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

प्रत्येक होटल के कमरे को एक विशिष्ट प्रकार के खालीपन का सामना करना पड़ता है। एक कारखाने के विपरीत, जो कल के लिए बिना बिके माल को संग्रहीत कर सकता है, एक होटल का कमरा एक नाशवान उत्पाद है; यदि कोई अतिथि नहीं आता है, तो उस रात का राजस्व हमेशा के लिए लुप्त हो जाता है। इस नुकसान से बचने के लिए, होटल अक्सर अपने पास उपलब्ध कमरों से अधिक आरक्षण स्वीकार करते हैं, इस दांव पर कि कुछ मेहमान रद्द कर देंगे या बस नहीं आएंगे। यह अभ्यास, जिसे ओवरबुकिंग कहा जाता है, एक नाजुक संतुलन है। यदि होटल बहुत रूढ़िवादी अनुमान लगाता है, तो वह खाली बिस्तरों के साथ पैसा छोड़ देता है। यदि वह बहुत आक्रामक अनुमान लगाता है, तो वह उन मेहमानों को वापस करने का जोखिम उठाता है जिनके पास वैध आरक्षण हैं, जिससे उनका विश्वास और होटल की प्रतिष्ठा को ठेस पहुँचती है। होटल प्रबंधकों के लिए मुख्य चुनौती यह जानना है कि कौन से विशिष्ट आरक्षणों के रद्द होने की संभावना है ताकि वे पूरे बाजार के बारें में व्यापक अनुमान लगाने के बजाय सटीकता के साथ अपने नंबरों को समायोजित कर सकें।

वर्षों से, शोधकर्ताओं ने पिछले डेटा से सीख सकने वाले कंप्यूटर प्रोग्रामों का उपयोग करके इस पहेली को हल करने का प्रयास किया है। हालाँकि, इनमें से कई प्रयास त्रुटिपूर्ण रहे हैं क्योंकि उन्होंने अपने विचारों का परीक्षण ऐसे तरीकों से किया जो वास्तविक जीवन को प्रतिबिंबित नहीं करते थे। कुछ अध्ययनों ने अतीत और भविष्य के डेटा को मिला दिया, जिससे कंप्यूटर को उस जानकारी का उपयोग करने की अनुमति मिली जो भविष्यवाणी के समय उपलब्ध नहीं होती। अन्य केवल एक परीक्षण पर उच्चतम स्कोर प्राप्त करने पर केंद्रित थे, यह अनदेखा करते हुए कि क्या कंप्यूटर का तर्क एक मानव प्रबंधक के लिए समझ में आने योग्य था। एक प्रबंधक उस प्रणाली पर भरोसा नहीं कर सकता जिसे वह समझ नहीं सकता, विशेष रूप से यदि प्रणाली एक ऐसी गलती करती है जिससे होटल को नुकसान होता है। इसलिए, लक्ष्य केवल एक स्मार्ट कंप्यूटर बनाना नहीं है, बल्कि एक ऐसा कंप्यूटर बनाना है जो ईमानदार, पारदर्शी और राजस्व प्रबंधक द्वारा किए जाने वाले दैनिक निर्णयों के लिए उपयोगी हो।

एक नए अध्ययन में, शोधकर्ताओं ने दो पुर्तगाली होटलों के डेटा का उपयोग करके ऐसा सिस्टम बनाने का लक्ष्य रखा, जिनमें से एक शहर में स्थित था और दूसरा एक रिसॉर्ट क्षेत्र में। उन्होंने यह देखने के लिए लगभग 1,20,000 व्यक्तिगत बुकिंग का विश्लेषण किया कि क्या वे अतिथि के आगमन से पहले रद्दीकरण की भविष्यवाणी कर सकते हैं। अपने परिणामों को भरोसेमंद बनाने के लिए, उन्होंने एक सख्त परीक्षण डिजाइन किया जो वास्तविक दुनिया की स्थितियों की नकल करता था। उन्होंने अपने कंप्यूटर मॉडल को अतीत के डेटा पर प्रशिक्षित किया और फिर उनसे भविष्य की भविष्यवाणी करने के लिए कहा, जिसमें केवल वही जानकारी शामिल थी जो बुकिंग के समय उपलब्ध होती। उन्होंने सावधानीपूर्वक उन डेटा बिंदुओं को भी हटा दिया जो केवल तभी दर्ज किए गए होंगे जब अतिथि पहले ही रद्द कर चुका था, यह सुनिश्चित करने के लिए कि कंप्यूटर केवल उस जानकारी का उपयोग न करे जो भविष्यवाणी के समय उपलब्ध नहीं होती।

