4、需求识别阶段：触发因素与客户需求洞察
需求识别是民航客户购买决策链路的起点，也是整个决策过程的“扳机”。客户从“有出行想法”到“真正下单”，中间隔着大量可被观察、被分析的行为信号。本章聚焦三类核心触发因素（差旅需求、旅游动机、紧急事件），拆解需求类型与特征，并给出通过数据识别客户需求的可操作方法。理解这一阶段，是后续信息搜索、方案评估、下单决策的前提。
4.1 触发因素：需求从哪里开始
核心原理
民航客户的需求从来不是凭空产生的，它一定由某个“触发事件”点燃。触发因素决定了客户对时间、价格、服务、灵活性的敏感程度。差旅需求通常由公司制度、会议安排、项目节点驱动，客户对时间准确性的要求远高于价格；旅游动机则更多由个人或家庭休闲计划驱动，价格弹性和时间弹性都较大；紧急事件（如医疗转院、亲人变故）则完全打破常规决策逻辑，客户愿意为“最快到达”支付溢价。
三类触发因素对比
| 触发类型 | 典型场景 | 时间敏感度 | 价格敏感度 | 决策周期 | 关键服务诉求 |
|---|---|---|---|---|---|
| 差旅需求 | 商务会议、客户拜访、项目驻场 | 高（必须按时到达） | 中（公司报销有标准） | 1-7天 | 准点率、航班频次、退改签灵活 |
| 旅游动机 | 假期出游、探亲访友、蜜月旅行 | 低-中（可调整日期） | 高（自费为主） | 7-60天 | 价格、行李额、目的地配套 |
| 紧急事件 | 医疗转院、奔丧、突发商务 | 极高（越快越好） | 低（愿意支付溢价） | 数小时-1天 | 最近航班、直飞、快速值机 |
判断方法
- 差旅需求识别信号：搜索时间集中在工作日白天、目的地为商务城市（北上广深、省会）、搜索时段与航班时刻高度匹配、历史订单中同一航线重复出现。
- 旅游动机识别信号：搜索时间集中在晚间和周末、目的地为旅游城市（三亚、丽江、成都）、搜索周期跨度大（提前2-8周）、常伴随酒店/景点搜索行为。
- 紧急事件识别信号：搜索到出发时间极短（24小时内）、不筛选价格只看最早航班、反复刷新同一航班余票、通过客服电话而非APP下单。
常见误区
- 误区一：把所有搜索行为都当作“高意向”信号。实际上，旅游动机的客户可能提前两个月就开始“随便看看”，过早推送促销反而降低品牌信任。
- 误区二：忽略触发因素的动态变化。一个原本计划旅游的客户，可能因为临时工作安排转为差旅需求，需求类型会随事件变化而切换。
- 误区三：紧急事件客户被当作普通客户对待。如果系统仍按常规流程展示“低价推荐”而非“最快出发”，客户会迅速流失到竞品。
4.2 需求类型与特征：从“想走”到“怎么走”
核心原理
需求识别不能停留在“客户要买机票”这个粗粒度层面，必须进一步拆解为四个维度：刚性 vs 弹性（是否必须出行）、即时 vs 计划（决策时间窗口）、价格敏感 vs 时间敏感（核心权衡点）、个人 vs 组织（决策主体）。这四个维度组合，决定了客户在后续搜索、比价、下单环节的行为模式。
需求类型矩阵
| 需求类型 | 核心特征 | 决策行为 | 推荐策略 |
|---|---|---|---|
| 刚性-即时 | 必须走、马上走 | 不比较、直接下单 | 展示最快方案、简化流程 |
| 刚性-计划 | 必须走、时间可安排 | 提前预订、关注退改 | 推送早鸟价、灵活退改产品 |
| 弹性-即时 | 可走可不走、临时起意 | 看价格、看特价 | 推送限时折扣、尾单 |
| 弹性-计划 | 可走可不走、提前规划 | 长期比价、等降价 | 价格提醒、会员日促销 |
操作流程：需求分类四步法
- 第一步：判断刚性/弹性。看搜索是否包含明确日期、明确航班号、是否反复搜索同一航线。刚性需求通常有明确的时间锚点。
- 第二步：判断即时/计划。看搜索时间与出发时间的间隔。间隔小于72小时为即时需求，大于7天为计划需求。
- 第三步：判断价格/时间敏感。看客户是否筛选“价格从低到高”、是否选择中转航班、是否接受红眼航班。价格敏感客户会花时间比较。
