OTA酒店库存管理方法及系统与流程

本发明涉及一种OTA(在线旅游社)酒店库存管理方法及系统。

背景技术：

利用OTA预订酒店住宿已经是人们出行旅游或办公的常用选择，这对OTA的功能要求也越来越高。由于OTA上的酒店资源有限或是热门酒店的预订量大，酒店资源经常在入住日前多天即告库存耗尽，导致用户无法预订这些酒店。现有技术中为了满足用户的预订需求、避免出现因库存耗尽而无法预订酒店的情况，通常的解决方案是，OTA的业务人员根据个体经验确定需要增加的库存量，再同酒店方谈判获取库存资源。

然而，依靠人工经验添加库存的方式存在很多问题：1.覆盖面窄，整个国内市场有尽50多万家酒店，牵涉放行几百万个，依靠业务人员覆盖非常有限；2.根据历史数据添加未来库存，目标命中率低，同时完全依靠业务个人能力和经验，质量参差不齐；3.无法依靠人工及时响应季节性变化带来的需求缺口变化的波动；4、只是针对已经关房的房型，对于目前没有关房，但是未来会关房的库存没有办法操作。

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中人工经验添加库存的方式存在上述问题的缺陷，提供一种不依靠人工经验即可准确增加库存的OTA酒店库存管理方法及系统。

本发明是通过以下技术方案解决上述技术问题的：

一种OTA酒店库存管理方法，其特点是，包括：

预测OTA上酒店的每一房型不同入住日的关房时长及关房时是否存在需求缺口；

对于存在需求缺口的房型，预测酒店方是否存在剩余库存；

在预测出酒店方存在剩余库存时，向所述酒店方发布邀约，所述邀约用于请求在OTA增加存在需求缺口的房型的库存。

其中，所述的关房是指酒店的房型因预订量达到房型的库存而无法增加新的预订；一个房型不同入住日的关房时长是指该房型在达到入住日之前就关房的时长。通过预测OTA上酒店的每一房型不同入住日的关房时长，业务人员可以掌握各房型的关房情况，可以初步调节各房型的库存。通过预测酒店房型关房时是否存在需求缺口及存在需求缺口的房型在酒店方是否存在剩余库存，有针对性地、及时地、自动化地向酒店方发布增加库存的邀约，一方面保证了酒店房型有充足的库存可供用户预订，另一方面也避免了某些房型预订量不足而库存过剩。

较佳地，所述OTA酒店库存管理方法通过以下步骤预测OTA上酒店的每一房型不同入住日的关房时长：

针对每一房型，分别建立不同入住日的关房时长预测模型，所述关房时长预测模型采用xgboost算法，收集所述房型的历史数据作为训练样本，从用于反映所述房型的预订情况、被浏览情况、价格情况、紧张情况或评价情况中一种或多种情况的指标中选择一项或多项指标作为所述关房时长预测模型的输入变量。

较佳地，所述OTA酒店库存管理方法通过以下步骤预测OTA上酒店的每一房型不同入住日关房时是否存在需求缺口：

针对每一房型，分别建立不同入住日的关房时库存缺口预测模型，所述关房时长预测模型采用xgboost算法，收集所述房型的历史数据作为训练样本，从用于反映所述房型的预订情况、被浏览情况、价格情况或紧张情况中一种或多种情况的指标中选择一项或多项指标作为所述关房时库存缺口预测模型的输入变量。

较佳地，所述OTA酒店库存管理方法通过以下步骤对于存在需求缺口的房型，预测酒店方是否存在剩余库存：

采用逻辑回归算法计算酒店方对于存在需求缺口的房型存在剩余库存的概率，收集所述房型的历史数据作为训练样本。

较佳地，所述OTA酒店库存管理方法还包括：

从OTA上的全部酒店的全部房型中选取历史间夜量大于间夜量阈值且有关房历史的房型；

预测历史间夜量大于间夜量阈值且有关房历史的房型不同入住日的关房时长及关房时是否存在需求缺口。

一种OTA酒店库存管理系统，其特点是，包括：

第一预测单元，用于预测OTA上酒店的每一房型不同入住日的关房时长及关房时是否存在需求缺口；

第二预测单元，用于对于存在需求缺口的房型，预测酒店方是否存在剩余库存；

发布单元，用于在预测出酒店方存在剩余库存时，向所述酒店方发布邀约，所述邀约用于请求在OTA增加存在需求缺口的房型的库存。

较佳地，所述第一预测单元包括：

关房时长预测模块，用于针对每一房型，分别建立不同入住日的关房时长预测模型，所述关房时长预测模型采用xgboost算法，收集所述房型的历史数据作为训练样本，从用于反映所述房型的预订情况、被浏览情况、价格情况、紧张情况或评价情况中一种或多种情况的指标中选择一项或多项指标作为所述关房时长预测模型的输入变量。

