Как предиктивная аналитика меняет гостиничный бизнес в России

Расскажу о нашем опыте собственной разработки «с нуля» полностью российской системы предиктивной аналитики для гостиничного бизнеса на базе технологий искусственного интеллекта и ее практическом применении. Для начала сделаю краткое отступление, почему мы занялись этой темой.

Динамичный рынок требует новых бизнес‑стратегий

Этот тренд открывает новые возможности для гостиниц, глэмпингов и других видов размещения, но одновременно усиливает конкуренцию и ставит перед гостиничным бизнесом сложные вопросы в части организации маркетинга и продаж.

Сезонность и неравномерная загрузка. В индустрии гостеприимства летом спрос на отдых резко возрастает, тогда как в низкий сезон гостиницы сталкиваются с недозагрузкой. По данным Росстата, в 2024 г. почти треть гостей от общего годового потока останавливались в коллективных средствах размещения летом.

Strategy Partners приводит другой показатель на основе опросов: 86% жителей Москвы ежегодно планируют свое путешествие с июня по август.

Усиление конкуренции. Индустрия гостеприимства — это высококонкурентный рынок. В России работает более 33 тыс. коллективных средств размещения на 1,15 млн номеров. В 2025 году ожидается ввод еще 10 тыс. новых номеров.

Параллельно растет и конкуренция за внимание клиента: наши исследования показывают, что сегодня гость перед бронированием в среднем 9 раз взаимодействует с брендом (через отзывы, рекламу, соцсети), тогда как еще несколько лет назад этот показатель составлял 6 касаний.

Усиливает данный вызов и рост стоимости привлечения клиентов в гостиницы — сказывается медиа- и диджитал‑инфляция в закупке рекламы, которая растет последние годы в среднем на уровне 15 — 30%.

При этом стандартные решения от OTA‑платформ (online travel agencies) и агрегаторов сводятся к шаблонным предложениям: повышение агентских вознаграждений, платные программы продвижения без гарантий результата и рекомендации делать больше скидок. Они часто увеличивают затраты, не обеспечивая роста количества бронирований.

Негибкое ценообразование. Большинство гостиниц уже научились использовать в своей практике динамическое ценообразование. Это, пожалуй, самый эффективный метод управления ценами: учитываются цены конкурентов, загрузка номеров, событийный календарь ближайших локаций и другие факторы.

Однако отельеры продолжают сталкиваться с рядом сложностей:

1. Недостаток актуальных данных для оптимального выбора цены в текущий момент и при прогнозировании.
2. Отставание цен от спроса. Например, продажа номеров дешевле в период пиковой загрузки или дороже в период, когда есть экономически неоправданный “простой” номеров.
3. Ручная аналитика, отслеживание трендов и корректировка цен, требующая значительных временных затрат, не позволяет оперативно реагировать на изменения спроса.

В таких условиях гостиницам необходим переход на управление, основанное на данных (data‑driven концепция). Традиционные методы и подходы анализа, такие как, конкурентные бенчмарки по показателям загрузки, ключевым показателям, сравнению цен, уже не справляются с динамикой рынка и отстают от быстро меняющейся среды.

Стандартные BI‑отчеты работают как «зеркало заднего вида» — они базируются либо на исторических данных, либо на статистике совершенных бронирований «в глубину».

Поэтому и нужны предиктивные модели, которые позволят отельерам перейти от реактивного к проактивному управлению, к системе опережающих индикаторов, повышая доходность и устойчивость бизнеса в условиях растущей конкуренции.

В следующей части разберем, какие технологии мы реализовали у себя для решения данных задач.

Какие задачи и как решаем

Предиктивная аналитика — это метод прогнозирования будущих наиболее вероятных событий на основе глубокого анализа данных. В отличие от описательной аналитики, которая отвечает на вопрос «Что произошло?», предиктивные модели дают ответ на вопрос «Что может произойти?».

Многие аналитики, в том числе, в индустрии гостеприимства, предпочитают использовать при прогнозировании спроса простые методы в Excel, такие как экстраполяция тренда, экспоненциальное сглаживание, скользящие средние, стандартные отклонения и т.п. Во многом это обусловлено легкостью в интерпретации. Справедливости ради, они могут быть эффективными для определённых задач.

Однако, эти подходы не всегда точны, чреваты перепрогнозированием и недопрогнозированием, а также не учитывают всю доступную информацию.

При разработке архитектуры системы предиктивной аналитики нами был сделан фокус на решении следующих бизнес‑задач:

1. Прогнозирование спроса для управления ценообразованием и расходами на маркетинг.
2. Оценка эластичности спроса к ценам для подбора оптимальной стратегии динамического ценообразования.
3. Скоринговая оценка вероятности заезда гостей в гостиницы для управления факторами, влияющими на отмену.

Пилотными участниками для внедрения системы стали 6 отелей Ленинградской области и Республики Карелия.

В ходе проекта было обучено более 750 моделей машинного обучения и проведено свыше 2 300 экспериментов. Система автоматически собирает и агрегирует данные из разнородных источников, включая:

• динамику бронирований и их характеристики,
• активность посетителей сайтов,
• конверсию кликов на сайте,
• маркетинговые кампании,
• погодные условия и другие специфические отраслевые параметры.

