Press "Enter" to skip to content

酒店用机器学习,预测哪些客人会放鸽子

By 超神经

 

内容提要:如今,大数据已经被各行各业所应用,酒店行业也不例外。充分利用大数据,使得酒店能够预测市场需求变化,进行智能化决策分析,改善经营状况。

 

关键词:数据科学 机器学习 二分类

 

如今, 各大 OTA(Online Travel Agency)平台极大地方便了人们的出行,酒店住宿、景点门票等,只需要动动手指就可以轻松完成预订。

 

 

国内外酒店民宿预订平台,多达数十种

 

为了吸引更多用户预订,这些平台会鼓励商家设定较为宽松的取消预订政策,比如可随时免费取消,或限时免费取消等。

 

全球客房销售量最大的网上酒店预订网站 Booking(缤客网),就凭借可免费取消的优势,深受广大驴友喜爱。

 

不过,对于用户来说,「免费取消」非常 nice,但对酒店来说,就很头大了。订单临时被取消,通常会给酒店带来以下损失:

 

 

被取消房间无法及时出售,酒店损失收入;

 

酒店降低价格出售被取消房间,减少了利润

 

为了尽快订出这些房间,酒店需要增加额外的宣传、分销渠道的费用;

 

 

在用户可以随时放酒店鸽子的情况下,酒店有没有什幺办法,尽可能减少损失呢?

 

一位葡萄牙业务分析师(Business Analyst,简称 BA,这一职位相当于 IT 公司的产品经理) Manuel Banza,有超过 5 年的酒店管理从业经验。 他 利用公开的欧洲酒店预订平台数据,发现了更容易取消订单的用户特点,以帮助酒店及时进行止损。

 

从近 12 万条酒店预订数据中,发现规律

 

作为一名数据科学爱好者,Manuel Banza 从数据科学和机器学习入手。

 

他首先 对一个 「酒店预订需求数据集」 (Hotel booking demand)进行了全面分析。 该数据集包含了普通酒店和度假酒店共 32 个维度的数据,具体包括:

 

用户国籍、预订时间、住宿时间、成人和儿童或婴儿的数量、订单最终是否取消、用户在此次订单之前共取消订单次数等信息。

 

Hotel Booking Demand

 

酒店预订需求数据集

 

发布机构:葡萄牙里斯本大学

 

包含数量: 共 119390 条数据,32 个维度

 

数据格式:csv

 

数据大小:16.9 MB(压缩文件 1.3 MB)

 

地址: https://hyper.ai/datasets/14866

 

 

部分数据展示

 

通过统计,Manuel Banza 发现一年时间里,取消酒店订单的用户真不少。

 

2018 年 OTA 平台 Booking 上的预订订单中,有 49.8% 的用户取消了订单;在 HRS Group 上,这一比例甚至高达 66% 。整体来看,多家平台在 2018 年平均预订订单取消率达到 39.6%。

 

 

各类预订渠道被取消的订单比例

 

接着,作者对数据进行了探索性分析,有以下几个发现:

 

普通酒店和度假酒店相比,订单更容易被客人取消;

 

春节和夏季的取消比例更大,而冬季的取消比例最低;

 

各种预订渠道中,用户在 OTA 平台下单最多,同时 OTA 平台上被取消订单的也最多;

 

用户预订时间越早,不确定性越大,取消的概率越大

 

作者表示,预订时间是分析酒店收益表现时,最重要的指标之一。分析结果表明,提前 1 年以上预订的取消概率最高,为 57.14%;一周内预订取消概率最低,为 7.73%。

 

 

预订提前的天数(横轴)与取消订单概率(纵轴)成正比

 

看来,计划越早越赶不上变化啊

 

机器学习模型:预测谁最可能「放鸽子」

 

对数据集进行全面分析后,作者开始建立预测订单取消的模型。

 

第一步:数据清洗

 

首先,对数据集中缺失的值进行处理。如果该变量是数字变量,则必须用该特征的均值替换这些缺失值;如果该变量是分类特征,则必须用常数替换。

 

然后删除 reservation_status(预订状态,该变量代表订单是否被取消,0 为未取消,1 为取消),因为这是机器学习模型将要预测的值。

 

第二步:选择最佳模型

 

在开始为数据测试最佳算法之前,将数据集按 8:2 的比例分开。之后将用 80% 的数据来训练模型,并将 20% 的数据作为验证集。

 

在 数据科学领域,预测订单取消是一个监 督分类问题,也叫做二元分类。因此, 作者选取了几个现有的二分类模型如 LightGBM,CatBoost、XGBoost 及 H2O 等,进行训练及对比,最终选出了实验结果最佳的模型 CatBoost。

 

通过 CatBoost 预测结果,发现以下几点:

 

 

如果用户的国籍是葡萄牙,则取消订单的可能性很高。不过,对于团体订票来说,酒店一般不会事先得到每个人的国籍信息。如果订单被取消,大多数酒店都会将其国籍默认为酒店所在的国家。所以,这项信息只作为参考,并不一定准确;

 

与至少提出一个特殊要求的用户相比,未提出任何特殊要求的用户,取消订单的可能性更高;

 

lead_time(预订时间与入驻时间间隔天数)值越低,预订被取消的可能性就越低(这一点预测结果与之前数据分析结果相一致)。

 

 

 

葡萄牙人气酒店欧洲之星博物馆, 店内以考古展览为特色

 

上线多个 OTA 平台,支持在线预订及免费取消

 

CatBoost 模型在验证集上的表现:

 

 

在整个「酒店预订需求」数据集上的表现:

 

 

酒店:在取消之前,让我先抢救一波

 

使用这一预测模型,酒店就可以提前获知哪些用户可能取消订单,及时采取补救措施。

 

比如,提前联系取消可能性较大的用户,通过沟通,让他们尽可能更早地取消,给酒店预留更多的时间出售房间。

 

或者,也可以与有取消倾向的用户联系,向其介绍酒店的优点,给出一些入住奖励,力挽狂澜挽留他们。

 

 

机器学习,帮酒店先下手为强

 

新闻来源:

 

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

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注