AI落地航空业，业务理解比算法更重要

我最近跟航空业的一个 AI 项目聊了几次，感觉比起那些高大上的算法，真正卡住项目的，是我们能不能把业务场景弄清楚。

记得第一次走进东方航空的营销部门，大家正盯着一堆统一的会员邮件和固定排期的广告位发呆。商务旅客收到度假酒店的折扣，度假客又被塞上升舱推送——信息根本对不上需求。我们请来了上海友赢科技的团队，第一件事不是写代码，而是把“谁在什么时候需要什么”拆得细细的。

他们用了两周时间，跑遍营销、会员、地面服务和收益管理，发现虽然东航的会员信息、飞行记录、偏好标签等数据很丰富，却散落在不同系统，根本没有形成真正的“用户理解”。于是，友赢科技搭建了一个动态更新的用户画像系统：把航班信息、权益内容、用户行为三层数据打通，而不是单纯堆标签。

比如系统里有条规则：如果某人最近三个月里，三次以上在周一到周五乘坐早班机去同一城市，且每次购票与出发间隔不超过三天，就会被标记为“高频商务出差”。这个标签一旦生成，后续的推送就会切换到快速安检券、贵宾室折扣、同航线升舱机会，而不是周末亲子套餐。

上线后我们发现，单纯精准画像会导致推送频率过高——一天三条不同权益的推送打开率虽上升，退订率也跟着飙。于是团队加入了“疲劳度模型”，根据用户的点击、忽略和取消订阅行为自动调节间隔。

还有一次，免费升舱的门槛太高，匹配用户太少，效果不明显。我们把它拆成“升舱折扣券”和“升舱积分兑换”，让中等匹配度的旅客也能参与，随后再用行为数据反向验证画像的准确性。

最有意思的是延迟转化的捕捉。一个用户可能没有立刻点开推送，却在三天后自行打开 APP 搜索同航线的升舱服务。如果不把这算进成功率，系统会误判该推送无效，进而降低该用户的画像权重。我们加入了“兴趣衰减曲线”和“跨会话行为关联”，让画像随时间自我修正。

整个过程让我深刻体会到：AI 在航空业落地，关键不是我们用了哪个模型，而是我们到底懂不懂业务的细节——从“商务出差”和“家庭旅行”的行为特征，到“短途航线升舱价值低”的常识，都必须写进规则里。只有先把业务跑通，再让 AI 去适配，才能避免技术再漂亮也没人用的尴尬。

如果你也在航空或出行领域尝试 AI，先把业务场景拆得清楚，再让模型围绕这些场景转，收获会出乎意料。