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

모든 호텔 객실은 독특한 종류의 공백에 직면합니다. 팔리지 않은 상품을 내일로 넘겨 보관할 수 있는 공장과 달리, 호텔 객실은 소멸성 상품입니다. 즉, 투숙객이 도착하지 않는다면 그날 밤의 수익은 영원히 사라집니다. 이러한 손실을 방지하기 위해 호텔들은 일부 고객이 취소하거나 단순히 나타나지 않을 것에 베팅하며, 보유한 객실보다 더 많은 예약을 받기도 합니다. 오버부킹(overbooking)이라 알려진 이 관행은 정교한 균형 잡기입니다. 만약 호텔이 너무 보수적으로 예측하면 빈 침대를 남겨두어 수익을 놓치게 됩니다. 반대로 너무 공격적으로 예측하면 유효한 예약을 가진 고객을 돌려보내게 되어, 그들의 신뢰와 호텔의 평판을 해칠 위험이 있습니다. 호텔 관리자의 핵심 과제는 어떤 특정 예약이 사라질 가능성이 높은지를 정확히 파악하여, 시장 전체에 대한 막연한 추측에 의존하는 대신 정밀하게 숫자를 조정하는 것입니다.

수년간 연구자들은 과거 데이터로부터 학습하는 컴퓨터 프로그램을 사용하여 이 퍼즐을 풀고자 노력해 왔습니다. 그러나 이러한 시도 중 상당수는 실제 생활을 반영하지 못하는 방식으로 아이디어를 테스트했기 때문에 결함이 있었습니다. 어떤 연구들은 과거와 미래의 데이터를 혼동하여, 컴퓨터가 예측 시점에는 사용할 수 없었을 정보까지 사용하여 예측하도록 허용했습니다. 또 다른 연구들은 컴퓨터의 추론이 인간 관리자에게 타당한지 여부는 무시한 채, 오직 테스트에서 가장 높은 점수를 받는 데에만 집중했습니다. 관리자는 자신이 이해할 수 없는 시스템을 신뢰할 수 없습니다. 특히 그 시스템이 호텔에 금전적 손실을 입히는 실수를 저질렀을 때는 더욱 그렇습니다. 따라서 목표는 단순히 똑똑한 컴퓨터를 만드는 것이 아니라, 수익 관리자가 일상적인 의사결정을 내릴 때 사용할 수 있는 정직하고 투명하며 유용한 시스템을 구축하는 것입니다.

새로운 연구에서 연구자들은 포르투갈의 두 호텔(도시 지역 호텔과 리조트 지역 호텔)의 데이터를 사용하여 이러한 시스템을 구축하고자 했습니다. 그들은 약 12만 건의 개별 예약을 분석하여 고객이 도착하기 전에 어떤 예약이 취소될지 예측할 수 있는지 조사했습니다. 결과의 신뢰성을 확보하기 위해, 그들은 실제 환경을 모방한 엄격한 테스트를 설계했습니다. 그들은 과거의 데이터로 컴퓨터 모델을 학습시킨 다음, 예약이 이루어진 시점에 사용 가능한 정보만을 사용하여 미래를 예측하도록 했습니다. 또한, 고객이 이미 취소한 후에 기록되었을 법한 데이터 포인트들을 세심하게 제거함으로써, 컴퓨터가 예측 시점에는 존재하지 않았을 정보를 단순히 활용하는 일이 없도록 했습니다.

연구진은 세 가지 유형의 컴퓨터 모델을 비교했습니다. 수십 년 동안 사용되어 온 표준 통계 방법과, 더 복잡한 패턴을 포착하는 데 능숙한 두 가지 고급 머신러닝 시스템입니다. 가장 성공적인 모델은 XGBoost라고 알려진 정교한 알고리즘이었으며, 이는 예약이 유지될 것인지 아니면 취소될 것인지를 구별하는 데 있어 다른 모델들보다 약간 더 뛰어난 성능을 보였습니다. 그러나 그 개선 폭은 미미했습니다. 본 연구는 고급 컴퓨터가 미묘한 단서를 찾아낼 수는 있지만, 잘 설계된 통계 모델 역시 중요한 정보의 대부분을 포착한다는 점을 보여주었습니다. 이 연구의 진정한 가치는 새로운 마법 같은 알고리즘을 찾는 데 있었던 것이 아니라, 엄격하고 정직한 테스트가 이전의 많은 연구가 주장했던 것보다 훨씬 낮고 현실적인 성공률을 낸다는 것을 증명하는 데 있었습니다. 예측 시점에 사용할 수 없는 데이터 포인트를 제거했을 때, 성공률은 기존 논문들에서 보이던 90%대에서 보다 정직한 범위인 70%대 후반에서 80%대 중반으로 떨어졌습니다.

