Розробка AI-системи персоналізації гостьового досвіду в готелі

Гість заїжджає в люксовий готель втретє, а на ресепшені — стандартне «Ласкаво просимо». Дані про попередні візити розрізнені: бронювання в PMS, відгуки в CRM, вподобання в системі лояльності — між ними немає автоматичного зв'язку. В результаті кожен заїзд починається з нуля, хоча історія говорить про вподобання. Тим часом Hilton та Marriott вже використовують AI-профілювання: номер налаштовується під вподобання до приїзду, а пропозиції враховують історію. Результат — RevPAR +15–20%, NPS +12–18 пунктів, і повторні візити зростають в 1.5 рази швидше, ніж у конкурентів.

Ми розробили систему персоналізації гостьового досвіду, яка вбудовується у вашу PMS та CRM. Система об'єднує дані з PMS, CRM, відгуків та зовнішніх джерел, будуючи єдиний профіль гостя з більш ніж 30 характеристиками — від бажаного поверху до середнього чеку в ресторані. За 3–4 місяці ви отримуєте працюючий движок: уніфікація профілів, передзаїздна підготовка, динамічне ціноутворення. За даними McKinsey, персоналізований підхід підвищує лояльність гостей на 20% і збільшує середній чек на 15% за рахунок проактивних пропозицій. Оцінимо ваш проект безкоштовно — зв'яжіться з нами.

Чому персоналізація в готелі — не опція, а необхідність?

Повторні гості приносять 60% виручки в luxury-сегменті. Якщо не працювати з їхньою історією, вони йдуть до конкурентів. AI вирішує три ключові завдання:

• Передзаїздна підготовка: номер вже готовий з урахуванням вподобань (температура, тип подушок, вітальний набір).
• Проактивні пропозиції: спа, ресторани, екскурсії — персоналізовані під профіль.
• Динамічне ціноутворення: лояльні гості отримують знижку, а у високий сезон ставки коригуються за завантаженням.

Система окупається менше ніж за рік. Середній incremental revenue з персоналізованого гостя — $45–80 за ніч, а економія на маркетингових витратах досягає $15 на гостя за рахунок таргетування.

Як ми будуємо профіль гостя?

Ми об'єднуємо дані з трьох джерел: історія бронювань, CRM-записи (статус лояльності, dietary), зворотний зв'язок (відгуки, оцінки). Кожен профіль містить ~30 полів — від типового поверху до середнього чеку в ресторані.

Код нижче показує, як будується уніфікований профіль і як LLM генерує персоналізований лист.

import pandas as pd
import numpy as np
from anthropic import Anthropic
import json

class GuestProfileManager:
    """Управление профилем гостя из всех источников данных"""

    def build_unified_profile(self, guest_id: str,
                               booking_history: pd.DataFrame,
                               feedback_data: pd.DataFrame,
                               crm_data: dict) -> dict:
        """Объединённый профиль из истории, отзывов и CRM"""
        guest_stays = booking_history[booking_history['guest_id'] == guest_id]

        if guest_stays.empty:
            return {'guest_id': guest_id, 'is_new_guest': True}

        # Предпочтения из истории
        profile = {
            'guest_id': guest_id,
            'is_new_guest': False,
            'total_stays': len(guest_stays),
            'avg_spend_per_night': guest_stays['revenue_per_night'].mean(),
            # Предпочтения номера
            'preferred_room_type': guest_stays['room_type'].mode().iloc[0] if len(guest_stays) > 0 else 'standard',
            'preferred_floor': self._infer_floor_preference(guest_stays),
            'prefers_high_floor': (guest_stays['floor'] > 5).mean() > 0.6,
            'prefers_quiet_room': guest_stays.get('quiet_room_requested', pd.Series([False])).mean() > 0.5,
            # Предпочтения питания
            'preferred_breakfast': guest_stays.get('breakfast_option', pd.Series(['buffet'])).mode().iloc[0],
            'dietary_restrictions': crm_data.get('dietary', []),
            'avg_restaurant_spend': guest_stays.get('f_and_b_spend', pd.Series([0])).mean(),
            # Дополнительные услуги
            'typically_uses_spa': guest_stays.get('spa_used', pd.Series([False])).mean() > 0.4,
            'typically_uses_gym': guest_stays.get('gym_visits', pd.Series([0])).mean() > 0.5,
            'late_checkout_history': guest_stays.get('late_checkout', pd.Series([False])).mean() > 0.3,
            # Поведенческий профиль
            'travel_purpose': self._infer_travel_purpose(guest_stays, crm_data),
            'loyalty_tier': crm_data.get('loyalty_tier', 'standard'),
        }

