Room Type Mapping: Mit Data Science Äpfel und Birnen vergleichen

• “Superior Room with beach view” 
• “Junior Princess Sea View Apartment” 
• “Premium Seaside Junior Suite” 
• “THE PLUS Room, Queensize Terrace Ocean View” 

Kennst Du diese Zimmerkategorien? Vielleicht sind es Deine eigenen – vielleicht die der Wettbewerber. In jedem Fall kommen sie Dir sicher bekannt vor. Die Marketing-Departments lassen grüßen! 

Als Mensch mit einiger Berufserfahrung fällt es Dir wahrscheinlich nicht sooo schwer, dir vorzustellen, dass mit diesen kryptischen Zimmer-Bezeichnungen mehr oder weniger das gleiche gemeint sein könnte. 

Das Hotel-Inventory besteht aber bekanntermaßen nicht nur aus seltsamen Zimmer-Bezeichnungen. Das wäre ja viel zu einfach! Zu den Zimmertypen kommen typischerweise auch noch verschiedene Extras und Board Types – es gibt also oft einen ganzen Haufen Kombinationen: 

• “Superior Room with beach view” – Frühstück inkl. 
• “Junior Princess Sea View Apartment” – Halbpension 
• “Premium Seaside Junior Suite” – Frühstück inkl., Kostenlose Stornierung bis 1 Tag vor Anreise 
• “THE PLUS Room, Queensize Terrace Ocean View” – Frühstück excl., Keine Vorauszahlung nötig 

… und so weiter. 

Um das eigene Inventory mit denen des Comp-Sets vergleichen zu können, braucht es daher entweder eine Menge Zeit – oder eine gescheite Lösung. 

Zeit haben wir nicht. 
Also muss eine gescheite Lösung her. 

Das HQ revenue Room Type Mapping

Room Type Mapping ist – ganz grundsätzlich – der Prozess, in dem verschiedene Produkte aus dem Inventory mit denen des Comp-Sets übereinandergelegt werden – und zwar im Hinblick auf sämtliche Varianten, die auf den Brand.com- sowie den OTA Seiten ausgespielt werden. 

HQ revenue macht diesen Vorgang – fast! – zu einem Kinderspiel. 

Unser Data Science Team hat einen Algorithmus gebaut, der dies Channel-übergreifend automatisiert und so sicherstellt, dass der manuelle Aufwand gering bleibt. 

Zugegeben: Den Anfang macht der Mensch. Nichtsdestotrotz kann nun in wenigen Minuten erledigt werden, wofür Revenue Manager früher Tage gebraucht haben. 

Und schließlich soll ja die Maschine die Dusselarbeit für Sie übernehmen. Damit das funktioniert, braucht die Maschine: Muster, sprich: Vergleichbare Formen. Denn Maschinen sind ja eigentlich doof. 

[Q]

Die technische Grundlage: Wie funktioniert das Room Type Mapping?

Das zugrundeliegende Data Science Model unterstützt die User. Der Algorithmus analysiert alle Zimmertypen eines Hauses und erzeugt automatisch passende Überkategorien sowie Gruppen von Zimmertypen. 

Auf diese Weise erstellt das Modell eine Repräsentation des Inventorys. 

Von der technischen Warte gesehen, ist das alles andere als banal – und man muss schon HQ revenues Lead Data Scientist Dr. Ivan Abakumov fragen, was da eigentlich vor sich geht. Der erläutert: 

"Damit es funktioniert, muss das HQ revenue Room Type Mapping grundsätzlich drei Aufgaben erfüllen: Erkennen, zuordnen und vorhersagen. 

Zunächst müssen die Raumtypen erkannt werden. Um das zu erreichen, analysieren wir die Millionen historischer Tarifdatensätze des Kunden und seiner Mitbewerber. Aus dieser riesigen Menge an Informationen extrahiert der Algorithmus Attribute für Zimmernamen – wir nennen das 'Tokens' – sowie die "üblichen" Zimmerpreise und Belegungen.