단순히 취소를 예측하는 것을 넘어, 연구진은 컴퓨터가 '왜' 그러한 예측을 했는지 이해하고자 했습니다. 그들은 각 예측을 분해하여 어떤 요인이 위험도를 높이거나 낮추었는지 보여주는 기법을 사용했습니다. 이를 통해 호텔이 직접 변경할 수 있는 요소와 가격만 조정할 수 있는 요소를 구분하는 결정적인 차이를 밝혀냈습니다. 도시 호텔의 경우, 가장 강력한 신호는 고객에게 요구되는 보증금 유형에서 왔습니다. 환불 불가 조건의 예약은 유연한 조건의 예약보다 데이터상에서 취소될 가능성이 훨씬 높았는데, 이는 보증금 정책이 리스크 관리를 위한 강력한 도구임을 시사합니다. 리조트 호텔의 경우, 가장 중요한 요인은 예약이 얼마나 사전에 이루어졌는지와 여행 그룹 여부와 같은 고객의 유형이었습니다.

연구는 또한 이러한 예측을 실제 비즈니스 결정으로 전환하는 방법을 보여주었습니다. 단순히 예약을 "위험하다"고 말하는 대신, 연구진은 컴퓨터의 확신도를 특정 숫자로 변환했습니다: 바로 특정 날짜에 예상되는 취소 건수입니다. 이를 통해 관리자는 정확히 몇 개의 추가 객실을 안전하게 판매할 수 있는지 계산할 수 있습니다. 또한 그들은 명확한 개입 규칙을 수립했습니다. 만약 특정 예약이 고위험군으로 분류되면, 관리자는 고객에게 확인 연락을 취하거나 보증금을 요청할 수 있습니다. 연구는 객실 하나를 잃는 비용과, 취소하지 않을 고객에게 연락하여 번거로움을 주는 비용 사이의 가치를 기준으로 한 메뉴를 제공했습니다. 이러한 접근 방식은 관리자의 전문성을 존중하며, 컴퓨터의 경직된 명령을 따르게 하는 대신 판단을 내리는 데 필요한 숫자를 제공합니다.

가장 중요한 발견 중 하나는 컴퓨터의 조언이 호텔의 유형에 따라 달라진다는 점이었습니다. 도시 호텔의 경우, 데이터는 호텔이 대규모 단체나 여행사를 통한 예약과 같은 특정 그룹에 대해 보증금 규칙을 조정함으로써 능동적으로 리스크를 관리할 수 있음을 시사했습니다. 리조트의 경우, 리스크는 고객의 성격과 예약 시기에 의해 주도되었으므로, 호텔의 최선의 대응은 고객의 행동을 바꾸려 하기보다 가격 책정과 오버부킹 수준을 조정하는 것이었습니다. 연구진은 또한 데이터에 특이점이 있다는 점을 언급했습니다. 예를 들어, 환불 불가 예약이 시스템에 기록되는 방식이 마치 취소가 확실한 것처럼 보이게 하여, 해당 요인의 중요성을 과장했을 가능성이 있습니다. 이러한 특이점을 식별함으로써, 이 연구는 관리자들이 잘못된 결론을 내리는 것을 방지했습니다.

궁극적으로 이 연구는 과장된 광고에 현혹되지 않고 인공지능을 활용하고자 하는 호텔 관리자들에게 실질적인 가이드를 제공합니다. 가장 가치 있는 도구는 가장 복잡한 알고리즘이 아니라, 정직하게 테스트되고, 명확하게 설명되며, 구체적인 숫자로 변환되는 시스템임을 입증했습니다. 보증금 정책처럼 호텔이 통제할 수 있는 것과 고객의 개인 이력처럼 통제할 수 없는 것을 분리함으로써, 이 연구는 더 현명한 결정을 내리기 위한 로드맵을 제공합니다. 컴퓨터가 미래를 예측하는 데 도움을 줄 수는 있지만, 위험한 예약에 어떻게 대처할지에 대한 최종적인 판단은 명확한 정보와 발생 가능한 비용에 대한 분명한 이해를 갖춘 인간 관리자의 몫임을 보여줍니다.