Hotels Nutzen Maschinelles Lernen, Um Vorherzusagen, Welche Gäste Aufstehen Werden

Heutzutage werden Big Data in allen Lebensbereichen eingesetzt, und die Hotelbranche bildet da keine Ausnahme. Durch die umfassende Nutzung von Big Data können Hotels Änderungen der Marktnachfrage vorhersagen, intelligente Entscheidungsanalysen durchführen und ihre Betriebsbedingungen verbessern.

Heutzutage haben große OTA-Plattformen (Online Travel Agency) das Reisen der Menschen erheblich erleichtert. Hotelübernachtungen, Eintrittskarten für Attraktionen etc. können bequem mit wenigen Klicks gebucht werden.

Um mehr Benutzer zu Reservierungen zu bewegen, werden diese Plattformen die Händler dazu ermutigen, lockerere Stornierungsbedingungen festzulegen, wie etwa eine kostenlose Stornierung jederzeit oder eine kostenlose Stornierung innerhalb einer begrenzten Zeit.

Booking.com, die weltweit größte Online-Hotelbuchungsseite nach Zimmerverkauf, ist bei Reisenden aufgrund ihres Vorteils der kostenlosen Stornierung beliebt.

Allerdings ist die „kostenlose Stornierung“ für die Benutzer sehr angenehm, für die Hotels jedoch ein Ärgernis. Durch die vorübergehende Stornierung einer Bestellung entstehen dem Hotel in der Regel folgende Verluste:

1. Die stornierten Zimmer können nicht rechtzeitig verkauft werden und dem Hotel entgehen Einnahmen.
2. Hotels senken Preise, um stornierte Zimmer zu verkaufen, was zu Gewinnverlusten führt
3. Um diese Zimmer schnellstmöglich zu buchen, muss das Hotel zusätzliche Kosten für Werbung und Vertriebskanäle aufwenden.

Da die Nutzer das Hotel jederzeit kündigen können, besteht für das Hotel eine Möglichkeit, die Verluste zu minimieren?

Manuel Banza, ein portugiesischer Business Analyst (BA, eine Position, die einem Produktmanager in einem IT-Unternehmen entspricht), verfügt über mehr als fünf Jahre Erfahrung im Hotelmanagement.ErAnhand öffentlich zugänglicher Daten europäischer Hotelbuchungsplattformen haben wir die Merkmale von Benutzern ermittelt, die eher zu Stornierungen von Bestellungen neigen. So können Hotels Verluste rechtzeitig verhindern.

Aus fast 120.000 Hotelbuchungsdaten haben wir ein Muster gefunden

Als Data-Science-Enthusiast begann Manuel Banza mit Data Science und maschinellem Lernen.

Er zuerst „Datensatz zur Hotelbuchungsnachfrage“(Hotelbuchungsnachfrage) hat eine umfassende Analyse durchgeführt. Dieser Datensatz enthält 32 Datendimensionen für gewöhnliche Hotels und Ferienhotels, darunter:

Informationen wie Nationalität des Benutzers, Buchungszeitpunkt, Aufenthaltsdauer, Anzahl der Erwachsenen und Kinder bzw. Kleinkinder, ob die Bestellung letztendlich storniert wurde und die Gesamtzahl der Stornierungen von Bestellungen durch den Benutzer vor dieser Bestellung.

Hotelbuchungsnachfrage 

Datensatz zur Hotelbuchungsnachfrage

Verlag:Universität Lissabon, Portugal

Enthaltene Menge:Insgesamt 119390 Daten, 32 Dimensionen

Datenformat:csv Datengröße:16,9 MB (1,3 MB komprimiert)

Adresse:https://orion.hyper.ai/datasets/14866

Manuel Banza fand anhand von Statistiken heraus, dass viele Benutzer ihre Hotelbuchungen innerhalb eines Jahres stornierten.

Im Jahr 2018 stornierten 49,8 % der Nutzer der OTA-Plattform Booking ihre Bestellungen; Bei der HRS Group lag dieser Anteil sogar bei 66%. . Insgesamt erreichte die durchschnittliche Stornierungsrate von Buchungsaufträgen auf mehreren Plattformen im Jahr 2018 39,61 TP3T.

Anschließend führte der Autor eine explorative Analyse der Daten durch und stellte Folgendes fest:

• Im Vergleich zu normalen Hotels und Ferienhotels besteht eine höhere Wahrscheinlichkeit, dass Reservierungen von Gästen storniert werden.
• Während des Frühlingsfests und im Sommer ist die Stornierungsrate höher, während sie im Winter am niedrigsten ist.
• Von den verschiedenen Buchungskanälen erteilen Benutzer auf OTA-Plattformen die meisten Bestellungen, auf OTA-Plattformen werden jedoch auch die meisten Bestellungen storniert.
• Je früher der Nutzer eine Reservierung vornimmt, desto größer ist die Unsicherheit und desto größer ist die Wahrscheinlichkeit einer Stornierung.
  