Всего анализируется более 2 600 параметров, измеряемых с разной периодичностью — от ежедневных до получасовых метрик. Это позволяет учитывать комплексное влияние факторов на спрос, а не просто опираться на исторические тренды.

Логика работы моделей позволяет формировать прогноз по различным комбинациям отелей и категорий номеров. Такое прогнозирование помогает эффективно управлять доходами объекта размещения и оперативно реагировать на критические отклонения.

Барьеры на пути

Рассмотрим основные препятствия.

Кроме того, на прогнозирование влияют такие специфические факторы индустрии гостеприимства, как:

• сезонность загрузки;
• условия раннего бронирования (скидки, спецпредложения, гибкие тарифы);
• влияние внешних факторов: например, погодные условия, изменения в транспортной инфраструктуре;
• условия оплаты брони;
• множественность каналов бронирования — агрегаторы, прямые бронирования, корпоративные клиенты, туроператоры и т.п.

Сбор данных и обучение моделей. Сбор обучающей выборки — это, как правило, «боль». Пропуски, отсутствие согласованной структуры данных и списка факторов, шумы, человеческое влияние часто на практике превращают этот процесс в сложную и ресурсоемкую задачу.

Дополнительно, чтобы модели заработали, нужно достаточное количество наблюдений в разрезе отелей и номеров. В нашем случае на основе реальных данных пилотных участников внедрения рекомендуется применять инструмент там, где количество бронирований не меньше 5 в день, причем историческая динамика бронирований для работы моделей должна быть не меньше двух лет.

Деградация моделей. Изначально кажется, что достаточно обучить модель на исторических данных — и она будет давать точные прогнозы. Однако на практике выяснилось, что нам нужно очень много разных данных из разных источников (бронирования, погода, трафик сайта, конверсии). А еще модели деградируют из‑за изменений рыночных условий, поведения гостей, внешних факторов.

В нашем кейсе после запуска системы в 2023 году точность прогнозирования спроса снизилась до 87% из‑за естественной деградации моделей. Регулярный мониторинг и своевременное обновление моделей с помощью специалистов позволяют восстановить метрики до прежнего уровня. Как правило, для этого требуется 2–3 процедуры переобучения в год.

Для устранения этой проблемы мы усовершенствовали алгоритмы с фокусом на ключевые параметры, а также внедрили ежемесячное автоматическое переобучение моделей по расписанию. Благодаря этим мерам удалось стабилизировать качество прогнозов и остановить снижение эффективности.

Сейчас совокупное качество прогнозов по всем активам составляет 94%. Регулярное переобучение моделей помогает поддерживать стабильный уровень точности без существенных колебаний.

Выбросы и шумы. В работе систем прогнозирования спроса на отели одним из ключевых вызовов являются аномалии в данных временных рядов: резкие всплески бронирований во время активных рекламных кампаний, открытие продаж летнего сезона, макроэкономические события, туристические и событийные мероприятия, промо‑тарифы и т.д.

К ним также можно отнести и «неожиданное» исчезновение доступности номеров в онлайн‑каналах продаж по различным причинам: например, блоки номеров под групповые и корпоративные заезды, продажи через колл‑центр, искусственные настройки минимального срока проживания, ограничений на дни заездов / выездов и т.д.

Модели могут это интерпретировать как «ложные сигналы низкого спроса» — если номеров в онлайн‑каналах продаж мало, то следовательно мало и бронирований, следовательно, система может ошибочно решить, что спрос падает, хотя на самом деле просто закончились места или это внутренняя политика гостиницы. Поэтому и важно помимо умных алгоритмов, понимать контекст данных для исключения рисков переоценки или недооценки реального спроса.

Сделать математику понятной. В основе нашей системы лежат мощные модели машинного обучения и огромные массивы данных. Однако главной задачей было не просто обрабатывать информацию и стремиться к допустимым метрикам точности, а сделать ее интуитивно понятной и удобной для ключевых пользователей — маркетологов, управленцев и инвесторов, а не только для дата‑сайентистов.

Чтобы упростить восприятие, мы добавили визуальные подсказки и представили сложные данные в виде графиков и диаграмм: линейные и контрольные графики, круговые и лучевые диаграммы, гистограммы, в том числе с группировкой и составные.

Сегодня у нас уже более 20 готовых дизайн‑шаблонов, и их количество растет с каждым обновлением системы. Благодаря этому даже пользователи без технического бэкграунда могут быстро анализировать данные и принимать решения на основе понятной визуализации.

От наивного прогноза к интеллектуальной предиктивной аналитике

Создание интеллектуальной системы предиктивной аналитики — это не просто вопрос разработки и внедрения сложных алгоритмов. Ключевой урок заключается в том, что успех проекта начинается с глубокого понимания бизнес‑задачи.

Вместо наивного подхода «прогнозировать все подряд», на первом этапе необходимо понять, с чего начать, и далее выстроить систему, которая будет учитывать специфику индустрии: отфильтрует шумы, скорректирует целевые показатели, адаптируется к трендам и сезонности.

Однако даже самые совершенные модели бесполезны без цифровой зрелости бизнеса. Невозможно внедрить искусственный интеллект в гостиничный бизнес, где данные собираются вручную в Excel‑таблицы, а бронирования учитываются фрагментарно.

В итоге, чтобы система, основанная на искусственном интеллекте, работала как инструмент роста, нужны три составляющие: четкая бизнес‑логика, качественные данные и готовность меняться.