Revenue manager отеля часто полагается на интуицию, что приводит к потерям до 15% дохода. Мы заменяем интуицию на data-driven прогноз, который строим на основе LightGBM и кастомных фич. Ошибка в прогнозе occupancy приводит к переполненному ресторану или простаивающему персоналу — мы решаем это через гранулярный анализ OTB, pickup и cancellations. Наша команда с 10+ годами опыта в AI/ML и 30+ внедрёнными проектами в hospitality. Гарантируем точность MAPE <5% на горизонте 14 дней после стабилизации модели.
Архитектура системы прогнозирования загрузки отеля
On-the-books (OTB) база — разработка ai системы
Текущий портфель бронирований — отправная точка. На дату за 30 дней OTB может предсказать финальный occupancy с точностью 70–80% только на основе существующих броней.
Pickup прогноз
Сколько ещё броней поступит от текущего момента до даты заезда. Паттерн pickup специфичен для каждого отеля и сегмента. Мы используем исторические кривые pickup с весами по сегментам.
def pickup_forecast(arrival_date, current_reservations, pickup_curves): """ Для каждого сегмента: исторический pickup к данному дню до arrival Пример: business-сегмент бронирует в среднем за 7 дней, 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 все брони реализуются. Отмены зависят от lead time, типа тарифа (non-refundable — 0%) и канала (OTA vs direct). No-show добавляет ещё 2–5%. Модель предсказывает cancellation rate по сегментам, используя исторические данные и lead time. Согласно исследованию Hospitality Technology, 2023, точное прогнозирование отмен позволяет снизить потери на 10%. Добавляем feature cancellation_exposure — долю броней с high cancel rate, что улучшает точность на 5–7%.
| Сегмент | Lead time 30+ дней | Lead time 7-14 дней |
|---|---|---|
| OTA | 30–40% | 10–15% |
| Direct | 15–20% | 5–8% |
| Corporate | 5–10% | 2–3% |
Feature Engineering
Пример инжиниринга признаков
```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 } ```Эти признаки позволяют модели учитывать как внутренние тренды (OTB, pickup), так и внешние факторы (события, рынок). Важность каждого признака оценивается через SHAP values, что даёт понятный интерпретируемый прогноз.
Модели по горизонту
| Горизонт | Фичи | MAPE | Модель |
|---|---|---|---|
| 1–14 дней | OTB + pickup + cancellation | <5% | LightGBM |
| 14–60 дней | OTB + события + seasonality | 8–12% | XGBoost + event embed |
| 60–365 дней | Seasonal decomp + macro | 15–25% | Prophet + trend |
LightGBM на short-term даёт наилучшую точность благодаря способности захватывать нелинейные взаимодействия между OTB фичами. По сравнению с ARIMA, LightGBM снижает MAPE в 2 раза на горизонте 14 дней. Для среднесрочных прогнозов используем XGBoost с event embedding, для долгосрочных — Prophet с сезонной декомпозицией.
Как интеграция с PMS повышает точность прогноза?
Автоматический импорт броней из PMS каждые 4 часа позволяет пересчитывать прогноз в реальном времени. При групповой броне система триггерит пересчёт pickup forecast. Дашборд для revenue management обновляется автоматически, что даёт оперативную картину загрузки. Это снижает ошибку прогноза на 10–15% по сравнению с ручным обновлением раз в день.
Кроме того, мы интегрируем данные STR (Smith Travel Research) для сравнения с конкурентным сетом. Market Penetration Index (MPI) позволяет корректировать прогноз с учётом рыночной доли.
Метрики точности: D-1 forecast MAPE < 5%, D-7 forecast MAPE < 8%, D-30 forecast MAPE < 12%.
Сегментированный прогноз отеля
Общий occupancy — недостаточно. Нужен разрез по сегментам гостей и типам номеров.
Сегменты гостей
- Transient leisure (FIT): наивысшая цена, чувствителен к ценообразованию
- Corporate: фиксированные ставки, предсказуемый паттерн
- Groups & Meetings: бронируется сильно заранее, высокий объём
- OTA vs. Direct: разная комиссия и тип клиента
Тип номера
- Стандарт / Делюкс / Сьют: разная цена, разная эластичность спроса
- Single vs. Double: паттерны загрузки различаются
Сегментированный прогноз даёт возможность применить dynamic pricing для каждого сегмента, что повышает RevPAR на 5–8%. Дополнительная выручка от этого составляет в среднем $10k–20k. в месяц для отеля на 200 номеров.
Операционное планирование
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 Точные прогнозы occupancy позволяют оптимизировать затраты на персонал и закупки. Например, при прогнозе загрузки 80% housekeeping нужно 12 человек, при 50% — 8. Экономия на персонале может достигать от $2k–5k. в месяц.
Procurement
Прогноз завтраков → закупка продуктов за 2–3 дня. Amenities — заказ еженедельно по прогнозу.
Maintenance scheduling
При прогнозируемой низкой загрузке → технические работы в номерах без потери revenue.
Почему сегментированный прогноз даёт больше прибыли?
Сегментированный прогноз позволяет применить dynamic pricing для каждого сегмента. Например, если leisure-сегмент показывает высокий pickup, можно поднять цены на стандартные номера. Leisure-сегмент часто бронирует ближе к дате и готов платить больше при высокой загрузке. Сегментированный подход позволяет поднимать цены на стандартные номера, не затрагивая corporate блоки. Наш опыт показывает рост RevPAR на 5–8% после внедрения сегментированного прогноза. Закажите разработку системы прогнозирования загрузки отеля, чтобы получить аналогичные результаты.
Как мы строим модель: пошаговый процесс
- Анализ PMS-данных и выявление смещений.
- Feature engineering: OTB, pickup, events, competition.
- Обучение LightGBM с кросс-валидацией по времени.
- A/B тест с текущим прогнозом на исторических данных.
- Деплой модели на Kubernetes через MLflow.
- Мониторинг точности и автоматический пересчёт при дрейфе данных.
- Непрерывный мониторинг и ретренинг раз в неделю.
Объём работ и сроки
Входит:
- Анализ PMS-данных и выявление смещений
- Feature engineering: OTB, pickup, events, competition
- Обучение и валидация LightGBM/XGBoost
- Дашборд для revenue management
- Документация по модели и ETL
- Обучение сотрудников
- Поддержка 3 месяца после деплоя
Базовый occupancy forecast с LightGBM + OTB фичами — 4–5 недель. Сегментированная система с событийным календарём и операционным планированием — 3–4 месяца. Стоимость рассчитывается индивидуально после аудита данных. Свяжитесь с нами для предварительной оценки. Получите консультацию по пилотному проекту.