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

Ogni camera d'hotel affronta un tipo unico di vuoto. A differenza di una fabbrica che può stoccare merci invendute per il giorno successivo, una camera d'hotel è un prodotto deperibile; se un ospite non arriva, il ricavo di quella notte svanisce per sempre. Per proteggersi da questa perdita, gli hotel spesso accettano più prenotazioni di quante siano le camere disponibili, scommettendo che alcuni ospiti cancelleranno o semplicemente non si presenteranno. Questa pratica, nota come overbooking, è un delicato equilibrio. Se un hotel ipotizza in modo troppo conservativo, lascia soldi sul tavolo con letti vuoti. Se ipotizza in modo troppo aggressivo, rischia di dover respingere ospiti che detengono prenotazioni valide, danneggiando la loro fiducia e la reputazione dell'hotel. La sfida centrale per i gestori alberghieri è sapere esattamente quali specifiche prenotazioni sono probabili che scompaiano, in modo da poter regolare i propri numeri con precisione, piuttosto che affidarsi a stime generiche sull'intero mercato.

Per anni, i ricercatori hanno cercato di risolvere questo enigma utilizzando programmi informatici che apprendono dai dati passati. Tuttavia, molti di questi tentativi sono stati difettosi perché hanno testato le loro idee in modi che non riflettevano la realtà. Alcuni studi hanno confuso dati passati e futuri, permettendo al computer di utilizzare informazioni che non sarebbero state disponibili al momento della previsione. Altri si sono concentrati solo sull'ottenere il punteggio più alto in un test, ignorando se il ragionamento del computer avesse senso per un gestore umano. Un gestore non può fidarsi di un sistema che non può comprendere, specialmente se il sistema commette un errore che costa denaro all'hotel. L'obiettivo, pertanto, non è solo costruire un computer intelligente, ma costruirne uno che sia onesto, trasparente e utile per le decisioni quotidiane che un revenue manager deve prendere.

In uno studio recente, i ricercatori si sono posti l'obiettivo di creare un tale sistema utilizzando i dati di due hotel portoghesi: uno situato in una città e l'altro in una zona turistica. Hanno analizzato quasi 120.000 prenotazioni individuali per vedere se riuscivano a prevedere quali sarebbero state cancellate prima dell'arrivo dell'ospite. Per garantire che i loro risultati fossero affidabili, hanno progettato un test rigoroso che simulasse le condizioni del mondo reale. Hanno addestrato i loro modelli informatici sui dati del passato e poi hanno chiesto loro di prevedere il futuro, utilizzando solo le informazioni che sarebbero state disponibili al momento della prenotazione. Hanno anche rimosso attentamente tutti i punti dati che potrebbero essere stati registrati solo dopo che un ospite aveva già cancellato, assicurandosi che il computer non stesse semplicemente utilizzando informazioni che non sarebbero state disponibili al momento della previsione.

I ricercatori hanno confrontato tre diversi tipi di modelli informatici: un metodo statistico standard che viene utilizzato da decenni, e due sistemi di machine learning più avanzati, migliori nel individuare schemi complessi. Il modello di maggior successo è stato un algoritmo sofisticato noto come XGBoost, che si è dimostrato leggermente migliore degli altri nel distinguere tra le prenotazioni che sarebbero state mantenute e quelle che sarebbero state cancellate. Tuttavia, il miglioramento è stato modesto, non un salto massiccio. Lo studio ha scoperto che, sebbene i computer avanzati possano trovare indizi sottili, un modello statistico ben progettato cattura comunque la maggior parte delle informazioni importanti. Il vero valore dello studio non è stato trovare un nuovo algoritmo magico, ma dimostrare che un test rigoroso e onesto produce tassi di successo molto più bassi e realistici rispetto a quanto affermato da molti studi precedenti. Quando i ricercatori hanno rimosso i punti dati che non sarebbero stati disponibili al momento della previsione, il tasso di successo è sceso dagli alti anni '90 visti in altri lavori a un intervallo più onesto tra la metà degli anni '70 e la metà degli anni '80.

Oltre a prevedere semplicemente le cancellazioni, i ricercatori volevano capire perché il computer facesse le sue previsioni. Hanno utilizzato una tecnica che scompone ogni previsione per mostrare quali fattori spingevano il rischio verso l'alto o verso il basso. Ciò ha rivelato una differenza cruciala tra ciò che un hotel può cambiare e ciò che può solo scontare nel prezzo. Nell'hotel di città, il segnale più forte derivava dal tipo di deposito richiesto all'ospite. Le prenotazioni con termini non rimborsabili avevano una probabilità molto più alta di essere cancellate rispetto a quelle con termini flessibili, un reperto che suggerisce come le politiche sui depositi siano uno strumento potente per gestire il rischio. Nell'hotel della località turistica, i fattori più importanti erano quanto tempo prima fosse stata effettuata la prenotazione e il tipo di ospite, come ad esempio se facesse parte di un gruppo di viaggio.

Lo studio ha anche mostrato come trasformare queste previsioni in vere decisioni di business. Invece di dire semplicemente che una prenotazione è "rischiosa", i ricercatori hanno tradotto la fiducia del computer in un numero specifico: il numero atteso di cancellazioni per un determinato giorno. Ciò consente a un gestore di calcolare esattamente quante camere extra può vendere in sicurezza. Hanno anche stabilito una regola chiara per quando intervenire. Se una prenotazione viene segnalata come ad alto rischio, il gestore può scegliere di contattare l'ospite per una conferma o richiedere un deposito. Lo studio ha fornito un menù di opzioni basate su quanto un hotel dia valore a una camera persa rispetto al fastidio di contattare un ospite che non avrebbe cancellato comunque. Questo approccio rispetta l'esperienza del gestore, fornendogli i numeri necessari per prendere una decisione ponderata piuttosto che costringerlo a seguire un comando rigido del computer.

Uno dei risultati più importanti è stato che il consiglio del computer cambia a seconda del tipo di hotel. Per la struttura cittadina, i dati suggerivano che l'hotel potesse gestire attivamente il rischio regolando le proprie regole sui depositi per gruppi specifici, come grandi gruppi o prenotazioni effettuate tramite agenzie di viaggio. Per la località turistica, il rischio era guidato dalla natura dell'ospite e dal tempismo della prenotazione, il che significava che la migliore risposta dell'hotel era regolare i prezzi e i livelli di overbooking piuttosto che cercare di cambiare il comportamento dell'ospite. I ricercatori hanno anche notato che i dati presentavano alcune stranezze; ad esempio, il modo in cui le prenotazioni non rimborsabili venivano registrate nel sistema le faceva apparire quasi certe di essere cancellate, il che probabilmente ha esagerato l'importanza di questo fattore. Identificando queste anomalie, lo studio ha evitato che i gestori traessero conclusioni errate.

In definitiva, questa ricerca offre una guida pratica per i gestori alberghieri che desiderano utilizzare l'intelligenza artificiale senza farsi ingannare dall'entusiasmo eccessivo. Dimostra che lo strumento più prezioso non è l'algoritmo più complesso, ma un sistema che è testato onestamente, spiegato chiaramente e tradotto in numeri concreti. Separando ciò che un hotel può controllare, come le sue politiche di cancellazione, da ciò che non può controllare, come la storia personale di un ospite, lo studio fornisce una tabella di marcia per prendere decisioni più intelligenti. Dimostra che, sebbene i computer possano aiutare a prevedere il futuro, il giudizio finale su come gestire una prenotazione rischiosa appartiene ancora al gestore umano, armato di informazioni chiare e di una chiara comprensione dei costi coinvolti.