Predicting Hotel Booking Cancellations with Explainable Machine Learning: Implications for Revenue Management

تواجه كل غرفة فندقية نوعاً فريداً من الفراغ. فخلافاً للمصنع الذي يمكنه تخزين السلع غير المباعة لليوم التالي، تُعد غرفة الفندق منتجاً سريع التلف؛ فإذا لم يصل الضيف، تضيع إيرادات تلك الليلة إلى الأبد. وللحماية من هذه الخسارة، غالباً ما تقبل الفنادق حجوزات أكثر مما تملكه من غرف، مراهنةً على أن بعض الضيوف سيلغون حجوزاتهم أو ببساطة لن يحضروا. هذه الممارسة، المعروفة باسم "الحجز الزائد" (overbooking)، هي عملية توازن دقيقة. فإذا خمن الفندق بشكل متحفظ للغاية، فإنه يترك أموالاً على الطاولة مع أسرة فارغة. وإذا خمن بشكل جريء للغاية، فإنه يخاطر برفض ضيوف يحملون حجوزات صالحة، مما يضر بثقتهم وبسمعة الفندق. ويتمثل التحدي الجوهل لمديري الفنادق في معرفة أي الحجوزات المحددة من المرجح أن تختفي بالضبط، حتى يتمكنوا من ضبط أرقامهم بدقة، بدلاً من الاعتماد على تخمينات عامة حول السوق بأكره.

لسنوات، حاول الباحثون حل هذا اللغز باستخدام برامج حاسوبية تتعلم من البيانات الماضية. ومع ذلك، كانت العديد من هذه المحاولات معيبة لأنها اختبرت أفكارها بطرق لا تعكس الواقع. فقد خلطت بعض الدراسات بين البيانات الماضية والمستقبلية، مما سمح للحاسوب باستخدام معلومات لم تكن متاحة وقت التنبؤ. كما ركزت دراسات أخرى فقط على الحصول على أعلى درجة في الاختبار، متجاهلةً ما إذا كان منطق الحاسوب منطقياً بالنسبة لمدير بشري. فلا يمكن للمدير أن يثق في نظام لا يستطيع فهمه، خاصة إذا ارتكب النظام خطأً يكلف الفندق مالاً. لذا، فإن الهدف ليس مجرد بناء حاسوب ذكي، بل بناء حاسوب صادق وشفاف ومفيد للقرارات اليومية التي يجب على مدير الإيرادات اتخاذها.

في دراسة جديدة، سعى الباحثون لإنشاء مثل هذا النظام باستخدام بيانات من فندقين برتغاليين: أحدهما يقع في مدينة والآخر في منطقة منتجع. قاموا بتحليل ما يقرب من 120,000 حجز فردي لمعرفة ما إذا كان بإمكانهم التنبؤ بالحجوزات التي سيتم إلغاؤها قبل وصول الضيف. ولضمان موثوقية نتائجهم، صمموا اختباراً صارماً يحاكي ظروف العالم الحقيقي. فقد قاموا بتدريب نماذجهم الحاسوبية على بيانات من الماضي ثم طلبوا منها التنبؤ بالمستقبل، باستخدام المعلومات التي ستكون متاحة فقط في لحظة إجراء الحجز. كما قاموا بعناية بإزالة أي نقاط بيانات قد تكون سُجلت فقط بعد أن ألغى الضيف حجزه بالفعل، لضمان عدم قيام الحاسوب ببساطة باستخدام معلومات لم تكن متاحة في وقت التنبؤ.

قارن الباحثون بين ثلاثة أنواع مختلفة من النماذج الحاسوبية: طريقة إحصائية قياسية استُخدمت لعقود، ونظامين متقدمين من تعلم الآلة أفضل في رصد الأنماط المعقدة. وكان النموذج الأكثر نجاحاً هو خوارزمية متطورة تُعرف باسم (XGBoost)، والتي أثبتت أنها أفضل قليلاً من غيرها في التمييز بين الحجوزات التي سيتم الالتزام بها وتلك التي سيتم إلغاؤها. ومع ذلك، كان التحسن متواضعاً، وليس قفزة هائلة. ووجدت الدراسة أنه بينما يمكن للحواسيب المتقدمة العثور على أدلة دقيقة، فإن النموذج الإحصائي المصمم جيداً لا يزال يستوعب معظم المعلومات المهمة. ولم تكن القيمة الحقيقية للدراسة في العثور على خوارزمية سحرية جديدة، بل في إثبات أن الاختبار الصارم والصادق يسفر عن معدلات نجاح أقل بكثير وأكثر واقعية مما ادعت دراسات سابقة. فعندما أزال الباحثون نقاط البيانات التي لم تكن متاحة وقت التنبؤ، انخفض معدل النجاح من أواخر التسعينات كما في الأوراق البحثية الأخرى إلى نطاق أكثر صدقاً يتراوح بين أواخر السبعينات ومنتصف الثمانينات.