- 第四步：判断个人/组织。看搜索设备（公司电脑 vs 个人手机）、搜索时段（工作时间 vs 休闲时间）、是否多人同行程。
案例拆解：一次“被误判”的旅游需求
背景：某OTA平台用户张女士，连续5天在晚上10点后搜索“上海-厦门”的航班，搜索日期集中在国庆假期前后，且每次搜索都会查看酒店套餐。
初始判断：系统将其标记为“旅游动机-弹性-计划”，推送了低价经济舱和酒店套餐。
关键转折：第6天，张女士突然在上午10点搜索同一航线，且只筛选“上午9点前到达”的航班，不再查看酒店。系统捕捉到这一变化，重新评估为“差旅需求-刚性-即时”。
调整策略：系统立即推送当天和次日上午到达的航班，并附带“可改签”标签。张女士在2小时内完成下单。
复盘：如果系统没有捕捉到搜索行为从“晚间+酒店”到“白天+仅航班”的转变，仍推送旅游套餐，很可能流失该订单。需求类型是动态的，数据识别必须实时更新。
4.3 如何通过数据识别客户需求
核心原理
数据是需求识别的“显微镜”。客户不会直接告诉你“我要出差”还是“我要旅游”，但他们的行为数据会“泄露”真实意图。有效的数据识别不是单点判断，而是多维信号的交叉验证。核心数据源包括：搜索行为数据（关键词、时间、频次）、历史订单数据（航线、舱位、提前预订天数）、用户画像数据（常驻地、差旅标签、会员等级）、实时上下文数据（地理位置、设备类型、天气事件）。
数据识别指标体系
| 数据维度 | 关键指标 | 需求指向 |
|---|---|---|
| 搜索时间 | 工作日白天 vs 晚间/周末 | 差旅 vs 旅游 |
| 提前预订天数 | <3天 vs >14天 | 即时 vs 计划 |
| 目的地类型 | 商务城市 vs 旅游城市 | 差旅 vs 旅游 |
| 舱位选择 | 经济舱比价 vs 公务舱直选 | 价格敏感 vs 时间敏感 |
| 搜索设备 | 公司电脑 vs 个人手机 | 组织决策 vs 个人决策 |
| 关联行为 | 是否同时搜索酒店/租车 | 综合旅行 vs 单程出行 |
操作流程：数据识别五步法
- 数据采集：埋点收集搜索、点击、浏览、下单全链路行为数据，确保数据粒度到“每次搜索动作”。
- 信号提取：从原始数据中提取关键信号，如“搜索时段”“提前天数”“目的地类型”“是否比价”。
- 需求打分：为每个信号赋予权重，计算“差旅倾向分”和“旅游倾向分”。例如，工作日搜索+3分差旅，晚间搜索+2分旅游。
- 阈值判断：设定分类阈值。差旅倾向分≥5且旅游倾向分≤2，判定为差旅需求；反之判定为旅游需求。
- 动态更新：每次新行为触发重新计算，需求标签随行为变化实时刷新。
实战场景：数据识别驱动个性化推荐
场景：某航司APP用户李先生，过去一年有8次差旅订单，全部为“北京-上海”航线，提前预订天数平均4天，全部选择经济舱。本周二上午10点，李先生再次搜索“北京-上海”。
数据分析：系统调取历史画像（差旅标签）、当前搜索时间（工作日白天）、提前天数（3天）、航线（商务航线），综合判定为“差旅需求-刚性-即时”。
推荐策略：APP首页优先展示当天下午和次日上午的航班，排序按“起飞时间接近”而非“价格最低”，同时显示“可累积里程”“可改签”标签。李先生点击了下午2点的航班，10分钟内完成下单。
结果对比：如果系统按旅游需求处理，推荐周末低价航班，李先生很可能关闭APP转向其他渠道。数据识别让推荐精准度提升了约40%的转化概率。
常见误区与总结
- 误区一：只关注“搜索了什么”，不关注“怎么搜索的”。搜索行为的过程信息（时间、频次、顺序）比结果信息更有价值。
- 误区二：需求标签一次判定、长期使用。客户需求会随事件变化，标签必须实时更新。
- 误区三：忽略“沉默数据”。客户没有搜索不代表没有需求，可能只是需求尚未被触发。结合外部事件（节假日、大型会议、天气变化）主动预测需求。
- 误区四：数据识别与推荐策略脱节。识别出需求类型后，必须同步调整推荐逻辑、排序规则、文案话术，否则识别没有价值。