Predicting Hotel Booking Cancellations with Explainable Machine Learning: Implications for Revenue Management
本研究采用经时间外验证的机器学习模型（特别是 XGBoost）对公开数据集中的个体酒店预订取消情况进行预测，利用基于 SHAP 的可解释性来区分可操作驱动因素与固定因素，并将预测结果转化为用于留存干预的量化收益管理策略。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每一间酒店客房都面临着一种独特的空置问题。与可以为明天储存未售出商品的工厂不同，酒店客房是一种易腐性产品；如果客人没有入住，那一晚的收入就会永远消失。为了防止这种损失，酒店通常会接受超过实际房数的需求量，赌某些客人会取消预订或干脆不出现。这种做法被称为“超额预订”（overbooking），是一场微妙的平衡博弈。如果酒店的预测过于保守，就会因为空床而错失收益；如果预测过于激进，则面临着不得不拒绝持有有效预订的客人的风险，从而损害客人的信任和酒店的声誉。酒店管理人员的核心挑战在于，如何精准地识别哪些具体的预订极有可能流失，以便能够精确地调整预订数量，而不是仅仅依赖于对整个市场的笼统猜测。
多年来，研究人员一直试图利用能从历史数据中学习的计算机程序来解决这个难题。然而，其中许多尝试都存在缺陷，因为它们测试想法的方式并未反映现实生活。一些研究混淆了过去与未来的数据，导致计算机利用了在预测时刻本无法获取的信息。另一些研究则只关注如何获得最高的测试分数，而忽略了计算机的推理逻辑是否符合人类管理者的直觉。管理者无法信任一个他们无法理解的系统，尤其是在该系统犯错并导致酒店损失金钱时。因此，目标不仅仅是构建一个聪明的计算机，而是要构建一个诚实、透明且能为收入经理日常决策提供帮助的系统。
在一项新的研究中，研究人员致力于利用来自葡萄牙两家酒店（一家位于城市，另一家位于度假区）的数据来创建这样一个系统。他们分析了近12万份单独的预订记录，以观察是否可以预测哪些预订会在客人到达前被取消。为了确保结果值得信赖，他们设计了一个模拟现实条件的严格测试。他们利用过去的数据训练计算机模型，然后要求模型预测未来，且仅使用在预订发生那一刻即可获取的信息。他们还仔细剔除了任何可能是在客人已经取消预订后才被记录的数据点，从而确保计算机不会仅仅利用那些在预测时点尚不存在的信息。
研究人员对比了三种不同类型的计算机模型：一种是应用了数十年的标准统计方法，以及两种更擅长发现复杂模式的高级机器学习系统。最成功的模型是一种被称为 XGBoost 的复杂算法，它在区分“保留预订”与“取消预订”方面表现得略优于其他模型。然而，这种提升是适度的，并非巨大的飞跃。研究发现，虽然先进的计算机可以发现细微的线索，但设计良好的统计模型仍然捕捉到了大部分重要信息。这项研究真正的价值不在于发现了一种新的、神奇的算法，而在于证明了严谨、诚实的测试所产生的成功率要比以往许多研究声称的水平要低得多，也更符合现实。当研究人员剔除了那些在预测时点无法获取的数据点后，成功率从其他论文中看到的接近90%的高位，降到了更真实的70%至85%之间。
除了预测取消情况外，研究人员还希望了解计算机做出预测的“原因”。他们使用了一种技术，通过分解每项预测来展示哪些因素推高或降低了风险。这揭示了酒店可以改变的因素与只能通过定价来应对的因素之间的关键区别。在城市酒店，最强的信号来自于客人被要求的押金类型。数据显示，相比于灵活预订的订单，要求非退款条款的预订更有可能被取消，这一发现表明押金政策是管理风险的有力工具。在度假酒店，最重要的因素则是预订提前的天数以及客人的类型（例如是否属于旅行团）。
研究还展示了如何将这些预测转化为实际的业务决策。研究人员并没有简单地标注某项预订是否“高风险”，而是将计算机的信心度转化为一个具体的数值：即特定日期的预期取消数量。这使得管理者可以精确计算出可以安全额外出售多少间客房。他们还建立了一套明确的干预规则：如果某项预订被标记为高风险，管理者可以选择联系客人进行确认，或者要求支付押金。研究提供了一个基于“丢失一间房的成本”与“联系一位本不会取消的客人的困扰程度”之间的权衡方案。这种方法尊重了管理者的专业知识，为他们提供决策所需的数字，而不是强迫他们遵循僵化的计算机指令。
最重要的发现之一是，计算机的建议会根据酒店类型的不同而改变。对于城市物业，数据表明酒店可以通过针对特定群体（如大型团体或通过旅行社预订的订单）调整其押金规则，从而主动管理风险。对于度假酒店，风险更多是由客人的性质和预订的时机驱动的，这意味着酒店的最佳应对方式是调整定价和超额预订水平，而非试图改变客人的行为。研究人员还指出，数据中存在一些特性；例如，系统中记录非退款预订的方式使其看起来几乎肯定会被取消，这可能夸大了该因素的重要性。通过识别这些特性，该研究防止了管理者得出错误的结论。
最终，这项研究为那些希望利用人工智能而不被炒作误导的酒店管理者提供了实用指南。它证明了最有价值的工具并非最复杂的算法，而是一个经过诚实测试、解释清晰且能转化为具体数字的系统。通过将酒店可以控制的因素（如取消政策）与无法控制的因素（如客人的个人历史）区分开来，该研究提供了一份明智决策的路线图。它表明，虽然计算机可以帮助预测未来，但对于如何处理高风险预订的最终判断，依然属于掌握了清晰信息和成本意识的人类管理者。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。