Revenue manager готелю часто покладається на інтуїцію, що призводить до втрат до 15% доходу. Ми замінюємо інтуїцію на data-driven прогноз, який будуємо на основі LightGBM та кастомних фіч. Помилка в прогнозі occupancy призводить до переповненого ресторану або простоюючого персоналу — ми вирішуємо це через гранулярний аналіз OTB, pickup та cancellations. Наша команда має 10+ років досвіду в AI/ML та 30+ впроваджених проєктів у hospitality. Гарантуємо точність MAPE <5% на горизонті 14 днів після стабілізації моделі.
Архітектура системи прогнозування завантаження готелю
On-the-books (OTB) база — розробка AI системи
Поточний портфель бронювань — відправна точка. На дату за 30 днів OTB може передбачити фінальний occupancy з точністю 70–80% лише на основі існуючих броней.
Pickup прогноз
Скільки ще бронювань надійде від поточного моменту до дати заїзду. Патерн pickup специфічний для кожного готелю та сегменту. Ми використовуємо історичні криві pickup з вагами за сегментами.
def pickup_forecast(arrival_date, current_reservations, pickup_curves): """ Для кожного сегменту: історичний pickup до даного дня до arrival Приклад: business-сегмент бронює в середньому за 7 днів, leisure за 30 """ days_until_arrival = (arrival_date - today).days expected_pickup = {} for segment, curve in pickup_curves.items(): expected_pickup[segment] = curve.predict(days_until_arrival, current_reservations[segment]) return sum(expected_pickup.values()) Cancellation correction
Не всі бронювання реалізуються. Відміни залежать від lead time, типу тарифу (non-refundable — 0%) та каналу (OTA vs direct). No-show додає ще 2–5%. Модель прогнозує cancellation rate за сегментами, використовуючи історичні дані та lead time. Згідно з дослідженням Hospitality Technology, точне прогнозування відмін дозволяє знизити втрати на 10%. Додаємо feature cancellation_exposure — частку бронювань з high cancel rate, що покращує точність на 5–7%.
| Сегмент | Lead time 30+ днів | Lead time 7-14 днів |
|---|---|---|
| OTA | 30–40% | 10–15% |
| Direct | 15–20% | 5–8% |
| Corporate | 5–10% | 2–3% |
Feature Engineering
Приклад інжинірингу ознак
```python occupancy_features = { 'rooms_on_books': current_reservations, 'otb_vs_last_year_same_date': otb / last_year_otb, 'pace_index': otb_growth_rate, 'cancellation_exposure': high_cancel_rate_bookings, 'occupancy_same_date_last_year': historical_occupancy, 'occupancy_avg_dow_last_4w': avg_occupancy_day_of_week, 'convention_center_events': events_score, 'sports_events': sports_score, 'concerts': concert_score, 'graduation_season': graduation_flag, 'month': month, 'week_number': week_of_year, 'is_holiday': holiday_flag, 'school_holidays': school_holiday, 'competitor_sold_out': compset_availability_index, 'market_demand_index': str_market_demand } ```Ці ознаки дозволяють моделі враховувати як внутрішні тренди (OTB, pickup), так і зовнішні фактори (події, ринок). Важливість кожної ознаки оцінюється через SHAP values, що дає зрозумілий інтерпретований прогноз.
Моделі за горизонтом
| Горизонт | Фічі | MAPE | Модель |
|---|---|---|---|
| 1–14 днів | OTB + pickup + cancellation | <5% | LightGBM |
| 14–60 днів | OTB + події + seasonality | 8–12% | XGBoost + event embed |
| 60–365 днів | Seasonal decomp + macro | 15–25% | Prophet + trend |
LightGBM на short-term дає найкращу точність завдяки здатності захоплювати нелінійні взаємодії між OTB фічами. Порівняно з ARIMA, LightGBM знижує MAPE в 2 рази на горизонті 14 днів. Для середньострокових прогнозів використовуємо XGBoost з event embedding, для довгострокових — Prophet з сезонною декомпозицією.
