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

Chaque chambre d'hôtel fait face à un genre d'absence unique. Contrairement à une usine qui peut stocker des marchandises invendues pour le lendemain, une chambre d'hôtel est un produit périssable ; si un client n'arrive pas, le revenu de cette nuitée disparaît à jamais. Pour se protéger contre cette perte, les hôtels acceptent souvent plus de réservations qu'ils n'ont de chambres, pariant que certains clients annuleront ou ne se présenteront tout simplement pas. Cette pratique, connue sous le nom de surréservation (overbooking), est un équilibre délicat. Si l'hôtel parie trop prudemment, il laisse de l'argent sur la table avec des lits vides. S'il parie trop agressivement, il risque de refuser des clients qui détiennent des réservations valides, endommageant ainsi leur confiance et la réputation de l'hôtel. Le défi central pour les gestionnaires d'hôtels est de savoir exactement quelles réservations spécifiques sont susceptibles de disparaître afin de pouvoir ajuster leurs chiffres avec précision, plutôt que de s'appuyer sur des suppositions générales sur l'ensemble du marché.

Pendant des années, des chercheurs ont tenté de résoudre ce casse-tête en utilisant des programmes informatiques qui apprennent des données passées. Cependant, beaucoup de ces tentatives étaient défectueuses car elles testaient leurs idées d'une manière qui ne reflétait pas la vie réelle. Certaines études mélangeaient des données passées et futures, permettant à l'ordinateur d'utiliser des informations qui ne seraient pas disponibles au moment de la prédiction. D'autres se concentraient uniquement sur l'obtention du score le plus élevé lors d'un test, ignorant si le raisonnement de l'ordinateur avait du sens pour un gestionnaire humain. Un gestionnaire ne peut faire confiance à un système qu'il ne peut comprendre, surtout si le système commet une erreur qui coûte de l'argent à l'hôtel. L'objectif, par conséquent, n'est pas seulement de construire un ordinateur intelligent, mais de construire un système qui soit honnête, transparent et utile pour les décisions quotidiennes qu'un gestionnaire de revenus doit prendre.

Dans une nouvelle étude, des chercheurs ont entrepris de créer un tel système en utilisant les données de deux hôtels portugais : l'un situé dans une ville et l'autre dans une zone de villégiature. Ils ont analysé près de 120 000 réservations individuelles pour voir s'ils pouvaient prédire lesquelles seraient annulées avant l'arrivée du client. Pour garantir que leurs résultats soient dignes de confiance, ils ont conçu un test strict qui imite les conditions du monde réel. Ils ont entraîné leurs modèles informatiques sur des données du passé, puis leur ont demandé de prédire le futur, en utilisant uniquement les informations qui seraient disponibles au moment où une réservation est effectuée. Ils ont également soigneusement supprimé tout point de données qui aurait pu n'être enregistré qu'après qu'un client a déjà annulé, garantissant ainsi que l'ordinateur n'utilisait pas simplement des informations qui ne seraient pas disponibles au moment de la prédiction.

Les chercheurs ont comparé trois types différents de modèles informatiques : une méthode statistique standard utilisée depuis des décennies, et deux systèmes d'apprentissage automatique plus avancés, plus aptes à repérer des schémas complexes. Le modèle le plus performant était un algorithme sophistiqué appelé XGBoost, qui s'est avéré légèrement meilleur que les autres pour distinguer les réservations qui seraient maintenues de celles qui seraient annulées. Cependant, l'amélioration était modeste, non pas un bond gigantesque. L'étude a révélé que, bien que les ordinateurs avancés puissent trouver des indices subtils, un modèle statistique bien conçu capture toujours la majeure partie des informations importantes. La véritable valeur de l'étude n'était pas de trouver un nouvel algorithme magique, mais de prouver qu'un test rigoureux et honnête produit des taux de réussite bien plus faibles et plus réalistes que ce que de nombreuses études précédentes affirmaient. Lorsque les chercheurs ont supprimé les points de données qui ne seraient pas disponibles au moment de la prédiction, le taux de réussite est passé des 90 % élevés vus dans d'autres articles à une fourchette plus honnête située entre 75 % et 85 %.