较佳地，所述第一预测单元包括：

关房时库存缺口预测模块，用于针对每一房型，分别建立不同入住日的关房时库存缺口预测模型，所述关房时长预测模型采用xgboost算法，收集所述房型的历史数据作为训练样本，从用于反映所述房型的预订情况、被浏览情况、价格情况或紧张情况中一种或多种情况的指标中选择一项或多项指标作为所述关房时库存缺口预测模型的输入变量。

较佳地，所述第二预测单元用于采用逻辑回归算法计算酒店方对于存在需求缺口的房型存在剩余库存的概率，收集所述房型的历史数据作为训练样本。

较佳地，所述OTA酒店库存管理系统还包括：

选取单元，用于从OTA上的全部酒店的全部房型中选取历史间夜量大于间夜量阈值且有关房历史的房型；

所述第一预测单元还用于预测历史间夜量大于间夜量阈值且有关房历史的房型不同入住日的关房时长及关房时是否存在需求缺口。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：本发明能够有针对性地、自动化地向酒店方发布增加库存的邀约，及时地补充存在需求缺口的房型的库存，一方面保证了酒店房型有充足的库存可供用户预订，另一方面也避免了某些房型预订量不足而库存过剩，具有提高酒店库存管理效率和质量的优点。

附图说明

图1为本发明较佳实施例1的OTA酒店库存管理方法的流程图。

图2为本发明较佳实施例1的OTA酒店库存管理系统的系统框图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

一种OTA酒店库存管理方法，如图1所示，包括以下步骤：

步骤101、从OTA上的全部酒店的全部房型中选取历史间夜量大于间夜量阈值且有关房历史的房型。其中，房型的历史间夜量越大，就表明房型的预订情况越好，间夜量阈值可以自由设定。由于OTA上的全部酒店的全部房型可能数量很大，而历史间夜量大于间夜量阈值且有关房历史的房型由于预订情况较好且以前有过关房的情况所以再次关房的可能性较高，因此本实施例中将这类房型作为后续步骤预测的目标房型，可以减少工作量，提高管理效率。如果OTA上的全部酒店的全部房型的数量较小或者有其它需求，管理人员可以选取全部酒店的全部房型作为后续步骤预测的目标房型或自由地选取一部分特定的房型作为后续步骤预测的目标房型。为了便于说明，后续步骤中提及的目标房型即为步骤101中选取出的历史间夜量大于间夜量阈值且有关房历史的房型。

步骤102、预测目标房型不同入住日的关房时长及关房时是否存在需求缺口。其中，所述OTA酒店库存管理方法通过以下步骤预测OTA上酒店的每一房型不同入住日的关房时长：

针对每一房型，分别建立不同入住日的关房时长预测模型，即每一房型的每一入住日分别建立一个关房时长预测模型；所述关房时长预测模型采用xgboost算法，收集所述房型的历史数据作为训练样本，从用于反映所述房型的预订情况、被浏览情况、价格情况、紧张情况或评价情况中一种或多种情况的指标中选择一项或多项指标作为所述关房时长预测模型的输入变量。具体地，xgboost算法是一种基于迭代累加的决策树算法，主要是通过构造一组弱学习器，把多颗决策树的结果累加起来作为最终的预测结果。Xgboost的目标算法是：

其中，表示样本i的预测值，k表示决策树总数，n表示样本数；y表示样本真实值，Ω(f_k)是第k颗决策时的复杂度。T表示第K颗数的叶子节点数目，ω_j表示预测值得正则化。

收集训练样本时，可以收集历史202天的历史数据或其它天数的历史数据作为训练样本。

在所述关房时长预测模型的输入变量的选择上面，通过数据分析和可视化分析，在酒店订单表里，选择了能够反映各房型的预订情况的提前预定量，提前预定天数，近期产量等指标；在浏览表里，选择了能够反映各房型的被浏览情况的浏览次数，浏览人数，转化率等指标；在价格表里，选择了能够反映各房型的价格情况的房型价格，母酒店最低价，最高价等指标；在房态表里，选择了能够反映各房型的紧张情况的当前房态，当前紧张度，历史紧张度等指标；在酒店属性表里，选择了能够反映各房型的评价情况的酒店点评分，点评人数，酒店推荐级别等指标。

