Предиктивная аналитика для гостиничного бизнеса: кейс Data.Forecast и Bronevik.com

В индустрии гостеприимства отмены бронирований – привычная боль. До 25% заказов не доходят до заезда, а отели теряют не только деньги, но и возможности продать номерной фонд повторно. В условиях сезонности и нестабильного спроса предсказуемость становится конкурентным преимуществом. Именно эту задачу и взялся решать стартап Data.Forecast – победитель МТС Travel Accelerator, по итогам которого команда провела пилотный проект с одной из крупнейших систем бронирования в России Bronevik.com.

Мы поговорили с Алексеем Казьминым, лидером проекта предиктивной аналитики для индустрии гостеприимства Data.Forecast и Дмитрием Симоняном, аналитиком по работе с данными, чтобы узнать, как стартап реализовал пилот с российским отельным консолидатором Bronevik.com и с какими вызовами они столкнулись на пути к реализации идеи.

Data.Forecast — первая в России DeepTech-система для гостиничного бизнеса, которая с помощью машинного обучения помогает отелям не гадать, а точно понимать, что ждёт их в ближайшем будущем.

Система предсказывает спрос, вероятность заезда по каждому бронированию, даёт рекомендации по ценам и помогает точнее настраивать маркетинг. Всё это на базе самообучающихся моделей, которые адаптируются под текущие условия и работают быстрее, чем менеджер успеет открыть Excel.

Система автоматически собирает и агрегирует данные из разнородных источников, включая:

Всего анализируется более 2600 параметров, измеряемых с разной периодичностью: от ежедневных до получасовых метрик. Это позволяет учитывать комплексное влияние факторов на спрос, а не просто опираться на исторические тренды. Логика работы моделей позволяет формировать прогноз по различным комбинациям отелей и категорий номеров.

В рамках рабочей группы была определена цель пилота — исследовать алгоритмы скоринговой оценки вероятности заезда системы предиктивной аналитики на основе исторического обезличенного датасета Bronevik.com.

Почему это важно?

Все отели или системы бронирования время от времени сталкиваются со схожими проблемами:

Ещё одно частое явление – денежные потери из-за отмен бронирований и невозможности продажи номерного фонда из-за глубины бронирования. В среднем в индустрии гостеприимства 25% совершенных бронирований позже отменяются.

Благодаря автоматизированным скоринговым моделям и анализу ключевых факторов, влияющих на заезд, система способна предсказать отмену бронирования ещё до того, как гость это сделает. Также можно отметить, что анализ и понимание факторов, влияющих на вероятность заезда, может помочь отельерам изменить сервис и пассивно сократить количество отмен.

Допустим, мы заметили, что самые надежные бронирования совершаются в субботу утром – отельер, размещая рекламу именно в этот период, сокращает количество отмен в будущем.

Основными задачами пилота стали:

Объем данных датасета составил более 914 тыс. бронирований. В итоге, согласованная схема пилота выглядела так:

Целевой переменной для пилота стал факт заезда по данному бронированию: «1» – клиент заехал (бронирование подтверждено), «0» – клиент отменил заказ.

Как строилась модель:

Важно отметить, что при формировании выборок учитывалось «вызревание» бронирований, то есть в обучающую выборку не включались наблюдения, таргет которых невозможно было рассчитать на последнюю дату обучающего окна.

Ключевое требование к инжинирингу факторов заключалось в том, что расчет каждого фактора должен выполняться строго на момент совершения бронирования, без использования информации о будущем.

После генерации признаков путем перебора и поиска лучшей комбинации был отобран набор факторов, максимизирующий ключевые метрики и не приводящий к переобучению алгоритма. Отдельно были исключены высоко скоррелированные признаки.

Далее для интерпретации прогнозов модели были рассчитаны оценки Шэпли. Это сделано для того, чтобы оценить вклад каждого параметра и признака в итоговое предсказание модели.

Тем не менее ряд признаков оказался сложно интерпретируемым без кооперации с другими факторами. Для анализа более сложных зависимостей вероятности отмены с перечисленными признаками мы использовали методы, которые раскрывают, как кооперации признаков влияют на прогноз модели и отражают тонкие зависимости, учитываемые алгоритмом.

В рамках пилота с Bronevik.com команда Data.Forecast разработала скоринговую модель, способную предсказывать вероятность заездов по бронированиям. Результаты показали высокую точность с учетом ограниченного (пилотного) датасета (метрика AUC > 0.75), что означает хорошую способность системы ранжировать бронирования по риску отмены.

Модель также выявила ряд значимых взаимосвязей между признаками и таргетом. Однако для пилота использовался ограниченный датасет (например без учета информации о типе и географии отелей), а сам период анализа охватывал всего шесть месяцев. Это не позволило оценить устойчивость модели на длинной дистанции и подтвердить однородность данных.

Отдельного внимания заслуживает сегмент бронирований со скоринговым баллом вероятности заезда от 0.65 до 0.8. Он составляет 12,7% от всех заказов, но при этом в данном кластере почти треть всех отмен (29,1%). Средний скоринговый балл вероятности заезда в этом сегменте — 0.74. Именно работа с этой когортой бронирований может стать ключевым направлением для развития сервиса и точечной работы с клиентами, например, за счет использования опережающих инструментов (отправка автоматической ссылки на предоплату, персонифицированная email-коммуникация, чат-бот, комплименты от отелей).

Для полноценной интеграции модели целесообразно расширить массив данных и внедрить мониторинг ключевых метрик на более длительном горизонте. Это позволит сделать прогнозы еще точнее и надежнее для бизнеса.

MTS StartUp Hub – это точка входа в экосистему МТС для технологических компаний, стремящихся к масштабированию своего бизнеса. Основанный в 2017 году, MTS StartUp Hub относится к Департаменту стратегического развития и инвестиций МТС и помогает превращать технологические проекты в прибыльный бизнес, сопровождая стартапы на всех этапах развития.