Using click, search, chat, and booking logs for 31 million Ctrip users, the paper documents three stylized facts: (1) adoption of the platform-embedded assistant is concentrated among older, female, and highly engaged users (6.1% adopters overall); (2) AI chat typically appears in the same pre-purchase phase as search and well before orders, with interleaving of chat and search when both occur; and (3) users disproportionately use chat for exploratory, hard-to-keyword queries (attractions = 42% of chats), and chat intent aligns with subsequent purchase categories, implying the assistant complements rather than substitutes search .
Panel A: Prevalence
| Group | Share of journeys (%) |
|---|---|
| Chat-Before-Search | 15.076 |
| Chat-Between-Search | 30.916 |
| Chat-After-Search | 12.411 |
| Chat-Only | 41.596 |
Panel B: Journey characteristics (median / mean where noted)
| Metric | Chat-Before-Search | Chat-Between-Search | Chat-After-Search | Chat-Only |
|---|---|---|---|---|
| Median journey length (hours) | 51.809 | 94.837 | 51.970 | 18.405 |
| Mean hotel searches | 24.365 | 150.029 | 21.433 | 0.000 |
| Conversion rate (%) | 39.382 | 43.166 | 31.130 | 18.040 |
Panel C: Chat intent distribution (%)
| Intent | Chat-Before | Chat-Between | Chat-After | Chat-Only |
|---|---|---|---|---|
| Attraction | 44.21 | 41.88 | 48.48 | 39.87 |
| Hotel | 17.93 | 30.39 | 17.68 | 7.06 |
| Travel Planning | 9.84 | 6.08 | 5.39 | 8.03 |
| Others (cust. service, flight, transport, other) | remaining shares as in Table 1 |
元数据与概览(引言与报告概览)
逐节深度解读
图表深度解读(逐图逐表)
Figure 1(图示用户特征的采用率,图片引用如下):
说明:图 1 以六个分面展示按性别、年龄组、城市等级、资历、VIP 等级与设备类型的无条件采用率,图中数值标签直接给出各分组采用率(例如性别:男 6.0%、女 7.1%;年龄组:50+ 为 10.7%)。该图支撑了论文关于年龄与忠诚度正相关、女性采用率略高与 Android 高于 iOS 的直观结论。
Figure 2(旅程中事件的核密度图,引用图片):
说明:四个子图分别为 Chat、Search、Click、Order 的密度随旅程进度的分布,图上虚线标注中位位置(Chat 47%、Search 55%、Click 56%、Order 88%),从密度形状看 Chat、Search 与 Click 在旅程前中段都有较平滑分布并在开头与结尾有峰值,而 Order 密度在旅程后段陡升。该可视化直接支持“聊天与搜索在同一购买阶段、而订单集中于后段”的结论。 ,
Table 1(旅程特征按聊天与搜索相对时点分类):
关键数字:Chat-Only 占 41.6%,Chat-Between-Search 占 30.9%,Chat-Before-Search 15.1%,Chat-After-Search 12.4%。交错组中位旅程时长 ~94.8 小时、平均酒店搜索 150 次、转化率 43.17%;而 chat-only 中位 18.4 小时、转化率 18.04%。Panel C 显示交错组酒店意图占比 30.4%,而 chat-after-search 的景点(Attraction)意图占比最高(48.5%),表明意图类型与聊天-搜索次序相关联。 ,
Figure 3(按聊天意图绘制的订单相对时间密度):
说明:分面(a)Attraction、(b)Hotel、(c)Travel Planning 等显示订单相对于聊天事件的归一化时间分布;例如当聊天意图为 Hotel 时,酒店订单在聊天之后集中出现(图中酒店订单密度在正区间有尖峰),而 Customer Service 面板显示订单常在聊天之前集中(提示客服聊天往往是交易后的跟进)。这些图形支持作者关于“聊天意图与后续购买品类对齐”的论断。 ,
Appendix Table A1(收敛性描述:采用者 vs 非采用者的样本统计):
关键点:采用者在参与度指标上显著更高(平均登录分钟 797 vs 355;平均搜索 150 vs 67;点击 66.5 vs 28.2),购买活动也更多(总订单均值 4.015 vs 2.484)。这些差异在 t 检验上高度显著,支持“采用高度与平台既有参与度强相关”的结论,但不直接表明因果。
Appendix Figures A1 与 A2(回归边际效应与随机森林变量重要性):
说明:A1 显示年龄(50+)的边际效应显著为正且数量级大;女性、iOS 的符号与数值在不同模型中保持一致。A2 的 permutation importance 显示 login minutes、login sessions、avg minutes/session 为最重要的特征,年龄位列其次,表明参与度类变量在预测采用上贡献最大。 ,
Appendix Table A9(聊天会话与请求层面的强度指标):
关键点:在有可观测聊天记录的 188,647 名采用者中,用户消息中位长 8 字符、AI 回复中位 1,145 字符;中位会话大多只有 1 次请求,约 79% 使用平台的“深度推理/extended inference”模式。该表表明聊天通常为短会话但回复较长、并以深度模式为主。
估值与财务预测(无)
风险因素与方法学局限(作者识别与补充批判)
批判性视角与细微差别
结论性综合(要点回顾)
附:本文中关键图表的原图引用(为便于溯源与复核)
總體評價:本文在大規模平台行為數據上提供了清晰、一致且多重穩健性檢驗支持的描述性事實,對平台設計與後續因果研究均具有高參考價值;不過對於把這些關聯性外推為因果收益或直接投入財務模型時,仍需慎重並補充隨機化或自然實驗證據以完成從“關聯”到“因果”的跳轉。 ,
2603.24947.pdf