وبعيداً عن مجرد التنبؤ بالإلغاءات، أراد الباحثون فهم لماذا اتخذ الحاسوب تنبؤاته. وقد استخدموا تقنية تفكك كل تنبؤ لتظهر أي العوامل دفعت المخاطر للأعلى أو للأسفل. وكشف هذا عن فرق جوهري بين ما يمكن للفندق تغييره وما يمكنه فقط تسعيره. ففي فندق المدينة، جاء أقوى مؤشر من نوع العربون الذي طُلب من الضيف دفعه. فالحجوزات ذات الشروط غير المستردة كانت أكثر عرضة للإلغاء في البيانات مقارنة بتلك ذات الشروط المرنة، وهو ما يشير إلى أن سياسات العربون هي أداة قوية لإدارة المخاطر. أما في فندق المنتجع، فكانت أهم العوامل هي المدة المسبقة التي تم فيها الحجز ونوع الضيف، مثل ما إذا كان جزءاً من مجموعة سياحية.

كما أظهرت الدراسة كيفية تحويل هذه التنبؤات إلى قرارات تجارية فعلية. فبدلاً من مجرد القول بأن حجزاً ما "عالي المخاطر"، قام الباحثون بترجمة ثقة الحاسوب إلى رقم محدد: عدد الإلغاءات المتوقع ليوم معين. وهذا يسمح للمدير بحساب عدد الغرف الإضافية التي يمكن بيعها بأمان. كما وضعوا قاعدة واضحة للتدخل؛ فإذا تم تصنيف حجز ما على أنه عالي المخاطر، يمكن للمدير اختيار الاتصال بالضيف للتأكيد أو طلب عربون. وقد قدمت الدراسة قائمة خيارات بناءً على مدى تقدير الفندق لخسارة غرفة مقابل الإزعاج الناتج عن الاتصال بضيف لم يكن سيقوم بالإلغاء على أي حال. هذا النهج يحترم خبرة المدير، حيث يزوده بالأرقام التي يحتاجها لاتخاذ قرار حكمي بدلاً من إجباره على اتباع أمر حاسوبي جامد.

وكان أحد أهم النتائج هو أن نصيحة الحاسوب تتغير بناءً على نوع الفندق. فبالنسبة لفندق المدينة، أشارت البيانات إلى أن الفندق يمكنه إدارة المخاطر بنشاط من خلال تعديل قواعد العربون لمجموعات معينة، مثل المجموعات الكبيرة أو الحجوزات التي تتم عبر وكلاء السفر. أما بالنسبة للمنتجع، فقد كانت المخاطر مدفوعة بطبيعة الضيف وتوقيت الحجز، مما يعني أن أفضل استجابة للفندق هي تعديل مستويات التسعير والحجز الزائد بدلاً من محاولة تغيير سلوك الضيف. كما لاحظ الباحثون أن البيانات كانت تحتوي على بعض الخصائص الغريبة؛ فعلى سبيل المثال، الطريقة التي سُجلت بها الحجوزات غير المستردة في النظام جعلتها تبدو شبه مؤكدة للإلغاء، مما ضخم على الأرجح أهمية هذا العامل. ومن خلال تحديد هذه الخصائص، منعت الدراسة المديرين من استخلاص استنتاجات خاطئة.

في نهاية المطاف، تقدم هذه الأبحاث دليلاً عملياً لمديري الفنادق الذين يرغبون في استخدام الذكاء الاصطناعي دون أن تضللهم الضجة الإعلامية. فهي تثبت أن الأداة الأكثر قيمة ليست الخوارزمية الأكثر تعقيداً، بل النظام الذي يتم اختباره بصدق، وشرحه بوضوح، وترجمته إلى أرقام ملموسة. ومن خلال الفصل بين ما يمكن للفندق التحكم فيه، مثل سياسات الإلغاء، وبين ما لا يمكنه التحكم فيه، مثل التاريخ الشخصي للضيف، توفر الدراسة خارطة طريق لاتخاذ قرارات أذكى. وهي تظهر أنه بينما يمكن للحواسيب المساعدة في التنبؤ بالمستقبل، فإن الحكم النهائي حول كيفية التعامل مع حجز عالي المخاطر لا يزال يعود للمدير البشري، المسلح بمعلومات واضحة وفهم واضح للتكاليف المعنية.