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

Elke hotelkamer wordt geconfronteerd met een unieke vorm van leegte. In tegenstelling tot een fabriek die onverkochte goederen voor morgen kan opslaan, is een hotelkamer een bederfelijk product; als een gast niet verschijnt, verdwijnt de omzet van die nacht voorgoed. Om dit verlies te beperken, accepteren hotels vaak meer reserveringen dan ze kamers hebben, waarbij ze erop wedden dat sommige gasten zullen annuleren of simpelweg niet zullen verschijnen. Deze praktijk, bekend als overboeken, is een delicaat evenwicht. Als een hotel te voorzichtig inschat, laat het geld liggen met lege bedden. Als het te agressief inschat, loopt het het risico gasten te weigeren die een geldige reservering hebben, wat het vertrouwen en de reputatie van het hotel schaadt. De kernuitdaging voor hotelmanagers is om precies te weten welke specifieke reserveringen waarschijnlijk zullen verdwijnen, zodat ze hun aantallen met precisie kunnen aanpassen, in plaats van te vertrouwen op brede gissingen over de gehele markt.

Jarenlang hebben onderzoekers geprobeerd dit puzzelstukje op te lossen met computerprogramma's die leren van gegevens uit het verleden. Veel van deze pogingen waren echter gebrekkig omdat ze hun ideeën testten op manieren die niet overeenkwamen met de werkelijkheid. Sommige studies mengden gegevens uit het verleden met toekomstige gegevens, waardoor de computer informatie kon gebruiken die op het moment van de voorspelling niet beschikbaar zou zijn geweest. Anderen richtten zich alleen op het behalen van de hoogst mogelijke score op een test, waarbij werd genegeerd of de redenering van de computer logisch was voor een menselijke manager. Een manager kan geen systeem vertrouwen dat hij niet begrijpt, vooral als het systeem een fout maakt die het hotel geld kost. Het doel is daarom niet alleen om een slimme computer te bouwen, maar om een systeem te bouwen dat eerlijk, transparant en nuttig is voor de dagelijkse beslissingen die een revenue manager moet nemen.

In een nieuwe studie hebben onderzoekers geprobeerd een dergelijk systeem te creëren met behulp van gegevens van twee Portugese hotels: één gelegen in een stad en een andere in een resortgebied. Ze analyseerden bijna 120.000 individuele boekingen om te zien of ze konden voorspellen welke er geannuleerd zouden worden voordat de gast arriveerde. Om hun resultaten betrouwbaar te maken, ontwierpen ze een strikte test die de werkelijke omstandigheden nabootste. Ze trainden hun computermodellen op gegevens uit het verleden en vroegen hen vervolgens de toekomst te voorspellen, waarbij ze alleen gebruikmaakten van informatie die op het moment van de boeking beschikbaar zou zijn. Ze verwijderden ook zorgvuldig alle gegevenspunten die mogelijk pas werden geregistreerd nadat een gast al had geannuleerd, om ervoor te zorgen dat de computer niet simpelweg informatie gebruikte die op het moment van de voorspelling niet beschikbaar zou zijn.

De onderzoekers vergeleken drie verschillende soorten computermodellen: een standaard statistische methode die al decennia wordt gebruikt, en twee meer geavanceerde machine learning-systemen die beter zijn in het herkennen van complexe patronen. Het meest succesvolle model was een geavanceerd algoritme genaamd XGBoost, dat iets beter bleek te zijn dan de andere modellen in het onderscheiden van boekingen die gehouden zouden worden en boekingen die geannuleerd zouden worden. De verbetering was echter bescheiden, geen enorme sprong voorwaarts. De studie toonde aan dat hoewel geavanceerde computers subtiele aanwijzingen kunnen vinden, een goed ontworpen statistisch model nog steeds de meeste belangrijke informatie vangt. De echte waarde van de studie lag niet in het vinden van een nieuw, magisch algoritme, maar in het bewijs dat een rigoureuze, eerlijke test veel lagere en realistischere succespercentages oplevert dan veel eerdere studies beweerden. Toen de onderzoekers de gegevenspunten verwijderden die op het moment van de voorspelling niet beschikbaar zouden zijn, daalde het succespercentage van de hoge 90's gezien in andere papers naar een eerlijker bereik in de hoge 7os tot midden 80's.