Як інтеграція з PMS підвищує точність прогнозу?
Автоматичний імпорт бронювань з PMS кожні 4 години дозволяє перераховувати прогноз у реальному часі. При груповому бронюванні система тригерить перерахунок pickup forecast. Дашборд для revenue management оновлюється автоматично, що дає оперативну картину завантаження. Це знижує помилку прогнозу на 10–15% порівняно з ручним оновленням раз на день.
Крім того, ми інтегруємо дані STR (Smith Travel Research) для порівняння з конкурентним сетом. Market Penetration Index (MPI) дозволяє коригувати прогноз з урахуванням ринкової частки.
Метрики точності: D-1 forecast MAPE < 5%, D-7 forecast MAPE < 8%, D-30 forecast MAPE < 12%.
Сегментований прогноз готелю
Загальний occupancy — недостатньо. Потрібен розріз за сегментами гостей та типами номерів.
Сегменти гостей
- Transient leisure (FIT): найвища ціна, чутливий до ціноутворення
- Corporate: фіксовані ставки, передбачуваний патерн
- Groups & Meetings: бронюється заздалегідь, високий обсяг
- OTA vs. Direct: різна комісія та тип клієнта
Тип номера
- Стандарт / Делюкс / Сьют: різна ціна, різна еластичність попиту
- Single vs. Double: патерни завантаження відрізняються
Сегментований прогноз дає можливість застосувати dynamic pricing для кожного сегменту, що підвищує RevPAR на 5–8%. Додатковий виторг може бути суттєвим для готелю на 200 номерів.
Операційне планування
Staffing
Housekeeping: occupied_rooms × checkout_stayover_mix × min_per_room / 60 F&B: expected_guests × meal_plan_pct × meals_per_time_slot Front Desk: check-ins_per_hour / optimal_agent_load Точні прогнози occupancy дозволяють оптимізувати витрати на персонал та закупівлі. Наприклад, при прогнозі завантаження 80% housekeeping потрібно 12 осіб, при 50% — 8. Значна економія на персоналі.
Procurement
Прогноз сніданків → закупівля продуктів за 2–3 дні. Amenities — замовлення щотижня за прогнозом.
Maintenance scheduling
При прогнозованому низькому завантаженні → технічні роботи в номерах без втрати revenue.
Чому сегментований прогноз дає більше прибутку?
Сегментований прогноз дозволяє застосувати dynamic pricing для кожного сегменту. Наприклад, якщо leisure-сегмент показує високий pickup, можна підняти ціни на стандартні номери. Leisure-сегмент часто бронює ближче до дати і готовий платити більше при високому завантаженні. Сегментований підхід дозволяє піднімати ціни на стандартні номери, не зачіпаючи corporate блоки. Наш досвід показує зростання RevPAR на 5–8% після впровадження сегментованого прогнозу. Замовте розробку системи прогнозування завантаження готелю, щоб отримати аналогічні результати.
Як ми будуємо модель: покроковий процес
- Аналіз PMS-даних та виявлення зміщень.
- Feature engineering: OTB, pickup, events, competition.
- Навчання LightGBM з крос-валідацією за часом.
- A/B тест з поточним прогнозом на історичних даних.
- Деплой моделі на Kubernetes через MLflow.
- Моніторинг точності та автоматичний перерахунок при дрейфі даних.
- Безперервний моніторинг та ретренінг раз на тиждень.
Обсяг робіт та терміни
Входить:
- Аналіз PMS-даних та виявлення зміщень
- Feature engineering: OTB, pickup, events, competition
- Навчання та валідація LightGBM/XGBoost
- Дашборд для revenue management
- Документація по моделі та ETL
- Навчання співробітників
- Підтримка 3 місяці після деплою
Базовий occupancy forecast з LightGBM + OTB фічами — 4–5 тижнів. Сегментована система з календарем подій та операційним плануванням — 3–4 місяці. Вартість розраховується індивідуально після аудиту даних. Зв'яжіться з нами для попередньої оцінки. Отримайте консультацію щодо пілотного проєкту.