A carregar...
Publicação
Using machine learning and deep learning techniques to predict hotel booking cancellations
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.61 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Booking cancellations are one of the most concerning topics in the hotel industry. From
the revenue lost from canceled bookings, the uncertainty created in occupancy rates or
even the inaccuracy of the hotel’s resource management, the negative impacts of booking
cancellations are numerous, making it a sensitive subject for those working in the field.
To combat these obstacles, hotels have been forced to adopt strategies such as creating
cancellation policies or managing the sale of their rooms with overbooking. Although these
strategies are effective in controlling the negative impacts caused by booking cancellations,
they can also have a negative impact on a hotel’s reputation and customer satisfaction,
especially when it comes to overbooking.
This project aims to present a solution to help identify possible booking cancellations
by creating predictive models using machine learning and deep learning methodologies.
Based on the CRISP-DM paradigm and a real and current dataset of a Portuguese hotel
chain, this project addresses various techniques used in the creation of binary classification
models, from data processing to modeling and model evaluation.
Given the constant superiority of machine learning algorithms in models based on
tabular data, making deep learning solutions still not very viable in this field, this project
also seeks to test some deep learning architectures that have been developed in recent
years.
The machine learning model created using the XGBoost algorithm showed promising
results, with an AUC of 0.77 and a precision and recall of 0.93 and 0.54, respectively.
Although the results are not yet excellent, they show that the use of this solution is viable
and has room for further improvements.
O cancelamento de reservas é um dos temas que mais preocupações cria na indústria hoteleira. Desde a receita que é perdida pelas reservas canceladas, a imprevisibilidade criada na taxa de ocupação ou até a imprecisão na gestão de recursos dos próprios hotéis, os impactos negativos que advém do cancelamento de reservas são muitos, tornando-o um tema bastante sensível para quem trabalha na área. Para combater estas dificuldades, os hotéis viram-se obrigados a adotar estratégias como a criação de políticas de cancelamento ou a gestão da venda dos seus quartos em overbooking. Apesar de serem efetivas no controlo dos impactos negativos causados pelo cancelamento de reservas, as consequências da utilização destas estratégias também podem impactar negativamente a reputação dos hotéis e a satisfação do cliente, principalmente no tema do overbooking. O presente projeto visa apresentar uma solução para ajudar na identificação de pos- síveis cancelamentos de reservas, com a criação de modelos preditivos assentes nas metodologias de machine learning e deep learning. Usando como base o paradigma CRISP-DM e um dataset real e atual de uma cadeia de hotéis portuguesa, este projeto aborda várias técnicas utilizadas na criação de modelos de classificação binária, desde a parte de processamento dos dados até à modelação e avaliação dos modelos. Aliado à constante superioridade dos algoritmos de machine learning em modelos assentes em dados tabulares, tornando as soluções de deep learning ainda pouco viáveis neste campo, este projecto procura também testar algumas arquiteturas de deep learning que têm sido desenvolvidas nos últimos anos. O modelo de machine learning criado com a utilização do algoritmo XGBoost apre- sentou resultados promissores, com um AUC de 0.77 e uma precisão e um recall de 0.93 e 0.54, respetivamente. Apesar dos resultados ainda não serem excelentes, mostram que a utilização desta solução é viável e tem espaço para continuar a ser explorada.
O cancelamento de reservas é um dos temas que mais preocupações cria na indústria hoteleira. Desde a receita que é perdida pelas reservas canceladas, a imprevisibilidade criada na taxa de ocupação ou até a imprecisão na gestão de recursos dos próprios hotéis, os impactos negativos que advém do cancelamento de reservas são muitos, tornando-o um tema bastante sensível para quem trabalha na área. Para combater estas dificuldades, os hotéis viram-se obrigados a adotar estratégias como a criação de políticas de cancelamento ou a gestão da venda dos seus quartos em overbooking. Apesar de serem efetivas no controlo dos impactos negativos causados pelo cancelamento de reservas, as consequências da utilização destas estratégias também podem impactar negativamente a reputação dos hotéis e a satisfação do cliente, principalmente no tema do overbooking. O presente projeto visa apresentar uma solução para ajudar na identificação de pos- síveis cancelamentos de reservas, com a criação de modelos preditivos assentes nas metodologias de machine learning e deep learning. Usando como base o paradigma CRISP-DM e um dataset real e atual de uma cadeia de hotéis portuguesa, este projeto aborda várias técnicas utilizadas na criação de modelos de classificação binária, desde a parte de processamento dos dados até à modelação e avaliação dos modelos. Aliado à constante superioridade dos algoritmos de machine learning em modelos assentes em dados tabulares, tornando as soluções de deep learning ainda pouco viáveis neste campo, este projecto procura também testar algumas arquiteturas de deep learning que têm sido desenvolvidas nos últimos anos. O modelo de machine learning criado com a utilização do algoritmo XGBoost apre- sentou resultados promissores, com um AUC de 0.77 e uma precisão e um recall de 0.93 e 0.54, respetivamente. Apesar dos resultados ainda não serem excelentes, mostram que a utilização desta solução é viável e tem espaço para continuar a ser explorada.
Descrição
Palavras-chave
Machine learning Deep learning Predictive analytics Booking cancellations