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

Jedes Hotelzimmer sieht mit einer ganz eigenen Art von Leere konfrontiert. Im Gegensatz zu einer Fabrik, die unverkäufliche Waren für morgen lagern kann, ist ein Hotelzimmer ein verderbliches Produkt; wenn kein Gast eintrifft, ist der Umsatz dieser Nacht für immer verloren. Um sich gegen diesen Verlust zu schützen, nehmen Hotels oft mehr Reservierungen an, als sie Zimmer haben, in der Hoffnung, dass einige Gäste stornieren oder einfach nicht erscheinen werden. Diese Praxis, bekannt als Overbooking, ist ein empfindlicher Balanceakt. Wenn ein Hotel zu konservativ schätzt, lässt es Geld liegen, indem Betten leer bleiben. Wenn es zu aggressiv schätzt, riskiert es, Gäste abzuweisen, die eine gültige Reservierung halten, was das Vertrauen und den Ruf des Hotels schädigt. Die Kernherausforderung für Hotelmanager besteht darin, genau zu wissen, welche spezifischen Reservierungen wahrscheinlich verschwinden werden, damit sie ihre Zahlen mit Präzision anpassen können, anstatt sich auf breite Vermutungen über den gesamten Markt zu verlassen.

Jahrelang haben Forscher versucht, dieses Rätsel mithilfe von Computerprogrammen zu lösen, die aus vergangenen Daten lernen. Viele dieser Versuche waren jedoch fehlerhaft, weil sie ihre Ideen auf eine Weise testeten, die nicht die Realität widerspiegelte. Einige Studien vermischten vergangene und zukünftige Daten, wodurch der Computer Informationen nutzen konnte, die zum Zeitpunkt der Vorhersage noch nicht verfügbar gewesen wären. Andere konzentrierten sich nur darauf, die höchstmögliche Punktzahl in einem Test zu erreichen, und ignorierten dabei, ob die Logik des Computers für einen menschlichen Manager Sinn ergab. Ein Manager kann einem System nicht vertrauen, das er nicht versteht, besonders wenn das System einen Fehler macht, der dem Hotel Geld kostet. Das Ziel ist daher nicht nur, einen klugen Computer zu bauen, sondern einen, der ehrlich, transparent und nützlich für die täglichen Entscheidungen ist, die ein Revenue Manager treffen muss.

In einer neuen Studie setzten sich Forscher zum Ziel, ein solches System unter Verwendung von Daten aus zwei portugiesischen Hotels zu entwickeln: eines in einer Stadt und eines in einem Resortgebiet. Sie analysierten fast 120.000 Einzelbuchungen, um zu sehen, ob sie vorhersagen konnten, welche vor der Ankunft des Gastes storniert würden. Um sicherzustellen, dass ihre Ergebnisse vertrauenswürdig waren, entwarfen sie einen strengen Test, der die realen Bedingungen nachahmte. Sie trainierten ihre Computermodelle mit Daten aus der Vergangenheit und baten sie dann, die Zukunft vorherzusagen, wobei sie nur Informationen verwendeten, die zum Zeitpunkt der Buchung verfügbar gewesen wären. Sie entfernten auch sorgfältig alle Datenpunkte, die möglicherweise erst nach einer Stornierung durch den Gast aufgezeichnet wurden, um sicherzustellen, dass der Computer nicht einfach Informationen nutzt, die zum Zeitpunkt der Vorhersage nicht verfügbar gewesen wären.

Die Forscher verglichen drei verschiedene Arten von Computermodellen: eine Standard-Statistikmethode, die seit Jahrzehnten verwendet wird, und zwei fortschrittlichere Machine-Learning-Systeme, die besser darin sind, komplexe Muster zu erkennen. Das erfolgreichste Modell war ein komplexer Algorithmus namens XGBoost, der sich geringfügig besser als die anderen darin erwies, zwischen Buchungen zu unterscheiden, die gehalten wurden, und solchen, die storniert wurden. Die Verbesserung war jedoch moderat, kein massiver Sprung. Die Studie ergab, dass fortschrittliche Computer zwar subtile Hinweise finden können, aber ein gut konzipiertes statistisches Modell immer noch den Großteil der wichtigen Informationen erfasst. Der wahre Wert der Studie lag nicht darin, einen neuen, magischen Algorithmus zu finden, sondern darin, zu beweisen, dass ein strenger, ehrlicher Test viel niedrigere und realistischere Erfolgsraten liefert, als viele bisherige Studien behaupteten. Als die Forscher die Datenpunkte entfernten, die zum Zeitpunkt der Vorhersage nicht verfügbar gewesen wären, sank die Erfolgsrate von den hohen 90ern, die in anderen Papieren zu sehen waren, in einen ehrlicheren Bereich zwischen den hohen 70ern und mittleren 80ern.