经过特征工程的处理，最终选择了20来个指标作为模型的输入变量。分别是：提前3天至提前10天的房型紧张度的平均值；房型价格与该母酒店价格中位数的比值；房型价格与该母酒店价格最小值的比值；提前10天至提前20天浏览次数平均值与提前3天至提前10天浏览次数平均值的比值；提前3天至提前10天的房型间夜量的平均值；房型提前预定量与母酒店提前预定量的比值；房型提前预定量与母基础房型提前预定量的比值；房型提前3天至提前10浏览次数与提前预定量的比值除以提前10天至提前20天浏览次数与提前预定量的比值；房型提前预定日的平均紧张度与母酒店平均紧张度的比值；城市提前10天至60天在online渠道的提前预定量；城市提前10天至60天在app渠道的提前预定量；母酒店提前3天-提前10天的平均紧张度，城市提前第11天的紧张度，城市提前第12天的紧张度；城市提前13天的紧张度；母酒店提前10天至提前60天的浏览次数与城市提前10天至提前60天的浏览次数的比值；城市提前10天至提前60天的紧张度平均值与母酒店提前10天至提前60天紧张度的比值与房型提前10天至提前60天紧张度的比值；房型提前4天的紧张度，房型提前10天的紧张度。

在具体模型处理上面，一方面，针对不同的入住日，采用不同的输入变量，不同的模型参数，建立不同的模型。在变量的选择上，入住日离当前日期越近，输入变量选择的日期越多。如：针对当天入住日的关房时长预测，本发明采用的输入变量选择了入住日提前1天的紧张度，提前1天的浏览量；针对第二天入住日的关房时长预测，本发明采用的输入变量则是入住日提前2天的紧张度，提前2天的浏览量等；针对第三天入住日的关房时长预测，本发明采用的输入变量则是入住日提前3天的紧张度，提前3天的浏览量等。这样能够提升预测模型的精确度；当天入住日的参数是：nrounds＝12，subsample＝0.8，eta＝0.15，max_depth＝3，objective"＝"reg:logistic"；第二天入住日的参数是：nrounds＝30，subsample＝0.4，eta＝0.1，max_depth＝4，objective"＝"reg:logistic"；第三天入住日的参数是：nrounds＝15，subsample＝0.3，eta＝0.15，max_depth＝3，objective"＝"reg:logistic"；另一方面，本发明采用采用每个房型做一个模型，进一步提升了预测的精确度。由于每个房型的关房时长的影响因素是不同的，比如：有些房型的关房时长受价格影响比较大，有些房型的关房时长受CR影响比较大，每个房型的变量重要性不同，因此单一的模型，单一模型参数不能满足需求；另外，模型采用3个线程并行的方式进行运算，大大提升了运算速度。

所述OTA酒店库存管理方法通过以下步骤预测OTA上酒店的每一房型不同入住日关房时是否存在需求缺口：

针对每一房型，分别建立不同入住日的关房时库存缺口预测模型，所述关房时长预测模型采用xgboost算法，收集所述房型的历史数据作为训练样本，从用于反映所述房型的预订情况、被浏览情况、价格情况或紧张情况中一种或多种情况的指标中选择一项或多项指标作为所述关房时库存缺口预测模型的输入变量。具体地，收集训练样本时，可以收集历史202天的历史数据或其它天数的历史数据作为训练样本。

在所述关房时库存缺口预测模型的输入变量选择上，经过特征工程的处理，最终选择了以下指标作为模型的输入变量。分别是：能够反映各房型的预订情况的每个房型提前3天的预定间夜量，房型提前第4天的预定间夜量，母酒店提前提前3-10天的预定间夜量，该母酒店提前3-60天的间夜量在该城市提前间夜量的占比，该房型在过去3个月内的最大销售量等指标；能够反映各房型的价格情况的房型价格与母基础酒店价格中位数的比值，房型价格与母基础酒店价格最小值的比值等指标；能够反映各房型的紧张情况的房型的当前房态，房型提前第3天的紧张度，房型提前第3-10天的紧张度，城市提前3天至提前60天的平均紧张度与母酒店提前3天至60天的平均紧张度，母酒店提前3天至提前60天的平均紧张度与房型提前3天至提前60天的平均紧张度的比值，母酒店的房间数等指标；能够反映各房型被浏览情况的母酒店提前3天-60天的浏览次数与母酒店提前3天至60天的预定间夜量的比值，母酒店提前3天-10天的浏览次数与母酒店提前10天-60天的浏览次数的比值，该母酒店的提前浏览人数等指标。

