BookingPredict AI
Domani sono attese 91 prenotazioni. Da quali cominciare se il tempo per le verifiche è poco? BookingPredict AI stima il rischio di disdetta tardiva o mancato arrivo. La reception sceglie chi contattare.
Cosa fa
Un dimostratore di Sabia Labs che usa il machine learning per aiutare la reception a scegliere quali prenotazioni verificare alla vigilia dell’arrivo.
A chi serve
Per chi organizza il turno di ricevimento e per i responsabili che vogliono capire quanto siano utili le segnalazioni nel proprio hotel.
Cosa semplifica
Dà un ordine di priorità agli arrivi già prenotati. L’operatore può vedere tutto il turno e decidere se una verifica merita il tempo di una telefonata.
Cosa puoi fare
- Controllare hotel e data prima di usare il file degli arrivi.
- Leggere il rischio di ogni prenotazione accanto alla media del turno e alla soglia di attenzione.
- Cercare il riferimento del gestionale e registrare chi chiamare, chi è già stato contattato e cosa ha risposto.
- Aprire la vista tecnica per confrontare modelli, simulare i costi dei contatti e controllare i cambiamenti nei dati.
Come si usa
L’operatore carica gli arrivi di una giornata da un CSV, controlla l’anteprima e conferma il turno. La vista Reception mostra tutte le prenotazioni in ordine di rischio. Dopo una chiamata, un collega può rileggere la risposta annotata. L’arrivo effettivo si registra separatamente.
Una giornata al City Hotel
Il 1° maggio 2017, 91 prenotazioni erano ancora attive per il giorno dopo. Con una soglia del 3%, la demo ne segnala due. Ciascuna ha un rischio stimato del 5%, contro il 2,1% medio del turno. Per il modello, su cento prenotazioni con quella stima circa cinque salterebbero. Anche per le due in cima alla lista, l’arrivo resta l’esito più probabile.
Come impara il modello
Il progetto usa l’archivio pubblico Hotel Booking Demand di due hotel portoghesi. Il modello impara da prenotazioni passate di cui si conosce l’esito. Per ogni prova si usano soltanto informazioni disponibili la sera prima dell’arrivo. I periodi di valutazione vengono dopo quelli usati per addestrare e calibrare il modello.
Quanti casi entrano davvero nella lista?
Abbiamo confrontato tre modelli su quattro periodi storici, con 19.650 prenotazioni e 403 disdette tardive o mancate presentazioni. Con un massimo di tre verifiche per hotel al giorno, ogni modello seleziona 1.284 prenotazioni. La regressione logistica intercetta 51 dei 403 eventi, XGBoost 49 e Random Forest 46. La maggior parte degli eventi resta fuori lista.
Quando vale la pena chiamare?
Nell’esempio, due telefonate da 2 € costano 4 €. Se ogni mancato arrivo costa 100 € e si ipotizza che chiamare eviti un quarto degli eventi fra i contattati, il beneficio atteso è 2,50 €. Il saldo ipotetico è quindi −1,50 €. Per misurare l’effetto di una chiamata servono interventi ed esiti osservati sul campo.
Fonte del benchmark
Dati pubblici Hotel booking demand datasets di Nuno Antonio, Ana de Almeida e Luis Nunes, © 2018, licenza CC BY 4.0. La giornata dimostrativa seleziona una coorte storica con codici pseudonimi. Non rappresenta il turno di un hotel cliente.
Dove finisce il benchmark
Questa prova riguarda le cancellazioni sulle prenotazioni già attive. Prevedere quante nuove prenotazioni arriveranno e scegliere le tariffe sono problemi diversi. Per usare il sistema in un altro hotel occorre verificare i punteggi sui suoi arrivi futuri e misurare costi e risultati dei contatti.
Quali arrivi controlleresti nel tuo hotel?
In una call tecnica possiamo partire dal tuo turno. Quante verifiche riesce a fare la reception? Quali dati erano disponibili prima dell’arrivo e quando si conosce l’esito? Da queste risposte si può definire una prova sulla tua struttura.