Der Kunde
Ein in Europa ansässiges Online-Reisebüro. 70% der Verkäufe werden über Metasuchmaschinen getätigt. Die verbleibenden 30% des Umsatzes stammen aus direktem Verkehr, der sich aus organischem Verkehr, Keyword-Werbung und SEO zusammensetzt.
Die wichtigsten Herausforderungen
Online-Reiseagenturen sind bei der dynamischen Preisgestaltung an der Spitze. Sie müssen alle verfügbaren Informationen nutzen, um ihre Gewinnmargen zu steigern und gleichzeitig wettbewerbsfähig zu bleiben.
Für verschiedene Produktarten (Flüge, Hotels, Pauschalreisen, Autos, Kreuzfahrten) und Kanäle (organische Suchmaschinenwerbung, SEO, SEM, Social Media, Meta-Suchmaschinen) können unterschiedliche Strategien eingesetzt werden.
Die Buchungsmaschine
Der Kunde entwickelte eine erweiterte Buchungsplattform, die Ergebnisse aus mehreren GDSs, Billigfluggesellschaften und Charterflügen kombiniert und Reisenden die günstigsten Optionen auf dem Markt bietet.
Vor Quicklizard
Ihr eigenes System erforderte jedoch, dass Preismanager manuell die Provisionen aus den Nettokosten errechneten. Die Preismanager nahmen die Preise der Wettbewerber nicht in Betracht oder berücksichtigten keine Umweltfaktoren wie Tageszeit oder Wetterbedingungen bei der Preisgestaltung und führten Änderungen nur selten durch, da dies durch die Einschränkungen manueller Arbeit erschwert war.
Die QL-Lösung
-
Konvertierungsvorhersage und Preissimulation
Die Firma QuickLizard implementierte einen Hybridansatz aus maschinellem Lernen und A/B-Testing. Die Plattform prognostizierte anhand des Nutzerverhaltens und der Preiskonkurrenz die Wahrscheinlichkeit einer Conversion für jeden Kunden. Anschließend empfahl ein Simulator den optimalen Preis für jede Kombination.
-
Eine genaue Kostenfunktion
Darüber hinaus wurde eine genaue Kostenfunktion angewendet, um Parameter zu berücksichtigen, die nicht in den Nettentarif enthalten sind, darunter Zusatzbuchungen, Quoten-Prämien von Anbietern und Halo-Effekt-Verkäufe.
-
Ein Bieter für Meta-Suche
Die empfohlenen Markup-Einstellungen wurden von den Preismanagern mithilfe des bestehenden, eigenen Systems angewendet. Der Meta-Suchverkehr nutzt ein separates Preisberechnungs-Tool. QL implementierte einen Bietern, der maschinelles Lernen und Verstärkungslernen nutzt, um die niedrigste Gebotswertung des Wettbewerbs für jeden Reiseplan vorherzusagen. Unser Kunde nutzte diese Informationen, um eine Reihe von Regeln und Einschränkungen zu erstellen, um einen Preis anzubieten.
Das Ergebnis
-
18%
Zunahme des Umsatzes
-
7%
Steigerung des Gewinns
Die QL-Plattform kombiniert Daten zu Nachfrage, Wettbewerbsanalysen und Nutzerverhalten, um für die Online-Reisebüros eine Echtzeit-Optimierung der Provisionen zu empfehlen. Durch die Empfehlungen der QL-Plattform konnte unser Kunde nach einer anfänglichen Einrichtungphase eine 18 -prozentiger Umsatzanstieg und 7% -facher Anstieg des Gewinns.
Die Zukunft
Nehmen Sie die ganze Geschichte mit sich
Die vollständige Fallstudie ist in einer Formatierung für interne Weitergabe ausgearbeitet.
