Jayride 的数据
Jayride是一个提供机场接送服务的全球旅游市场，旅客可以在其中查找并预订世界各地的行程。因此，我们每天都会生成大量数据。

我们的数据源包括（除其他外）来自我们的客户和旅游品牌合作伙伴的预订和报价请求、来自我们支付网关的交易信息、从我们网站收集的 Google Analytics 数据等。

这 秘鲁电报数据库 些来源是我们数据驱动决策之旅的起点。但这些数据以其原始形式分散在各个平台上是毫无用处的。因此，我们先对原始数据进行整形、清理和完善，然后再将其组织到有序的数据仓库中。（我们为此使用 GCP 的BigQuery 。）

将所有内容集中在一处使我们能够结合各种资源并为特定目标创建强大的新资源。例如，将我们的运输供应商的绩效数据与预订信息相结合，可以帮助我们的支持团队识别高风险预订并在旅行日期之前解决潜在问题。这样，我们就能让旅客和运输供应商满意。

作为一家数据驱动的旅游公司，我们的目标是让每位员工都能做出明智的决策。因此，我们每天在 Tableau 中创建各种报告，包括关键指标、供需、SEO、SEM 和财务信息。通过以易于理解和易于使用的格式提供对我们数据的访问，我们使他们能够发现见解并根据事实做出决策。

数据科学用例 1：人工智能与人工报价请求
作为一家旅游公司，了解我们的潜在客户在哪里寻找机场乘车服务至关重要。我们分析需求数据以提供充足的供应和有竞争力的价格。

但成为行业领导者意味着（就我们而言）我们和我们合作伙伴的网站经常被脚本或机器人抓取。他们的作用是产生大量的人工报价请求，从而掩盖了真实的需求。

值得庆幸的是，我们的数据科学工具使我们能够进行应对。

这些机器人具有模式——大多数包括源/目的地位置对和时间戳。有些是每天抓取，有些是每小时抓取，但它们都使用特定的位置列表。我们将这些模式提供给无监督聚类算法（例如K-means），以识别并将它们标记为可疑活动。

我们使用底层模式手动创建并测试了一些简单的逻辑规则，并获得了以下结果：

位置对的每月频率使 Jayride 能够区分其网站上的人工活动和真实需求。

最右边的条显示，所有唯一源/目的地位置对中的 0.02% 生成了所有报价请求的 39%。每一种产品每月都会被报价数千次（有时数百万次），但只占我们预订量的 0.4%。这显然是机器人活动。

通过定位并排除以红色突出显示的区域中的报价请求，我们排除了大多数基于机器人的报价，这使得我们只留下高意图的报价请求。这样我们就可以分析出真实的需求。

数据科学用例 2：NPS 的 NLP
我们重视旅客，并致力于了解他们的需求并满足他们的需求。以下是数据科学和分析如何帮助我们改善旅行服务。

首先，我们通过净推荐值 (NPS) 表格和供应商评论收集旅行者的反馈。 NPS 表格询问“您向朋友或同事推荐 Jayride 的可能性有多大（从 1 到 10）？”随后会提示您发表评论。我们将选择 9-10 的人归类为“支持者”，选择 7-8 为“被动者”，选择 1-6 为“反对者”。我们还发送了一份表格，供旅客查看其交通供应商并对其进行 1 至 5 星评分。

我们使用数字分数来了解客户满意度，这有时会导致将表现不佳的供应商从我们的列表中删除。但数字并不能说明全部情况。因此，我们将分数与客户评论结合起来，以全面了解情况。尽管如此，筛选我们收到的大量自由文本信息并从中获取有价值的见解仍然具有挑战性。

幸运的是，谷歌令人惊叹的自然语言处理（NLP）工具可以为我们完成这项任务。为了训练模型，我们进行了数千次审查并手动标记它们——这是一个劳动密集型且耗时的过程。但是，一旦模型经过训练，它就开始为我们做工作。

现在，我们可以轻松了解满意的客户喜欢什么，并解决不满意的旅行者的不喜欢的问题。我们可以跟踪反馈随时间的变化，并快速识别和解决问题。

例如，我们认为大多数投诉都是关于司机没有出现，但发现它们是关于沟通的。确定这一点后，我们努力改善沟通并缩短响应和报告到解决方案的时间。我们聘请了更多支持人员来满足不断增长的客户群的需求。我们最近的客户反馈表明我们已经解决了大多数沟通问题。