        # Анализ отзывов для выявления паттернов
        guest_feedback = feedback_data[feedback_data['guest_id'] == guest_id]
        if not guest_feedback.empty:
            profile['sentiment_themes'] = self._extract_sentiment_themes(guest_feedback)

        return profile

    def _infer_floor_preference(self, stays: pd.DataFrame) -> str:
        if 'floor' not in stays.columns:
            return 'no_preference'
        avg_floor = stays['floor'].mean()
        if avg_floor > 8:
            return 'high'
        elif avg_floor < 3:
            return 'low'
        return 'mid'

    def _infer_travel_purpose(self, stays: pd.DataFrame, crm: dict) -> str:
        if crm.get('company_name'):
            return 'business'
        # По дням заезда: пт-вс = leisure, пн-чт = business
        if 'checkin_weekday' in stays.columns:
            weekend_ratio = stays['checkin_weekday'].isin([4, 5, 6]).mean()
            return 'leisure' if weekend_ratio > 0.6 else 'business'
        return 'mixed'

    def _extract_sentiment_themes(self, feedback: pd.DataFrame) -> list[str]:
        positive_reviews = feedback[feedback['rating'] >= 4]['text'].tolist()
        themes = []
        # Упрощённое извлечение тем — в production: NLP topic modeling
        keywords = {'bed': 'comfortable_bed', 'pool': 'pool_lover', 'service': 'service_focused',
                    'quiet': 'prefers_quiet', 'breakfast': 'breakfast_fan'}
        for review in positive_reviews[:10]:
            for kw, theme in keywords.items():
                if kw in review.lower() and theme not in themes:
                    themes.append(theme)
        return themes[:5]


class PreArrivalPersonalizer:
    """Персонализация до заезда гостя"""

    def __init__(self):
        self.llm = Anthropic()

    def prepare_room_settings(self, guest_profile: dict,
                               available_rooms: list[dict]) -> dict:
        """Подготовка номера под предпочтения гостя"""
        preferred_type = guest_profile.get('preferred_room_type', 'standard')
        prefers_high = guest_profile.get('prefers_high_floor', False)
        prefers_quiet = guest_profile.get('prefers_quiet_room', False)

        # Выбор лучшего доступного номера
        scored_rooms = []
        for room in available_rooms:
            score = 0
            if room.get('type') == preferred_type:
                score += 3
            if prefers_high and room.get('floor', 0) > 5:
                score += 2
            if prefers_quiet and room.get('wing') == 'quiet':
                score += 2
            # Лояльные гости получают апгрейд
            if guest_profile.get('loyalty_tier') in ['gold', 'platinum']:
                if room.get('is_upgrade_eligible'):
                    score += 1
            scored_rooms.append({**room, 'score': score})

        best_room = max(scored_rooms, key=lambda x: x['score']) if scored_rooms else {}

        # Настройки номера к приезду
        room_setup = {
            'room_number': best_room.get('number'),
            'temperature_c': 21 if guest_profile.get('travel_purpose') == 'business' else 22,
            'pillow_type': 'firm' if 'comfortable_bed' not in guest_profile.get('sentiment_themes', []) else 'soft',
            'welcome_amenities': self._select_amenities(guest_profile),
            'minibar_stocked': guest_profile.get('avg_spend_per_night', 0) > 150,
        }

        return room_setup

    def _select_amenities(self, profile: dict) -> list[str]:
        amenities = ['welcome_card']
        if profile.get('total_stays', 0) > 5:
            amenities.append('loyalty_gift')
        if profile.get('travel_purpose') == 'business':
            amenities.extend(['bottled_water', 'charging_station'])
        if profile.get('typically_uses_spa'):
            amenities.append('spa_welcome_kit')
        return amenities

    def generate_pre_arrival_email(self, guest_profile: dict,
                                    booking: dict) -> str:
        """Персонализированное письмо до заезда"""
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=300,
            messages=[{
                "role": "user",
                "content": f"""Write a personalized pre-arrival email for a hotel guest.

