Предиктивная аналитика для увеличения продаж отеля

Предиктивная аналитика — это способ прогнозирования рынка, который предсказывает наиболее вероятные события на основе анализа данных. Особенно сильно отели ощутили необходимость прогнозирования после ухода с российского рынка зарубежных каналов продаж.

С 5 марта 2022 года продажи в отельном бизнесе стали перераспределяться. Несмотря на развитие отечественных агрегаторов OTA, доля онлайн-продаж через сайты отелей выросла до 50%, по данным TravelLine. По данным отелей «Точка на карте», до 77%.

О кейсе внедрения предиктивной аналитики рассказал Алексей Казьмин, руководитель проектов АО «Новое сервисное бюро». Стиль автора сохранен.

Перед бронированием покупатели изучают множество отелей, ищут и читают отзывы. Цикл покупки может быть долгим — средняя продолжительность касаний с брендом составляет 80 дней, а для принятия решения о бронировании отеля гость касается бренда восемь раз — через рекламу, каналы коммуникаций, омниканальность.

Стоимость привлечения гостей для отелей через прямые онлайн-продажи возросла на 20%. Все благодаря дополнительным расходам как на маркетинг, так и на персонал. На это влияет растущая конкуренция среди отелей, сезонность загрузки номерного фонда и изменчивый спрос.

Еще одно частое явление — денежные потери из-за отмен по бронированиям и невозможности продажи номерного фонда из-за глубины бронирования. В среднем, 20% бронирований являются отмененными.

Стандартные вопросы отельеров:
1. Как не «тушить пожары» при провале выручки, а предвидеть будущее?
2. Как грамотно управлять тарифами и бюджетами на маркетинг?
3. Как на основе данных о спросе, ценах, сезонности и даже погоде всегда держать доход отеля на высоте и заранее принимать меры?

Команда управляющей компании АО «Новое сервисное бюро» поставила перед собой задачу разработать и внедрить платформу, основанную на моделях искусственного интеллекта, которые предсказывают будущее. Она позволила бы точнее прогнозировать спрос, вероятность отмен и вовремя менять ценовую и маркетинговую стратегии.

В феврале 2023 года ученые Центра искусственного интеллекта НИУ ВШЭ совместно с АО «Новое сервисное бюро» разработали веб-платформу предиктивной маркетинговой аналитики. Платформа учитывает более 480 значимых факторов.

Платформа ежедневно автоматически объединяет и обрабатывает данные из внешних источников на базе ML-алгоритмов:
— динамику бронирований и их свойства,
— посетителей сайтов,
— конверсию кликов,
— маркетинговые активности,
— погодную обстановку.

Прогноз различных целевых переменных, например, количества бронирований и номероночей, реализован с помощью ML-алгоритмов с учетом трендов и сезонности.

В решении есть сервис, который помогает понять, как меняется динамика бронирований, если изменить цены или количество посетителей на официальном сайте отеля.

Технологический стек: автоматизация выполнена при помощи crontab. Crontab — это скрипт архитектуры Linux, который позволяет запускать Linux-команды по расписанию. После ежедневного обновления данных обновляются прогнозные значения и входные данные для модели.

Время работы: полный цикл обучения — 20 минут, предсказания и вспомогательные модели (STL, IRF) — по 2−3 мин каждая.

Языки программирования: R, Python, JavaScript, PHP.

Алгоритмы: собственные разработки, ARIMA, GAM, RF.

Мы использовали метод, который называется «скользящий контроль» или «кросс-валидация», и считали метрики точности на старых данных, чтобы выбрать самые лучшие модели. Логика работы моделей позволяет формировать прогноз в разрезе каждой комбинации отеля и категории номера. Для повышения эффективности управления доходами и оперативного реагирования на критичные отклонения была внедрена система интеллектуальных подсказок.

При построении предиктивной аналитики в гостеприимстве нужно учитывать специфические факторы индустрии:
— ценовую политику,
— сезонность загрузки,
— продажу номеров заранее,
— высокий процент отмен,
— влияние на спрос погодных условий,
— способы оплаты брони,
— множество онлайн-каналов бронирования,
— сокращение глубины бронирования.

Для машинного обучения нужно объединить источники данных: погоду, конверсию, медиаплан, историю бронирований, метрики трафика на сайте. Данные замеряются с разной частотой: раз в день, с интервалом в 15 минут, случайным образом в течение дня. Потенциально значимые факторы собираются в финальную модель.