Naast het simpelweg voorspellen van annuleringen, wilden de onderzoekers begrijpen waarom de computer zijn voorspellingen deed. Ze gebruikten een techniek die elke voorspelling ontleedt om te laten zien welke factoren het risico verhoogden of verlaagden. Dit onthulde een cruciaal verschil tussen wat een hotel kan veranderen en wat het alleen kan beprijzen. Bij het stadshotel kwam het sterkste signaal van het type storting dat een gast moest betalen. Boekingen met niet-restitueerbare voorwaarden hadden in de data een veel grotere kans op annulering dan boekingen met flexibele voorwaarden, een bevinding die suggereert dat stortingsbeleid een krachtig instrument is voor risicobeheer. Bij het resorthotel waren de belangrijkste factoren hoe ver van tevoren de boeking was gemaakt en het type gast, zoals of ze deel uitmaakten van een reisgroep.

De studie liet ook zien hoe men deze voorspellingen kan omzetten in daadwerkelijke zakelijke beslissingen. In plaats van alleen te zeggen dat een boeking "risicovol" is, vertaalden de onderzoekers het vertrouwen van de computer naar een specifiek getal: het verwachte aantal annuleringen voor een bepaalde dag. Dit stelt een manager in staat om precies te berekenen hoeveel extra kamers ze veilig kunnen verkopen. Ze stelden ook een duidelijke regel vast voor wanneer er moet worden ingegrepen. Als een boeking als hoog risico wordt aangemerkt, kan de manager ervoor kiezen om de gast te contacteren voor een bevestiging of om een storting te vragen. De studie bood een menu aan opties gebaseerd op hoeveel een hotel een verloren kamer waard vindt versus de irritatie van het contacteren van een gast die toch niet van plan was te annuleren. Deze aanpak respecteert de expertise van de manager door hem de cijfers te geven die hij nodig heeft om een oordeel te vellen, in plaats van hem een rigide computercommando op te leggen.

Een van de belangrijkste bevindingen was dat het advies van de computer verandert afhankelijk van het type hotel. Voor de stedelijke locatie suggereerden de gegevens dat het hotel het risico actief kon beheren door de stortingsregels aan te passen voor specifieke groepen, zoals grote groepen of boekingen via reisbureaus. Voor het resort werd het risico gedreven door de aard van de gast en de timing van de boeking, wat betekende dat de beste reactie van het hotel het aanpassen van de prijzen en de overboekingsniveaus was, in plaats van te proberen het gedrag van de gast te veranderen. De onderzoekers merkten ook op dat de gegevens enkele eigenaardigheden hadden; bijvoorbeeld zorgde de manier waarop niet-restitueerbare boekingen in het systeem werden geregistreerd ervoor dat ze bijna zeker leken te annuleren, wat de belangrijkheid van die factor waarschijnlijk overdreef. Door deze eigenaardigheden te identificeren, voorkwam de studie dat managers tot valse conclusies zouden komen.

Uiteindelijk biedt dit onderzoek een praktische gids voor hotelmanagers die kunstmatige intelligentie willen gebruiken zonder misleid te worden door hype. Het demonstreert dat het meest waardevolle instrument niet het meest complexe algoritme is, maar een systeem dat eerlijk wordt getest, duidelijk wordt uitgelegd en wordt vertaald naar concrete cijfers. Door te scheiden wat een hotel kan controleren, zoals de annuleringsvoorwaarden, van wat het niet kan controleren, zoals de persoonlijke geschiedenis van een gast, biedt de studie een routekaart voor het nemen van slimmere beslissingen. Het laat zien dat hoewel computers de toekomst kunnen voorspellen, het uiteindelijke oordeel over hoe om te gaan met een risicovolle boeking nog steeds bij de menselijke manager ligt, gewapend met duidelijke informatie en een duidelijk begrip van de betrokken kosten.