शोधकर्ताओं ने तीन अलग-अलग प्रकार के कंप्यूटर मॉडल की तुलना की: एक मानक सांख्यिकीय विधि जिसका उपयोग दशकों से किया जा रहा है, और दो अधिक उन्नत मशीन लर्निंग सिस्टम जो जटिल पैटर्न पहचानने में बेहतर हैं। सबसे सफल मॉडल 'एक्सजीबूस्ट' (XGBoost) नामक एक परिष्कृत एल्गोरिदम था, जो बुकिंग को रखने और रद्द करने के बीच अंतर करने में अन्य की तुलना में थोड़ा बेहतर साबित हुआ। हालाँकि, यह सुधार मामूली था, कोई बड़ी छलांग नहीं। अध्ययन में पाया गया कि जबकि उन्नत कंप्यूटर सूक्ष्म सुराग ढूंढ सकते हैं, एक अच्छी तरह से डिज़ाइन किया गया सांख्यिकीय मॉडल अभी भी अधिकांश महत्वपूर्ण जानकारी को कैप्चर करता है। अध्ययन का वास्तविक मूल्य एक नया, जादुई एल्गोरिदम खोजने में नहीं था, बल्कि यह साबित करने में था कि एक कठोर, ईमानदार परीक्षण बहुत कम और अधिक यथार्थवादी सफलता दर प्रदान करता है जैसा कि पिछले कई अध्ययनों में दावा किया गया था। जब शोधकर्ताओं ने उन डेटा बिंदुओं को हटाया जो भविष्यवाणी के समय उपलब्ध नहीं होते, तो सफलता दर अन्य शोध पत्रों में देखी गई उच्च 90 के दशक से गिरकर एक ईमानदार सीमा—उच्च 70 के दशक से मध्य 80 के दशक तक—में आ गई।

केवल रद्दीकरण की भविष्यवाणी करने के अलावा, शोधकर्ता यह समझना चाहते थे कि कंप्यूटर अपने निर्णय क्यों ले रहा है। उन्होंने एक ऐसी तकनीक का उपयोग किया जो प्रत्येक भविष्यवाणी को तोड़कर यह दिखाती है कि किन कारकों ने जोखिम को ऊपर या नीचे धकेला। इससे एक महत्वपूर्ण अंतर सामने आया जिसे एक होटल बदल सकता है और जिसे वह केवल मूल्य निर्धारण (प्राइसिंग) के लिए उपयोग कर सकता है। सिटी होटल में, सबसे मजबूत संकेत उस जमा राशि (डिपोजिट) के प्रकार से आया जो एक अतिथि से आवश्यक थी। लचीली शर्तों वाले बुकिंग की तुलना में गैर-प्रतिदेय (नॉन-रिफंडेबल) शर्तों वाली बुकिंग के रद्द होने की संभावना बहुत अधिक थी, जो यह सुझाव देता है कि जमा नीति जोखिम प्रबंधन के लिए एक शक्तिशाली उपकरण है। रिसॉर्ट होटल में, सबसे महत्वपूर्ण कारक यह था कि बुकिंग कितने समय पहले की गई थी और अतिथि का प्रकार क्या था, जैसे कि क्या वे एक यात्रा समूह का हिस्सा थे।

