Modello di previsione delle cancellazioni
Cancellation prediction
Il modello che assegna a ogni prenotazione a libro una probabilità di essere cancellata, così da stimare quante camere arriveranno davvero e quante se ne possono rivendere in anticipo.
Che cos’è
Un albergo con 90 camere occupate a libro per il 12 luglio non ha 90 camere occupate: ne ha un numero che dipende da quante di quelle prenotazioni resisteranno fino all’arrivo. Sapere quel numero cambia tre decisioni: quanto vendere in overbooking, quale prezzo tenere su una data che sembra piena, e quando smettere di accettare gruppi.
Il tasso medio di cancellazione risponde male alla domanda, perché mescola prenotazioni molto diverse. Un non rimborsabile entrato ieri per stanotte e una tariffa flessibile entrata otto mesi fa attraverso un intermediario non hanno la stessa probabilità di reggere. Il modello serve a distinguerle.
Le variabili che si possono usare davvero sono quelle scritte al momento della prenotazione o comunque prima della decisione. In pratica: anticipo fra prenotazione e arrivo, canale, segmento, tariffa e sua condizione di cancellazione, durata del soggiorno, numero di ospiti, presenza di bambini, mercato di provenienza, stagione e giorno della settimana dell’arrivo, storico del cliente se identificabile, e le modifiche già subite dalla prenotazione. Quest’ultima è potente: una prenotazione già modificata due volte cancella molto più della media.
Ci sono invece campi che sembrano ottimi e non si possono usare, perché vengono compilati all’arrivo: la camera fisicamente assegnata, il posto auto, l’esito del check-in, lo stato finale del deposito. Usarli produce un modello che sembra perfetto e non prevede nulla. È il caso classico di target leakage e va escluso in partenza.
Come si calcola
Il modello restituisce per ogni prenotazione una probabilità di cancellazione. Le camere attese per una data sono la somma delle probabilità complementari su tutte le prenotazioni a libro per quella notte.
La valutazione non si fa con l’accuratezza. Se su una data cancella poco meno di una prenotazione su tre, come nell’esempio più avanti, un modello che dice sempre nessuna cancellazione azzecca comunque circa sette risposte su dieci senza saper nulla. Servono altre tre misure. La capacità di ordinare correttamente le prenotazioni dalla più rischiosa alla meno rischiosa. La calibrazione, cioè il fatto che nel gruppo a cui il modello attribuisce il 20 per cento di rischio cancelli davvero circa il 20 per cento. E l’errore sul totale di camere attese per data, che è il numero che poi si usa.
Solo l’ultimo si traduce in denaro. Un modello ben ordinato ma mal calibrato produce previsioni di arrivi sbagliate e quindi overbooking sbagliati.
Hotel 130 camere, notte del 12 luglio, verifica a 30 giorni
- Prenotazioni a libro
- 118
- Tasso medio storico di cancellazione
- 28%
- Camere attese con il solo tasso medio
- 85
- Camere attese dal modello per prenotazione
- 97
- Camere effettivamente arrivate
- 99
- Errore del tasso medio
- 14 camere
- Errore del modello
- 2 camere
- Con il tasso medio si sarebbero aperte 12 camere in overbooking non necessario
- Rischio di walk evitato, valore stimato del walk 260 EUR a caso
Come si usa
Le probabilità servono a poco se restano in un cruscotto. Vanno tradotte in tre azioni. La prima è il calcolo delle camere attese, che sostituisce il numero a libro in ogni valutazione di date compresse. La seconda è la soglia di overbooking, che si costruisce sulla distribuzione degli arrivi attesi e sul costo di un walk. La terza è la richiesta di garanzia: sulle prenotazioni classificate ad alto rischio su date critiche si può chiedere una carta valida o proporre il passaggio a una tariffa prepagata con piccolo sconto.
Lunedì mattina, senza alcun modello, si ottiene metà del beneficio così: calcola il tasso di cancellazione separatamente per canale, per finestra di prenotazione in quattro classi e per condizione tariffaria. Sono dodici numeri e migliorano subito la stima degli arrivi rispetto alla media unica.
Il modello che impara da uno storico distorto dalle restrizioni
Le prenotazioni presenti nello storico sono solo quelle che hai accettato. Se per due anni hai chiuso la tariffa flessibile su tutte le date forti, il modello non vede quasi nessun flessibile su date forti e non sa che comportamento avrebbe. Quando poi apri quella tariffa, il modello sbaglia proprio dove serve. Vale lo stesso per i canali chiusi e per i segmenti bloccati. Chi costruisce il modello deve sapere quali restrizioni erano attive in ogni periodo dello storico, e quell’informazione sta nel channel manager, non nel gestionale.
Da non confondere con
La previsione di cancellazione non è il wash factor. Il wash factor è una percentuale applicata a un blocco gruppo per stimare quante camere si scioglieranno, ed è una regola aggregata basata sullo storico di quel tipo di cliente. Il modello lavora sulla singola prenotazione individuale e produce un numero diverso per ognuna. Nei fatti si usano insieme: il wash sui gruppi, il modello sul transient.
Non va confusa nemmeno con la previsione dei no-show. Il no-show è chi non cancella e non si presenta: si decide poche ore prima dell’arrivo, ha cause diverse e va stimato a parte, di solito nell’ultima settimana della finestra.