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

あらゆるホテルの客室は、独特な種類の「空虚さ」に直面しています。売れ残った商品を翌日に持ち越すことができる工場とは異なり、ホテルの客室は消滅性の高い商品です。もしゲストが到着しなければ、その夜の収益は永遠に失われてしまいます。この損失を防ぐために、ホテルは、一部のゲストがキャンセルしたり、単に現れなかったりすることを見越して、保有する客室数よりも多くの予約を受け入れることがよくあります。「オーバーブッキング」として知られるこの慣行は、繊細なバランスの上に成り立っています。もしホテルが保守的に予測しすぎれば、空室のままベッドを放置することになり、収益を逃すことになります。逆に、過度に積極的に予測しすぎれば、有効な予約を持っているゲストを断るリスクが生じ、彼らの信頼とホホテルの評判を損なうことになります。レベニューマネージャーにとっての核心的な課題は、市場全体に対する大まかな推測に頼るのではなく、どの特定の予約が消失する可能性が高いのかを正確に把握し、精密に数字を調整することです。

長年、研究者たちは過去のデータから学習するコンピュータプログラムを用いて、このパズルを解こうとしてきました。しかし、こうした試みの多くは、現実の世界を反映していない方法で検証されていたため、欠陥がありました。過去のデータと未来のデータを混同し、予測の時点で利用できないはずの情報までコンピュータが使用できてしまう研究もありました。また、コンピュータの推論が人間のマネージャーにとって理にかなっているかどうかを無視して、単にテストのスコアを最大化することだけに焦点を当てた研究もありました。マネージャーは、自分が理解できないシステムを信頼することはできません。特に、そのシステムがミスをしてホテルに損失を与えた場合にはなおさらです。したがって、目標は単に賢いコンピュータを作ることではなく、誠実で透明性が高く、レベニューマネージャーが行う日常的な意思決定に役立つものを作ることなのです。

新しい研究において、研究者たちはポルトガルの2つのホテル（一つは都市部に、もう一つはリゾート地に位置する）のデータを用いて、そのようなシステムを構築することを試みました。彼らは約12万件の個別の予約を分析し、ゲストが到着する前にキャンセルが発生するかどうかを予測できるかを検証しました。結果の信頼性を確保するため、彼らは現実世界の条件を模した厳格なテストを設計しました。彼らは過去のデータでコンピュータモデルを学習させた後、予約が行われた瞬間に利用可能な情報のみを使用して、未来を予測させるという手順を踏みました。また、ゲストがすでにキャンセルした後に記録された可能性のあるデータポイントを慎重に取り除くことで、予測時点では存在しないはずの情報を使ってコンピュータが単に予測を行ってしまうことを防ぎました。

研究者たちは、3種類の異なるコンピュータモデルを比較しました。それは、数十年にわたり使用されてきた標準的な統計手法と、より複雑なパターンを見つけるのが得意な2つの高度な機械学習システムです。最も成功したのは「XGBoost」として知られる精緻なアルゴリズムであり、他のモデルよりも、予約が維持されるかキャンセルされるかを区別することにおいてわずかに優れていることが証明されました。しかし、その改善は劇的な飛躍ではなく、緩やかなものでした。本研究は、高度なコンピュータは微細な手がかりを見つけ出すことはできるものの、適切に設計された統計モデルであっても、重要な情報の大部分を捉えることができるという事実を明らかにしました。この研究の真の価値は、新しい魔法のようなアルゴリズムを見つけたことではなく、厳格で誠実なテストを行うことで、従来の多くの研究が主張していたよりもはるかに低く、かつ現実的な成功率が得られることを証明した点にあります。予測時点では利用できないデータポイントを取り除いた結果、成功率は他の論文で見られた90％台の高い数値から、より正直な70％台後半から85％程度へと低下しました。

単にキャンセルを予測するだけでなく、研究者たちは「なぜ」コンピュータがその予測を行ったのかを理解しようとしました。彼らは、各予測を分解して、どの要因がリスクを押し上げ、あるいは押し下げているかを示す手法を用いました。これにより、ホテルが「変更できる要素」と、「価格設定で対応するしかない要素」との間の決定的な違いが明らかになりました。都市部のホテルでは、最も強力なシグナルはゲストに求められるデポジット（保証金）の形態から得られました。返金不可の条件が付いた予約は、柔軟な条件の予約よりもキャンセルされる可能性がはるかに高いという結果が出ており、これはデポジット政策がリスク管理のための強力なツールであることを示唆しています。一方、リゾート地のホテルでは、最も重要な要因は予約がどのくらい前に行われたか、および旅行グループなどのゲストの属性でした。

また、本研究はこれらの予測をどのように実際のビジネス上の意思決定に結びつけるかについても示しました。単に予約を「リスクが高い」と判定するのではなく、研究者たちはコンピュータの確信度を具体的な数値、すなわち「特定の日における予想キャンセル数」へと翻訳しました。これにより、マネージャーは安全に販売できる追加の客室数を正確に算出できるようになります。彼らはまた、介入すべき明確なルールも確立しました。もし予約がハイリスクと判定された場合、マネージャーはゲストに確認の連絡を取るか、あるいはデポジットを求めるかを選択できます。研究は、失われる客室の価値と、キャンセルする予定のなかったゲストに連絡を取る手間との間で、ホテルがどちらを重視するか（コストをどう見積もるか）に基づいた選択肢のメニューを提供しました。このアプローチは、マネージャーの専門性を尊重し、コンピュータによる硬直的な命令に従わせるのではなく、判断を下すために必要な数字を与えるものです。

最も重要な発見の一つは、コンピュータのアドバイスはホテルの種類によって変化するということです。都市部の物件については、データは、大規模な団体や旅行代理店を通じた予約など、特定のグループに対してデポジットのルールを調整することで、ホテルが能動的にリスクを管理できることを示唆していました。リゾート地については、リスクはゲストの性質や予約のタイミングに起因しており、ホテルにとっての最善の対応は、ゲストの行動を変えようとすることではなく、価格設定やオーバーブッキングのレベルを調整することであるという意味でした。また、研究者たちはデータに特有の性質があることも指摘しました。例えば、返金不可の予約がシステム内で記録される方法が、それらがキャンセルされることがほぼ確実であるかのように見せており、それがこの要因の重要性を誇張してしまった可能性があります。こうした特有の性質を特定することで、本研究はマネージャーが誤った結論を導き出すことを防ぎました。

結局のところ、この研究は、過剰な期待に惑わされることなく人工知能を活用したいと考えているホテルマネージャーのための実践的なガイドを提供しています。最も価値のあるツールは、最も複雑なアルゴリズムではなく、誠実にテストされ、明確に説明され、具体的な数値へと翻訳されたシステムであることを、この研究は証明しています。デポジット政策のような「ホテルがコントロールできること」と、ゲストの個人的な履歴のような「コントロールできないこと」を切り分けることで、本研究はよりスマートな意思決定を行うためのロードマップを提示しています。コンピュータは未来を予測する助けにはなりますが、リスクの高い予約をどう扱うかという最終的な判断は、明確な情報と、それに伴うコストへの明確な理解を備えた人間のマネージャーに委ねられているのです。