Guest: {guest_profile.get('total_stays', 0)} previous stays, {guest_profile.get('loyalty_tier')} member
Travel purpose: {guest_profile.get('travel_purpose', 'leisure')}
Arrives: {booking.get('checkin_date', 'soon')}
Special preferences: {guest_profile.get('sentiment_themes', [])}

Write in Russian. Include:
1. Warm personalized welcome (mention loyalty status if gold/platinum)
2. One specific upgrade or perk based on their profile
3. 2 relevant offers (spa/restaurant/local experiences)
4. Check-in info (online check-in available)

Avoid generic phrases. Be specific and genuine. 150-200 words."""
            }]
        )
        return response.content[0].text


class DynamicRevenueOptimizer:
    """Revenue management с AI персонализацией"""

    def calculate_personalized_rate(self, guest_profile: dict,
                                     base_rate: float,
                                     hotel_occupancy: float) -> dict:
        """Персонализированная ставка с учётом ценности гостя"""
        # Лояльные гости получают скидку
        loyalty_discount = {
            'standard': 0.0,
            'silver': 0.05,
            'gold': 0.10,
            'platinum': 0.15
        }.get(guest_profile.get('loyalty_tier', 'standard'), 0.0)

        # Динамический коэффициент загрузки
        if hotel_occupancy > 0.85:
            occupancy_multiplier = 1.2
        elif hotel_occupancy > 0.70:
            occupancy_multiplier = 1.0
        else:
            occupancy_multiplier = 0.9

        final_rate = base_rate * occupancy_multiplier * (1 - loyalty_discount)

        return {
            'base_rate': base_rate,
            'personalized_rate': round(final_rate, 2),
            'loyalty_savings': round(base_rate * loyalty_discount, 2),
            'rate_type': 'member_rate' if loyalty_discount > 0 else 'standard'
        }

Які компоненти входять до системи?

Ми постачаємо проект «під ключ»:

• Аудит даних: аналіз наявних джерел, очищення, побудова DWH.
• Уніфікований профіль: pipeline на Python + Spark для щоденної обробки.
• LLM-генерація: кастомні промпти для листів та рекомендацій з RAG-подібною вибіркою.
• Dashboard: моніторинг метрик (конверсія, середній чек, NPS).
• Інтеграція: API з PMS, CRM, системою управління номерами.
• Навчання: документація, воркшопи для команди, пост-релізна підтримка на місяць.

Мікроперсоналізація: якщо гість у відгуку згадав, що йому сподобалися круасани, а номер був шумним, система запам'ятає це і наступного разу запропонує номер у тихому крилі та круасани на сніданок. Це підвищує лояльність та середній чек.

Процес роботи

1. Аналітика (2-4 тижні): аудит даних, інтерв'ю з менеджерами, специфікація.
2. Проектування (2 тижні): архітектура, вибір LLM, прототип на синтетичних даних.
3. Розробка (4-8 тижнів): pipeline профілів, модуль листів, ціноутворення.
4. Тестування (2 тижні): A/B-тест на 10% гостей, порівняння з контрольною групою.
5. Деплой (1 тиждень): roll out на 100%, моніторинг, fine-tuning.

Терміни

Вартість розраховується індивідуально під ваш стек та обсяг даних. Для точної оцінки надішліть нам опис поточної інфраструктури — ми підготуємо комерційну пропозицію.

Чому обирають нас?

• 5+ років досвіду в AI для hospitality (проекти для мережевих та бутик-готелів в Європі та СНД).
• Працюємо з RevPAR як основною метрикою — ваш прибуток, а не кількість фіч.
• Гарантуємо прозорість: ви отримуєте не лише код, а й документацію, дашборди та навчену команду.

Готові обговорити ваш проект? Зв'яжіться з нами — безкоштовно оцінимо дані та надамо план впровадження.

Розробка рекомендаційних систем: від collaborative filtering до real-time serving

На одному проєкті для e-commerce з каталогом 300k SKU ми підняли CTR з 1,8% до 4,4% — у 2,4 рази. Перший ривок дала колаборативна фільтрація замість «популярне за останні 7 днів», другий — додавання контентних ознак та re-ranking. Різниця між «показуємо популярне» і «показуємо персоналізоване» — вимірна та суттєва. Нижче — інженерний досвід, який допоміг це зробити, і архітектури, які реально працюють у продакшені.

