产生一些线索，这些线索能够帮助判断用户能否及时到达下一家酒店。

    另一种有趣的情况是，不少用户为了保险起见，会在一个城市同时订两家酒店。这时，携程就要利用一些数据来预测他更有可能入住哪家酒店，以减少酒店的空置率。

    通常情况下，一旦发现用户在预定完后可能不会入住酒店，携程便及时采取措施。这些措施包括管理携程内部的酒店间/夜库存，以及更快地与酒店方面确认佣金。

    携程内部拥有几百人的团队，专门负责处理与酒店的佣金结算。在应用大数据之前，携程必须通过人工的方式向酒店查询和确认佣金。宋荣称，“这种方式耗费的时间很长，且双方都是人工处理，会出现各种问题”，如果一天有几万条订单，人工根本没法进行确认，而有了大数据后，携程得以在佣金回收方面提高效率。

    个性化推荐

    对携程来说，大数据的另一个主要功能是了解用户在行前、行中、行后的信息需求，通过携程全品类商品数据和会员口碑数据的细分、打捞、聚合推荐，帮助用户进行旅行决策。理想状态下，携程需要在海量的用户数据、内容数据和商品数据的基础上，通过算法和模型，驱动用户推荐。

    举例来说，携程把每个城市分为商务和休闲两类不同属性，再结合用户本身偏商务还是偏休闲，来进行针对性的酒店营销。

    “当然，这样分也不完全准确，因为人有多样性，用户可能在工作日偏商务，在周末偏度假。”宋荣称，这种情况下，携程会看用户是否经常去同一个城市，以及去的时间是平时还是周末、节假日。此外，一同出行的人数也可以给携程提供判断的标准。

    在分析了各种维度之后，携程大概可以确定用户此次出行是偏商务还是休闲。根据这一点，携程会把该城市内相关属性的一些酒店推荐给用户。

    在此基础上，携程需要考虑更多个性化的选择。这些因素包括用户偏好的地点、价格、时间、区域等。具体说来，许多商务客其实对入住的酒店无所谓，只要达到公司预算的级别就可以入住了，但另一些顾客或许就会很挑剔。

    宋荣表示，比如，顾客会对酒店的点评比较关注，有的人可能更在意SPA，有的人更在意酒店附近的交通，有的人更在意健身房、游泳池这样的设施，“这些用户的偏好我们都会从过往的浏览和预订记录中抽出来，提供给用户相应的推荐”。

    除了酒店推荐，准确地猜出用户下一个想去的目的地，是大数据的另一项重要应用。据了解，携程会把用户定义为很多类，比如愿意去人们常去的成熟景点的人群，以及愿意发现新景点的人群等。

    比如去韩国旅游，一些用户可能早在若干年前就去过了。他们去过的景点和城市经常会在三四年后逐渐热起来，他们提供的攻略则会给其他用户许多指导。对于这部分人，携程称其为“发现者”，并推荐给他们一些新的景点和线路，或是老景点的新玩法。

    根据用户偏好的不同，携程为用户贴了上千个标签。除了“商务”、“休闲”、“发现者”之外，还有“亲子”、“非亲子”、“美食”等等。这些偏好数据，统统从用户的点评文本里，或是订购行为中挖掘出来。

    在此基础上，携程的首页也做到了“千人千面”。据宋荣称，每个用户登录携程后，看到的页面右边的推荐项目都是个性化的，只是个性化程度有所不同。值得一提的是，随着移动互联网的崛起，影响用户决策的媒介和频率越来越多，用户日趋多样化的需求也给携程提出了更大的挑战。

    具体说来，用户不必再像过去一样花费大量的时间提前做攻略、打印行程、预订产品。随着信息获取成本降低，用户完全可以利用碎片时间通过手机、穿戴设备等各介质了解信息。预订产品时，用户也不必像过去那样提前准备好所有旅行元素，而是可以先订一张机票，到达目的地后再查看附近的住宿、景点与餐饮，逐步预订细化的产品。这些变化对服务与信息数据组织效率提出了新的课题。

    对携程来说，其要实现的就是将各个旅游要素结构化，再将这些结构化的信息在用户需要的场景聚合成个性化的推荐，帮助用户快速决策。