Diese verschiedenen Zimmertypen, wie sie in den verschiedenen OTAs bezeichnet werden, müssen dann auf sinnvolle Weise kombiniert (oder: zugeordnet) werden – wir nennen dies die Room Type Group. Danach trainieren wir unser Machine Learning Modell unter Verwendung des Bayes'schen Inferenzalgorithmus. Dieses Modell beinhaltet eine Art Token-Datenbank. Man kann sich das wie einen Thesaurus oder ein Wörterbuch vorstellen, das die verschiedenen Attribute von Räumen (oder: Token) den jeweiligen Raumtypgruppen zuordnet. Und schließlich sagen wir die Zimmertypgruppe anhand des Zimmernamens, des Tarifnamens, des Zimmerpreises und der Belegung voraus." 

Eine Aufgabenliste, die schon im Vorfeld stark vermuten lässt, dass uns Teile davon irgendwann wieder begegnen werden. 

Room Type Mapping wurde daher von Anfang an als Microservice-Architektur geplant und umgesetzt. Das bedeutet einerseits, dass zukünftige Entwicklungsschritte bereits berücksichtigt sind, andererseits sorgt es für die nötige Stabilität und Skalierbarkeit, zum Beispiel bei Lastspitzen durch hohe Abfragevolumina. 

Als Basis dient die gRPC-Architektur. Für die Vorhersage von Zimmertypen wird ein NLP-Modell verwendet, das mit historischen Zimmertypdaten, Zimmerdaten und Preisdaten trainiert wurde. Die Bayes'sche Inferenz wird verwendet, um verschiedene Arten von Informationen – d.h. textbasierte Merkmale (z.B. Zimmer- und Tarifnamen), Zimmerpreisverteilungen und mögliche Belegungen – für die Vorhersage von Zimmertypen nutzbar zu machen. 

Für jedes Hotel in einem HQ-Account wird das Modell auf der Grundlage der gesammelten historischen Preisdaten trainiert. Um eine Vorhersage zu treffen, benötigt das Modell den Zimmernamen, den Tarifnamen, den Zimmerpreis und die Belegung. 

Ok. Klingt ganz schön kompliziert ...

Klingt kompliziert? Isses aber nicht! Heavy Lifting bleibt unser Job

Der ganze oben skizzierte Aufwand hat ein einziges Ziel: Einfachheit.

Unseres User:innen soll die Arbeit so einfach und so effektiv wie möglich von der Hand gehen. Die Room Types werden daher in einem schnell überschaubaren und einfach zu bedienenden Layout angezeigt. 

Data Science hin oder her – damit das Assistenz-System wirklich gut funktioniert, müssen User:innen sich einer kleinen Hausaufgabe widmen: Einmal müssen die verschiedenen Zimmertypen über die Zimmerkategorien hinweg identifiziert und zugeordnet werden. Auch der stärkste Algorithmus braucht schließlich eine Initialzündung, einen Datensatz zum Loslegen. (Siehe dazu: KI und Automatisierung – der digitale Parkassistent des Revenue Management) 

In HQ Revenue geht das ziemlich unkompliziert über die Room Type Settings. Hier können Nutzer In HQ revenue die Zimmertypen ihrer Immobilie über OTAs hinweg zu kategorisieren und so mit denen des Comp-Set vergleichbar zu machen. 

Die Zimmerkategorien werden auf der X-Achse und die Eigenschaften auf der Y-Achse mit den entsprechend aufgelisteten Zimmertypen angezeigt. Bei Unstimmigkeiten kann der Benutzer den Raumtyp über die Kategorien ziehen und ablegen. 

Raum-Typen werden automatisch gruppiert und in Karten angezeigt. 

So wird die Menge der Daten auf der Oberfläche deutlich reduziert – das macht die Arbeit sehr viel einfacher und alles wird deutlich übersichtlicher.  

Der Drill down natürlich weiterhin vorhanden: 

Fazit

Mit den Room Type Settings und dem automatisierten, Algorithmus-unterstützten Room Type Mapping sind Hoteliers und Revenue Management Teams nicht nur wieder einen Schritt näher an echter Market Intelligence, sondern profitieren auch von der einfachen und zielgerichteten Handhabbarkeit eines einst komplexen und ärgerlichen Themas. Und das spart wertvolle Zeit. Und wertvolle Nerven.

Folg uns auf LinkedIn, um auf dem Laufenden zu bleiben und immer mitzubekommen, auf welchen Events die HQ revenue Expert:innen in der kommenden Zeit rumturnen und ansprechbar sind!