Die Autoren geben an, dass der Buchungszeitpunkt eine der wichtigsten Kennzahlen bei der Analyse der Umsatzentwicklung von Hotels ist. Die Analyseergebnisse zeigen, dass die Stornierungswahrscheinlichkeit bei Buchungen, die mehr als ein Jahr im Voraus erfolgen, mit 57.14% am höchsten ist; Die Stornierungswahrscheinlichkeit von Buchungen innerhalb einer Woche ist mit 7,73% am geringsten.

Modell für maschinelles Lernen: Vorhersage, wer am wahrscheinlichsten aufsteht

Nach einer gründlichen Analyse des Datensatzes begannen die Autoren mit der Entwicklung eines Modells zur Vorhersage von Auftragsstornierungen.

Schritt 1: Datenbereinigung

Zunächst kümmern wir uns um die fehlenden Werte im Datensatz. Diese fehlenden Werte müssen durch den Mittelwert des Merkmals ersetzt werden, wenn die Variable numerisch ist, oder durch eine Konstante, wenn die Variable kategorisch ist.

Entfernen Sie dann reservation_status (Reservierungsstatus, der angibt, ob die Bestellung storniert wurde, 0 für nicht storniert und 1 für storniert), da dies der Wert ist, den das maschinelle Lernmodell vorhersagt.

Schritt 2: Wählen Sie das beste Modell

Bevor Sie mit dem Testen des besten Algorithmus für Ihre Daten beginnen, teilen Sie den Datensatz im Verhältnis 8:2 auf. Danach werden 80 % der Daten zum Trainieren des Modells und 20 % der Daten als Validierungssatz verwendet.

Im Bereich der Datenwissenschaft ist die Vorhersage von Auftragsstornierungen ein überwachtes Klassifizierungsproblem, auch als binäre Klassifizierung bekannt. daher,Der Autor wählte mehrere vorhandene binäre Klassifizierungsmodelle wie LightGBM, CatBoost, XGBoost und H2O aus, trainierte und verglich sie und wählte schließlich das CatBoost-Modell mit den besten experimentellen Ergebnissen aus.

Durch die Vorhersageergebnisse von CatBoost haben wir die folgenden Punkte herausgefunden:

1. Wenn der Benutzer die portugiesische Staatsangehörigkeit hat, ist die Wahrscheinlichkeit einer Kündigung hoch. Bei Gruppenbuchungen erfassen Hotels jedoch im Allgemeinen nicht im Voraus die Nationalitätsdaten aller Personen. Wenn eine Buchung storniert wird, wird in den meisten Hotels standardmäßig die Nationalität des Landes angegeben, in dem sich das Hotel befindet. Daher dienen diese Informationen nur als Referenz und sind möglicherweise nicht genau.
2. Benutzer, die keine Sonderwünsche äußerten, stornierten ihre Bestellungen eher als diejenigen, die mindestens einen Sonderwunsch äußerten.
3. Je niedriger der Wert der Vorlaufzeit (die Anzahl der Tage zwischen Buchungszeit und Check-in-Zeit), desto geringer ist die Möglichkeit einer Buchungsstornierung (dieses Vorhersageergebnis stimmt mit den Ergebnissen der vorherigen Datenanalyse überein).

Leistung des CatBoost-Modells im Validierungssatz:

Leistung im gesamten Datensatz „Hotelbuchungsnachfrage“:

Hotel: Bevor Sie stornieren, lassen Sie mich etwas Geld sparen

Mithilfe dieses Vorhersagemodells können Hotels im Voraus erkennen, welche Benutzer ihre Bestellungen wahrscheinlich stornieren, und rechtzeitig Abhilfemaßnahmen ergreifen.

Nehmen Sie beispielsweise frühzeitig Kontakt mit Benutzern auf, die eher stornieren, und ermutigen Sie sie durch entsprechende Kommunikation, so früh wie möglich zu stornieren, damit dem Hotel mehr Zeit bleibt, die Zimmer zu verkaufen.

Alternativ können Sie Benutzer kontaktieren, die zur Stornierung neigen, ihnen die Vorteile des Hotels vorstellen und ihnen einige Aufenthaltsprämien anbieten, um das Blatt zu wenden und sie zu halten.

Nachrichtenquelle:

https://www.linkedin.com/pulse/u-hotel-booking-cancellations-using-machine-learning-manuel-banza