Au-delà de la simple prédiction des annulations, les chercheurs voulaient comprendre pourquoi l'ordinateur faisait ses prédictions. Ils ont utilisé une technique qui décompose chaque prédiction pour montrer quels facteurs augmentaient ou diminuaient le risque. Cela a révélé une différence cruciale entre ce qu'un hôtel peut changer et ce qu'il peut seulement tarifer. Dans l'hôtel de ville, le signal le plus fort provenait du type d'acompte requis par le client. Les réservations avec des conditions non remboursables étaient beaucoup plus susceptibles d'être annulées dans les données que celles avec des conditions flexibles, une découverte qui suggère que les politiques d'acompte sont un outil puissant pour gérer le risque. Dans l'hôtel de villégiature, les facteurs les plus importants étaient l'avance avec laquelle la réservation a été faite et le type de client, par exemple s'il faisait partie d'un groupe de voyage.

L'étude a également montré comment transformer ces prédictions en décisions commerciales concrètes. Au lieu de simplement dire qu'une réservation est « risquée », les chercheurs ont traduit la confiance de l'ordinateur en un nombre spécifique : le nombre attendu d'annulations pour un jour donné. Cela permet à un gestionnaire de calculer exactement combien de chambres supplémentaires il peut vendre en toute sécurité. Ils ont également établi une règle claire pour savoir quand intervenir. Si une réservation est signalée comme étant à haut risque, le gestionnaire peut choisir de contacter le client pour une confirmation ou de demander un acompte. L'étude a fourni un menu d'options basé sur la valeur que l'hôtel accorde à une chambre perdue par rapport au désagrément de contacter un client qui n'allait pas annuler de toute façon. Cette approche respecte l'expertise du gestionnaire, lui donnant les chiffres dont il a besoin pour porter un jugement plutôt que de le forcer à suivre une commande informatique rigide.

L'une des découvertes les plus importantes était que le conseil de l'ordinateur change selon le type d'hôtel. Pour la propriété urbaine, les données suggéraient que l'hôtel pouvait gérer activement le risque en ajustant ses règles d'acompte pour des groupes spécifiques, tels que les grandes parties ou les réservations effectuées via des agents de voyage. Pour le complexe de villégiature, le risque était dicté par la nature du client et le moment de la réservation, ce qui signifie que la meilleure réponse de l'hôtel était d'ajuster ses prix et ses niveaux de surréservation plutôt que d'essayer de changer le comportement du client. Les chercheurs ont également noté que les données présentaient certaines particularités ; par exemple, la façon dont les réservations non remboursables étaient enregistrées dans le système les faisait paraître presque certaines d'être annulées, ce qui a probablement exagéré l'importance de ce facteur. En identifiant ces particularités, l'étude a empêché les gestionnaires de tirer de fausses conclusions.

En fin de compte, cette recherche offre un guide pratique pour les gestionnaires d'hôtels qui souhaitent utiliser l'intelligence artificielle sans être induits en erreur par le battage médiatique. Elle démontre que l'outil le plus précieux n'est pas l'algorithme le plus complexe, mais un système qui est testé honnêtement, expliqué clairement et traduit en chiffres concrets. En séparant ce qu'un hôtel peut contrôler, comme ses politiques d'annulation, de ce qu'il ne peut pas contrôler, comme l'historique personnel d'un client, l'étude fournit une feuille de route pour prendre des décisions plus intelligentes. Elle montre que si les ordinateurs peuvent aider à prédire l'avenir, le jugement final sur la manière de gérer une réservation risquée appartient toujours au gestionnaire humain, armé d'informations claires et d'une compréhension précise des coûts impliqués.