Über die reine Vorhersage von Stornierungen hinaus wollten die Forscher verstehen, warum der Computer seine Vorhersagen traf. Sie nutzten eine Technik, die jede Vorhersage aufschlüsselt, um zu zeigen, welche Faktoren das Risiko erhöhten oder senkten. Dies offenbarte einen entscheidenden Unterschied zwischen dem, was ein Hotel ändern kann, und dem, was es nur bepreisen kann. Beim Stadthotel war das stärkste Signal die Art der Anzahlung, die ein Gast leisten musste. Buchungen mit nicht erstattungsfähigen Bedingungen wurden in den Daten weita viel wahrscheinlicher storniert als solche mit flexiblen Bedingungen, was darauf hindeutet, dass die Anzahlungsrichtlinien ein mächtiges Werkzeug zur Risikosteuerung sind. Beim Resorthotel waren die wichtigsten Faktoren, wie weit im Voraus die Buchung getätigt wurde, und die Art des Gastes, etwa ob es sich um einen Teil einer Reisegruppe handelte.

Die Studie zeigte auch, wie man diese Vorhersagen in tatsächliche Geschäftsentscheidungen umwandelt. Anstatt nur zu sagen, eine Buchung sei „riskant“, übersetzten die Forscher das Vertrauen des Computers in eine spezifische Zahl: die erwartete Anzahl der Stornierungen für einen bestimmten Tag. Dies ermöglicht es einem Manager, genau zu berechnen, wie viele zusätzliche Zimmer er sicher verkaufen kann. Sie legten auch eine klare Regel fest, wann interveniert werden sollte. Wenn eine Buchung als hochriskant markiert wird, kann der Manager entscheiden, den Gast um eine Bestätigung zu bitten oder eine Anzahlung zu verlangen. Die Studie bot ein Menü an Optionen basierend darauf, wie sehr das Hotel ein verlorenes Zimmer gegenüber der Unannehmlichkeit der Kontaktaufnahme mit einem Gast bewertet, der ohnehin nicht storniert hätte. Dieser Ansatz respektiert die Expertise des Managers, indem er ihm die Zahlen liefert, die er für eine Urteilsbildung benötigt, anstatt ihn zu zwingen, einem starren Computerbefehl zu folgen.

Eine der wichtigsten Erkenntnisse war, dass sich der Rat des Computers je nach Art des Hotels ändert. Für das Stadthotel deuteten die Daten darauf hin, dass das Hotel das Risiko aktiv steuern könnte, indem es seine Anzahlungsregeln für bestimmte Gruppen anpasst, wie etwa große Gruppen oder Buchungen über Reisebüros. Beim Resort wurde das Risiko durch die Art des Gastes und den Zeitpunkt der Buchung getrieben, was bedeutete, dass die beste Reaktion des Hotels darin bestand, die Preise und die Overbooking-Stufen anzupassen, anstatt zu versuchen, das Verhalten des Gastes zu ändern. Die Forscher merkten auch an, dass die Daten einige Eigenheiten aufwiesen; zum Beispiel ließ die Art und Weise, wie nicht erstattungsfähige Buchungen im System erfasst wurden, sie fast sicher erscheinen, was die Bedeutung dieses Faktors wahrscheinlich übertrieb. Durch das Identifizieren dieser Eigenheiten verhinderte die Studie, dass Manager falsche Schlussfolgerungen zogen.

Letztendlich bietet diese Forschung einen praktischen Leitfaden für Hotelmanager, die Künstliche Intelligenz nutzen möchten, ohne von Hype getäuscht zu werden. Sie demonstriert, dass das wertvollste Werkzeug nicht der komplexeste Algorithmus ist, sondern ein System, das ehrlich getestet, klar erklärt und in konkrete Zahlen übersetzt wurde. Indem sie unterscheidet, was ein Hotel kontrollieren kann, wie seine Stornierungsrichtlinien, von dem, was es nicht kontrollieren kann, wie der persönlichen Geschichte eines Gastes, bietet die Studie einen Fahrplan für klügere Entscheidungen. Sie zeigt, dass Computer zwar helfen können, die Zukunft vorherzusagen, das endgültige Urteil darüber, wie mit einer riskanten Buchung umzugehen ist, jedoch weiterhin beim menschlichen Manager liegt, der mit klaren Informationen und einem klaren Verständnis der Kosten ausgestattet ist.