在具体模型的处理上，一方面，针对不同入住日，不同房型，采用不同的输入变量，不同的模型参数，建立不同的模型，保证了模型的精度，目前针对当天入住日的模型的参数是：nrounds＝15，subsample＝0.8，eta＝0.15，max_depth＝3，objective"＝"reg:logistic"；第二天入住日的参数是：nrounds＝24，subsample＝0.4，eta＝0.1，max_depth＝4，objective"＝"reg:logistic"；第三天入住日的参数是：nrounds＝15，subsample＝0.3，eta＝0.15，max_depth＝3，objective"＝"reg:logistic"；另一方面，该算法采用3个线程并行运行的方式，大大提升了预算速度。

步骤103、对于存在需求缺口的房型，预测酒店方是否存在剩余库存。其中，所述OTA酒店库存管理方法通过以下步骤对于存在需求缺口的房型，预测酒店方是否存在剩余库存：

采用逻辑回归算法计算酒店方对于存在需求缺口的房型存在剩余库存的概率，收集所述房型的历史数据作为训练样本。具体地，主要通过sigmoid函数，处理0/1分类的问题，其中sigmoid的公式是：

其中，h(x)是一个-∞,+∞的值，通过sigmoid函数，可以转变成[0，1]之间的数；

w_i表示变量x_i的系数。

在自变量的标记上，对历史上某个入住日成功补充到库存房型，自变量设为‘1’，对历史上没有成功补充到库存房型，自变量设为‘0’，在因变量的选择上，经过特征工程，最终选择提前预定量，提前浏览次数，近期房型紧张度，当前房态，该房型价格与母基础房型最低价的比值，该房型价格与母酒店中位数比值等指标。通过逻辑回归算法，选择过去200天或其它天数的历史数据作为训练样本，预测出未来该房型成功补充库存的可能性，概率值越大，表示酒店有房的概率越大。概率越小，表示酒店有房的概率越小，争取难度越大。

步骤104、在预测出酒店方存在剩余库存时，向所述酒店方发布邀约，所述邀约用于请求在OTA增加存在需求缺口的房型的库存。具体可以在预测出酒店方有房的概率大于预设阈值时向所述酒店方发布所述邀约，如果邀约成功，就将补充的库存放入OTA的库存池售卖，以供用户购买，同时监控售卖情况，如果邀约不成功，则可以人工介入，与酒店方进行谈判，确定是否可以补充库存。

本实施例的一种OTA酒店库存管理系统，如图2所示，包括：选取单元201、第一预测单元202、第二预测单元203和发布单元204。

所述选取单元201，用于从OTA上的全部酒店的全部房型中选取历史间夜量大于间夜量阈值且有关房历史的房型。为了便于说明，将选取出的历史间夜量大于间夜量阈值且有关房历史的房型记为目标房型。

所述第一预测单元202，用于预测目标房型不同入住日的关房时长及关房时是否存在需求缺口。其中，所述第一预测单元202具体包括：

关房时长预测模块2021，用于针对每一房型，分别建立不同入住日的关房时长预测模型，所述关房时长预测模型采用xgboost算法，收集所述房型的历史数据作为训练样本，从用于反映所述房型的预订情况、被浏览情况、价格情况、紧张情况或评价情况中一种或多种情况的指标中选择一项或多项指标作为所述关房时长预测模型的输入变量。

关房时库存缺口预测模块2022，用于针对每一房型，分别建立不同入住日的关房时库存缺口预测模型，所述关房时长预测模型采用xgboost算法，收集所述房型的历史数据作为训练样本，从用于反映所述房型的预订情况、被浏览情况、价格情况或紧张情况中一种或多种情况的指标中选择一项或多项指标作为所述关房时库存缺口预测模型的输入变量。

所述第二预测单元203，用于对于存在需求缺口的房型，预测酒店方是否存在剩余库存。其中，所述第二预测单元203具体用于采用逻辑回归算法计算酒店方对于存在需求缺口的房型存在剩余库存的概率，收集所述房型的历史数据作为训练样本。

所述发布单元204，用于在预测出酒店方存在剩余库存时，向所述酒店方发布邀约，所述邀约用于请求在OTA增加存在需求缺口的房型的库存。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。