在確立了營運策略輔助系統的產品架構後，我面臨的挑戰是導入和開發核心技術。這個系統主要分為四個功能區塊：資料蒐集模組、多模態預測模型、自動出價輸出和營運策略建議。
◎資料蒐集模組
資料蒐集模組包括內部和外部的資料來源，這邊需要處理的在於 ETL（Extract、Transform、Load ）的相關作業。內部資料來自於企業自身的營運數據，而外部資料則涵蓋了競爭對手的價格策略、社群媒體評論、大型活動對市場需求的影響等。對於旅宿業而言，這些資料包括房型銷售、餐飲、會議廳、周邊商品等收入來源，以及展覽、假期等會促進住宿需求的事件。蒐集並處理這些資料後，這些數據將轉化為可供模型訓練的特徵。在進行開發之前，需要先定義這個營運策略系統需要接收多少類型的資料，同時這些類型也應該能廣泛的對比到不同的管理系統。
在資料蒐集中，我們運用了自動化爬蟲技術來持續獲取這些數據。然而數據的收集只是第一步，主要的挑戰在於如何將這些數據轉換為模型能夠使用的特徵。例如，價格和顧客評分是直接的數字，但地理位置、設備品質和社群評論則需要進行量化處理。我們依賴文本分析、情感分析模型和專家知識來完成這一轉換，這是一個繁瑣的過程（Dirty Work），卻是系統能夠正常運行的基礎。
◎多模態預測模型
多模態預測模型是這個系統的核心。我們使用了多種演算法來訓練和驗證不同的模型，這些模型會預測訂單、業績以及預訂時間......等營運關鍵指標。由於旅宿業的多樣性，不可能依賴單一模型覆蓋所有旅店的需求，因此我們需要找到多模態模型的最佳組合，以適應不同規模與類型的旅店。
在模型訓練過程中，我們採用了科學驗證方法，如 MSE、MAE 和 MAPE，來評估模型的表現。然而，由於模型的數量龐大，我們使用了多階層的模型架構來提高效率。例如，初步模型的預測結果可以作為後續模型的訓練數據，最終形成一個多階多模態的預測系統。這樣的設計確保了系統在不同的數據來源和市場情境下，都能提供穩定且準確的預測結果。
值得一提的是，這個系統的開發過程中，除了我們自己有委外的驗證單位之外，還接受了外部學者、顧問和「前瞻計畫」審查委員的多次審查，並根據他們的建議進行模型調整。最終，我們將預測誤差率控制在 20% 以內（20% 是表現最差的數值），這樣的精確度已經能夠為大多數旅店提供有價值的策略參考。
◎自動出價的技術挑戰
自動出價模組基於強化學習技術，這是一個自動調整價格以實現營收最大化的系統。傳統上，專家在定價時需要依賴歷史數據和經驗，但這樣的方式難以即時應對市場的波動，特別是在房間庫存有限、銷售時間逐漸接近的情況下。強化學習技術可以模擬市場供需的變化，並通過不斷學習和調整來提供最優的出價策略。
這項技術的關鍵在於如何設置獎勵機制，使得模型在優化營收的同時，能夠符合市場預期。自動出價系統能夠在 24 小時不間斷地運行，根據市場的實時數據滾動調整價格策略，這是人工專家無法實現的。在沒有專家的旅店中，這個系統可以完全自動化運行；而對於擁有專家團隊的旅店，這個系統可以提供有價值的參考數據，幫助減輕專家工作量，並且在偏離專家預期時，進行人工微調。
◎營運策略建議
營運策略輔助系統的最後一個功能是策略建議。我們將前面提到的不同特徵，通過商業智慧報表的形式來呈現，除此之外系統還能夠生成實際銷售數據與預測結果。起初，我們嘗試使用專家知識來構建內部知識庫，但由於旅店營運模式多樣且數據交互組合複雜，這樣的知識庫難以涵蓋所有可能性。
隨著 LLM 技術的突破，如前面「專業報表分析工具」那一篇所提到的，我們發現它能夠在適當的處理後，替代專家完成數據解讀的工作。我們透過技術整合已知的專業資訊導入 LLM，使得系統能夠自動解釋數據並提供具體的策略建議，這大大縮短了我們的開發時間並提升了系統的靈活性。
多數企業面臨的最大困難是缺乏數據分析和解讀的能力，而這正是我們的營運策略輔助系統所要解決的問題。透過這個系統，企業能夠輕鬆獲得實時的營運建議，並及時應對市場的變化。
但系統跟技術都有它本身的瓶頸與限制，下一篇將會談到這部份產品開發的思維點。
回應管理, Pingbacks:
這篇文章還沒有 回應管理/Pingbacks ...
