Cas Utilisateur

Sunhotels utilise les fonctionnalités de machine learning d’Elastic pour automatiser des analyses de données complexes

Remarque de l'éditeur (3 août 2021) : Cet article utilise des fonctionnalités obsolètes. Veuillez consulter la documentation sur le mappage de régions personnalisées avec le géocodage inverse pour obtenir des instructions en vigueur.

Entretien avec Juan Cidade, Responsable des opérations IT, Sunhotels

Comment la croissance exponentielle des données entrantes a-t-elle affecté votre entreprise ?

L’activité de Sunhotels, société européenne de services de voyages en ligne a toujours été fondée sur l'acquisition de données. Par conséquent, l’adoption des technologies open source, en particulier Elasticsearch, nous aide à mieux comprendre nos données client et à améliorer nos services en conséquence. Appartenant au groupe de voyage australien Webjet, nous cherchons à utiliser des technologies de données de prochaine génération pour favoriser une croissance et une innovation continues.

Récemment, le volume des données que nous traitons a connu une croissance exponentielle. Nous traitons les demandes de recherche et de réservation de plusieurs milliers d’agences de voyages, fournisseurs B2B et agrégateurs tiers à travers toute l’Europe. En deux ans, le nombre moyen de requêtes par seconde est passé de 600 à plus de 4 000, soit 250 millions de demandes et des milliers de réservations par jour.

Comment les technologies Elastic vous ont-elles aidé à gérer la révolution des données ?

Depuis plusieurs années, Elasticsearch nous permet d’étudier les temps de réponse des recherches, de trouver un moyen de différencier les types de recherche et leurs résultats, et de  capturer différents flux de métadonnées afin de mieux comprendre chaque interaction et de réagir plus rapidement en cas de problème. Nous avons commencé à consigner 15 champs différents sur chaque recherche et réservation, notamment le temps de réponse, la destination, le type de client, le contrat du produit (tiers ou direct, etc).

Lorsque nous ajoutons toutes ces données brutes dans Elasticsearch, nous voyons les temps de réponse globaux à un niveau granulaire, et pouvons analyser et comprendre tous les facteurs susceptibles d'affecter la fréquentation d’un hôtel : faible disponibilité, saisonnalité et sensibilité aux prix. Grâce à ces informations, nous suggérons des solutions, telles que modification des tarifs, amélioration de la sous-traitance/cartographie/disponibilité ou connexion/déconnexion aux hôtels, destinations, fournisseurs ou autres clients.

Avec SQL, il était difficile de suivre les recherches en même temps que les types de réservations effectuées, et de trouver des angles morts de ventes. Maintenant, toute l'entreprise utilise les mêmes tableaux de bord que ceux du service d'exploitation, si bien que nous disposons d’informations pertinentes pour créer des stratégies à long terme.

Grâce au suivi du ratio des recherches par rapport aux réservations confirmées et à l'analyse du nombre de recherches qui aboutissent à une réservation (par destination ou par client) Sunhotels optimise ses stratégies commerciales et de sous-traitance. Nous pouvons émettre des hypothèses réfléchies et basées sur des profils, et fournir un service fondé sur l’historique des données. Ainsi, nous optimisons le trafic et augmentons le nombre de réservations.

En quoi cela est-il utile pour la stratégie d’innovation et de croissance de Sunhotels ?

Nos partenaires et nous-mêmes tirons profit de cette infrastructure de gestion des données de deux façons. Tout d’abord, nous détectons les changements de comportement plus rapidement et réagissons de façon proactive. En fonction des tendances qui se dégagent au fil du temps, telles que la réservation de destinations ensoleillées par les scandinaves dès janvier ou celle des espagnols à la dernière minute, nous sommes en mesure de prédire les comportements et d’adapter le service en conséquence.

Pouvoir prédire les comportements à partir de l’historique des données signifie que nous pouvons être proactifs et offrir à notre équipe commerciale l'information dont elle a besoin pour agir rapidement. Si nous prévoyons une demande élevée, cela peut se concrétiser par la multiplication des propriétés disponibles dans une certaine zone ou à un certain prix. Cela peut également entraîner une augmentation de l'activité dans des régions plus calmes, notamment en améliorant les réservations et en avertissant les partenaires des périodes calmes ou chargées.

Deuxièmement, notre capacité à traiter plusieurs téraoctets de données dans Elasticsearch allège considérablement notre organisation. L’industrie du voyage - particulièrement en B2B - est très traditionnelle avec de grandes équipes chargées de réaliser des analyses approfondies. Elasticsearch facilitant le traitement du volume de données, notre équipe peut se concentrer sur les résultats des analyses pour améliorer le service, ce qui réduit considérablement les délais de traitement et le nombre d'heures de travail.

Quel rôle le machine learning jouera-t-il dans la stratégie de Sunhotels ?

Puisque l'entreprise compte sur nous pour lui fournir des informations plus poussées, les fonctionnalités X-Pack d'Elastic, notamment machine learning, nous permettent d'automatiser une importante couche d'analyse actuellement gérée par 12 robots conçus sur mesure, eux-mêmes supervisés par une toute petite équipe d'ingénieurs. Nous pouvons aujourd’hui consacrer beaucoup de temps à la surveillance et à l'optimisation des paramètres, alors que nous avons dix fois plus de données, de connexions externes et de requêtes entrantes que nous n’en avions l'année dernière. Nous avons donc trouvé un moyen d'automatiser à grande échelle des analyses complexes.

Si un de nos clients fait 150 réservations par jour, nos robots peuvent examiner certains des comportements et des anomalies associées à ces transactions, mais, pour émettre des hypothèses sur la relation entre les points, un processus de codage complexe doit être exécuté. Sans le machine learning, il serait très difficile d'effectuer des analyses croisées et de sélectionner des indicateurs de mesure provenant de plusieurs index.

Nous voulons également que l'infrastructure prenne automatiquement en compte la saisonnalité. En temps normal, nous devons ajouter manuellement ce paramètre à tous les robots, ce qui prend beaucoup de temps et est très technique. Le machine learning nous aide à lancer des analyses conformément à des règles cohérentes, implémentées automatiquement.

Une multitude de clusters et de nœuds étant en jeu, nous savions que d'importantes sommes d'argent devraient être engagées. C'est pourquoi, après avoir enquêté sur un certain nombre de solutions de machine learning, nous avons été ravis de voir que cette fonctionnalité soit ajoutée à X-Pack. Celle-ci peut être facilement déployée dans l'écosystème Elastic existant sans nécessiter une intégration particulière ou des informations de connexion distinctes.

sunhotels_machine learning.png

Figure 1 : Jobs liés aux réservations (nombre et valeur des annulations, réservations par fournisseurs, erreurs de réservation)

sunhotels_machine learning_external bookings.png

Figure 2: Temps de réponse des fournisseurs externes