НИУ ВШЭ: Платформа предиктивной маркетинговой аналитики для индустрии гостеприимства

Основная статья: Определение Business Intelligence

2023: Создание платформы предиктивной маркетинговой аналитики

Учёные Центра искусственного интеллекта НИУ ВШЭ совместно с с АО «Новое сервисное бюро» разработали и на июль 2023 года тестируют для 6 отелей, расположенных в Ленинградской области и Карелии (курорт «Игора», парк-отель «Дача Винтера», отели «Точка на карте» в Приозерске, Сортавала, Видлица, Лодейное Поле) платформу предиктивной маркетинговой аналитики для индустрии гостеприимства. Об этом НИУ ВШЭ сообщила 24 июля 2023 года.

Платформа предиктивной маркетинговой аналитики обрабатывает данные о числе бронирований, их атрибутов (количество суток проживания, число дней до предполагаемого заселения, срок с момента бронирования, размер внесенной предоплаты, канал продаж и др.), посетителей сайтов, конверсии кликов на сайте, маркетинговых активностей, медиаплана, динамики погодной обстановки с целью прогнозирования спроса на гостиничные и иные услуги на основе интеллектуального алгоритма отбора признаков и автоматического построения модели.

Платформа обеспечивает выполнение следующих функций: функции соединения данных различной природы, инжиниринг факторов, процедура отбора значимых факторов, машинное обучение разработанной модели для прогноза числа бронирований, функции оценки вероятности отмены бронирования. Платформа автоматически объединяет потоки данных из внешних источников и выстраивает их в базу данных, решая проблему различной природы информации.Дмитрий Бородачев, DатаРу Облако: Наше преимущество — мультивендорная модель предоставления облачных услуг

Прогноз различных целевых переменных, таких как число бронирований, число номеро-ночей и др. реализованы с помощью алгоритмов машинного обучения с учетом трендовой и сезонной декомпозиции временных рядов. При разработке платформы были протестированы различные алгоритмы для построения моделей.

С помощью процедуры скользящей кросс-валидации по времени и расчету метрик точности на исторических данных был определен наилучший набор моделей. Логика работы моделей позволяет формировать прогноз в разрезе каждой комбинации отеля и класса номера.

Для статистической обработки данных разработан автоматизированный сервис запуска по расписанию скрипта модели, что дополнительно повышает точность каждого следующего прогноза. Использование технологий машинного обучения существенно повысили скорость обработки расчетов: прогноз спроса рассчитывается до одного часа.

Всего в процессе разработки было обучено 756 моделей машинного обучения на 7 различных временных периодах, сконструировано и изучено более 2600 факторов, проведено 2268 экспериментов с замером точности моделей на различных горизонтах прогнозирования. Точность прогноза спроса по горизонту составляет до 94%.

Разработку фронтенд, сервиса сбора и доступа к базе данных платформы предиктивной аналитики осуществила ИТ-компания из г. Санкт-Петербург «Активика».

Разработанное программное обеспечение позволит отелям России эффективнее планировать и реализовывать маркетинговые активности, оптимизировать настройки проводимых рекламных кампаний на фоне сокращения глубины бронирования и изменчивого спроса.