Collaborative Filtering: матрична факторизація та нейронні підходи

Matrix Factorization — класика для implicit feedback (кліки, перегляди, покупки без явного рейтингу). ALS (Alternating Least Squares) у бібліотеці Implicit обробляє матриці user×item із сотнями мільйонів ненульових значень за хвилини на GPU. Latent factors 64–256, регуляризація λ=0.01–0.1 — стартові параметри. Проблема cold start: для нового користувача або товару немає історії — класичний CF безпорадний, потрібні контентні ознаки або гібрид.

Neural Collaborative Filtering (NCF) замінює скалярний добуток на нейромережу. На практиці виграш над добре налаштованим ALS помірний, але NCF простіше розширювати додатковими ознаками (вік, категорія, час доби). Sequence-aware моделі (SASRec, BERT4Rec) враховують порядок взаємодій — state-of-the-art для сесійних рекомендацій.

Як вибрати архітектуру рекомендаційної системи?

Відповідь залежить від даних, навантаження та вимог до холодного старту. Нижче — три основні підходи з критеріями вибору.

Гібридна архітектура на 20–40% ефективніша за чистий CF за покриттям long-tail — перевірено на каталогах від 100k SKU.

Content-Based Filtering: коли історії взаємодій мало

Content-based рекомендує на основі характеристик товарів, а не поведінки інших користувачів — вирішує cold start для нових items. Текстові ембединги через sentence-transformers (multilingual-e5-base, BGE-M3) → пошук схожих через FAISS IndexFlatIP — запит за <5 ms на 100k товарів. Item2Vec (Word2Vec на послідовностях переглядів) дає інтерпретовані «схожі товари» за пару годин навчання.

Структуровані ознаки (категорія, бренд, ціна) подаються через embedding layers або в gradient boosting — CatBoost працює з категоріями без ручного кодування.

Чому гібридні моделі працюють краще?

Production-системи майже завжди дворівневі. Stage 1 (Retrieval) — швидкий відбір 100–500 кандидатів із 300k товарів через ALS або Two-Tower модель з векторним пошуком (FAISS, Qdrant). Stage 2 (Ranking) — важкий ранжувальник на LightGBM або нейромережі з cross-features, часом, пристроєм та контекстом сесії. LightFM — хороша відправна точка для середнього масштабу без важкої інфраструктури. Наша практика показує: перехід від single-stage до two-stage дає приріст точності на 15–25% при зростанні latency всього на 20–30 мс.

Real-Time Serving: архітектура під навантаження

Latency SLA — 50–100 ms при тисячах запитів на секунду. Base-рекомендації precompute (batch job раз на годину) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для подій (кліки, додавання в кошик) → оновлення контекстних ознак. Feature serving — Redis з TTL (кількість переглядів за 24 години, останній клікнутий item). При навантаженні 10k req/s ставимо Redis Cluster з реплікацією.

A/B тестування — єдиний достовірний спосіб оцінити покращення. Офлайн-метрики корелюють з онлайн не завжди. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обов'язкове читання для команди. Тест з 5–10% трафіку, моніторинг CTR, конверсії, revenue per session. Одна з наших клієнтських систем після гібридизації збільшила виручку на 18% за місяць A/B.

Терміни розробки рекомендаційної системи

Етапи та типові часові витрати — у таблиці нижче. Вартість розраховується індивідуально під масштаб каталогу та вимоги до latency.

Що входить у розробку під ключ

1. Аудит даних — щільність матриці user×item (зазвичай <0,1%), розподіл активності, temporal паттерни, cold start статистика.
2. Baseline — «популярне» як простий поріг, який часто важко перевершити.
3. Ітеративне покращення — ALS → контентні ознаки → two-stage → sequence-aware. Кожен крок з A/B.
4. Інфраструктура serving — batch precomputation, Redis, real-time re-ranking, моніторинг у Grafana.
5. Документація — model card з метриками, інструкція з деплою, опис ознак.
6. Навчання команди — сесія з інтерпретації результатів та донавчання моделі.
7. Підтримка — 1 місяць після запуску (фікс інцидентів, доналаштування pipeline).

Ми — команда з 7+ роками досвіду в рекомендаційних системах, реалізували понад 30 проєктів для e-commerce та медіа. Гарантуємо прозоре A/B-тестування та фіксацію покращення метрик.

Хочете оцінити потенціал зростання вашого каталогу? Зв'яжіться з нами для безкоштовного аудиту даних. Замовте розробку рекомендаційної системи — перший прототип протягом двох тижнів.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Більше про математику рекомендаційних систем — у Wikipedia.