अध्ययन ने यह भी दिखाया कि इन भविष्यवाणियों को वास्तविक व्यावसायिक निर्णयों में कैसे बदला जाए। केवल यह कहने के बजाय कि एक बुकिंग "जोखिम भरी" है, शोधकर्ताओं ने कंप्यूटर के आत्मविश्वास को एक विशिष्ट संख्या में अनुवादित किया: किसी दिए गए दिन के लिए रद्दीकरण की अपेक्षित संख्या। यह एक प्रबंधक को यह गणना करने की अनुमति देता है कि वे कितने अतिरिक्त कमरे सुरक्षित रूप से बेच सकते हैं। उन्होंने हस्तक्षेप के लिए एक स्पष्ट नियम भी स्थापित किया। यदि किसी बुकिंग को उच्च-जोखम के रूप में चिह्नित किया जाता है, तो प्रबंधक पुष्टि के लिए अतिथि से संपर्क करने या जमा राशि मांगने का विकल्प चुन सकता है। अध्ययन ने विकल्पों का एक मेनू प्रदान किया जो इस बात पर आधारित था कि एक होटल एक खोए हुए कमरे के मूल्य बनाम एक ऐसे अतिथि को संपर्क करने की परेशानी के बीच क्या महत्व देता है जो रद्द नहीं करने वाला था। यह दृष्टिकोण प्रबंधक की विशेषज्ञता का सम्मान करता है, उन्हें निर्णय लेने के लिए आवश्यक संख्याएँ देता है, न कि उन्हें एक कठोर कंप्यूटर कमांड का पालन करने के लिए मजबूर करता है।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि कंप्यूटर की सलाह होटल के प्रकार के आधार पर बदल जाती है। सिटी प्रॉपर्टी के लिए, डेटा ने सुझाव दिया कि होटल विशिष्ट समूहों, जैसे कि बड़े समूहों या ट्रैवल एजेंटों के माध्यम से की गई बुकिंग के लिए अपनी जमा नीति को समायोजित करके जोखिम को सक्रिय रूप से प्रबंधित कर सकता है। रिसॉर्ट के लिए, जोखिम अतिथि की प्रकृति और बुकिंग के समय से प्रेरित था, जिसका अर्थ था कि होटल की सर्वोत्तम प्रतिक्रिया बुकिंग व्यवहार को बदलने के बजाय अपनी मूल्य निर्धारण और ओवरबुकिंग स्तरों को समायोजित करना था। शोधकर्ताओं ने यह भी नोट किया कि डेटा में कुछ खामियाँ थीं; उदाहरण के लिए, जिस तरह से सिस्टम में गैर-प्रतिदेय बुकिंग दर्ज की जाती थी, उससे वे लगभग निश्चित रूप से रद्द होने वाली लग रही थीं, जिसने संभवतः इस कारक के महत्व को बढ़ा दिया। इन खामियों की पहचान करके, अध्ययन ने प्रबंधकों को गलत निष्कर्ष निकालने से रोका।

अंततः, यह शोध उन होटल प्रबंधकों के लिए एक व्यावहारिक मार्गदर्शिका प्रदान करता है जो प्रचार-धूरों (हाइप) से गुमराह हुए बिना आर्टिफिशियल इंटेलिजेंस का उपयोग करना चाहते हैं। यह प्रदर्शित करता है कि सबसे मूल्यवान उपकरण सबसे जटिल एल्गोरिदम नहीं है, बल्कि एक ऐसा सिस्टम है जिसे ईमानदारी से परखा गया हो, स्पष्ट रूप से समझाया गया हो, और ठोस संख्याओं में अनुवादित किया गया हो। यह स्पष्ट करता है कि एक होटल जो नियंत्रित कर सकता है (जैसे कि इसकी रद्दीकरण नीतियां) और जो वह नहीं कर सकता (जैसे कि अतिथि का व्यक्तिगत इतिहास), के बीच अंतर करके, अध्ययन निर्णय लेने के लिए एक रोडमैप प्रदान करता है। यह दिखाता है कि जबकि कंप्यूटर भविष्य की भविष्यवाणी करने में मदद कर सकते हैं, एक जोखिम भरी बुकिंग को संभालने के लिए अंतिम निर्णय अभी भी स्पष्ट जानकारी और शामिल लागतों की स्पष्ट समझ के साथ मानव प्रबंधक का ही है।