Сбор обучающей выборки — это, как правило, боль. Но в данном кейсе мы оперативно ее собрали за 2019 год и 2021−2023 года на основе реальных данных курорта «Игора», парк-отеля «Дача Винтера», сети отелей «Точка на карте».

Чтобы модель стала точной, нужно достаточное количество наблюдений в разрезе отелей и номеров. Рекомендуется применять инструмент для задач, где количество бронирований не меньше 10−12 в день, причем историческая динамика бронирований для работы моделей должна быть не меньше одного года, желательно два года.

Тестирование и машинное обучение моделей проведено на данных шести отелей в Ленинградской области и Карелии за 2019 год и 2021−2023 года. Отели: курорт «Игора», парк-отель «Дача Винтера», отели «Точка на карте» в Приозерске, Сортавале, Видлице, Лодейном Поле. Объем данных — более 120 тысяч бронирований.

Всего в процессе разработки было обучено 756 ML-моделей на семи периодах, сконструировано и изучено более 2 600 факторов, проведено 2 268 экспериментов с замером точности моделей на различных горизонтах прогнозирования.

Точность предсказаний платформы сейчас достигает 94%. В ходе анализа были выявлены четыре фактора, определяющие вероятность заезда:
1. доля предоплаты,
2. глубина бронирования,
3. канал бронирования,
4. способ оплаты

Например, при бронировании через официальный сайт отеля вероятность поездки на 23% выше, чем при бронировании в OTA. При прочих равных предоплата от 70% дает в среднем вероятность поездки в 92%, а предоплата 10% — в 57%. Полученные оценки обновляются автоматически по мере поступления новых данных по бронированиям.

Платформа дает рекомендации для усиления маркетинговых мероприятий, предупреждает об ошибках в динамическом ценообразовании.

1. Главная сложность — учесть специфические факторы отельной индустрии в отличие от традиционных бизнесов: финтех, ритейл, реклама, телеком. Потребовалось объединение разрозненных данных: например, прогноз погоды и метрики трафика измерялись с разной частотой.

2. Высокая скорость работы без потери точности данных. Полный цикл обучения — 20 минут, предсказания и вспомогательные модели — по 2−3 минуты каждая. Для обработки данных реализован автоматизированный сервис запуска скрипта модели по расписанию, что дополнительно повышает точность каждого следующего прогноза.

3. Для работы с платформой пользователям не нужны специальные знания и навыки data scientist.

1. Дополнительный доход от продажи номерного фонда вырос на 4% за счет применения стратегии опережения.

Комплекс разработанных и обучаемых ежедневно моделей — это интеллектуальный и амбициозный тренажер для отдела маркетинга и ревенью-менеджеров. Амбициозный, потому что за июль−ноябрь 2023 года количество предсказанных моделями бронирований было выше на 31%, чем фактические брони за аналогичный период прошлого 2022 года. И главная задача для команды маркетинга — максимально соответствовать предсказаниям и настроить опережающие мероприятия по продвижению и достижению целевых значений.

2. Процент отмен снизился на два процентных пункта за счет выявления и управления значимыми факторами, влияющими на вероятность заезда.

3. Конверсия успешных покупок через официальный сайт выросла на 29% (с 2,0% до 2,5%).

4. Платформа дает рекомендации по цене с учетом эластичности спроса. Спрос не всегда эластичен по цене и, как правило, восстанавливается в течение 30 дней после увеличения среднего тарифа.

5. Вероятность поездки по бронированию определяется:
— долей предоплаты,
— глубиной бронирования,
— каналами бронирования,
— способом оплаты.

6. При бронировании через сайт отеля вероятность поездки на 23% выше, чем при бронировании в OTA.

По итогам разработано полностью российское облачное ПО «Веб-платформа предиктивной маркетинговой аналитики». Оформлены три свидетельства о государственной регистрации программы для ЭВМ. Платформа представляет собой интеллектуальную систему поддержки принятия решений для организации интегрированного планирования в маркетинге.

Проект не стоит на месте! Уже в новом релизе будет добавлен ряд новых фич.

1. Компания TravelLine.
2. Ученые Центра искусственного интеллекта НИУ ВШЭ.
3. Управляющая компания АО «Новое сервисное бюро».
4. Курорт «Игора», парк-отель «Дача Винтера», сеть отелей «Точка на карте».
5. IT-компания из Санкт-Петербурга «Активика».

Редактор: Диля Галлямова.