Otel işletmelerinde kayıp müşteri tahminlemesi

Abstract

Otel işletmelerinin rakipleri arasından sıyrılarak faaliyetlerini karlı bir şekilde sürdürebilmesi, müşterileriyle uzun süreli ve kalıcı ilişkiler kurarak müşterilerini elde tutabilmesine bağlıdır. Bu bağlamda hangi müşterilerin otel işletmesiyle ilişkilerini sürdürüp hangilerinin terk edeceğine yönelik doğru bir tahminleme, başka bir deyişle kayıp müşteri tahminlemesi (customer churn prediction), daha hızlı ve etkili elde tutma faaliyetlerinin uygulanmasında yol gösterici olacaktır. Gerçekleştirilen bu çalışmanın öncelikli amacı, bir otel işletmesinin müşteri veri tabanına makine öğrenimi metodları uygulayarak işletmenin gelecek dönemdeki kayıp müşterilerini tahminlemek ve bu müşterileri elde tutmaya yönelik öneriler geliştirmektir. Bu bağlamda Antalya, Belek bölgesinde faaliyet gösteren ve bünyesinde beş yıldızlı üç resort otel bulunan bir zincir otel işletmesinin devamlı müşterilerilerine ait veriler kullanılarak kayıp müşteri tahminlemesi uygulanmış ve Lojistik Regresyon ile Rastgele Orman algoritmaları kıyaslanmıştır. Çalışmanın bulgularına göre Rastgele Orman algortiması daha yüksek performans göstermekte ve gelecek üç yıl içerisinde ayrılma ihtimali olan devamlı müşterileri %80 oranında (AUC 0,80) doğru tahminleyebilmektedir. Ayrıca çalışmada Rastgele Orman algoritması tarafından RFM (güncellik, sıklık, tutar) temelli geleneksel değişkenler daha önemli bulunurken (önem sırasıyla güncellik, satın alımlar arasında geçen zamanların ortalaması, son üç yıldaki toplam geceleme sayısı, ilişki süresi, son üç yıldaki ortalama harcama tutarındaki değişim ve toplam geliş sayısı), Lojistik Regresyon metodu tarafından önerilen en önemli değişkenler daha çok otel işletmelerine yönelik değişkenler olarak ortaya çıkmıştır (önem sırasıyla zincir otel işletmesinin diğer otellerinde de konaklamış olmak, toplam geliş sayısı, çocuklu konaklamak, çift olarak konaklamak ve Türkiye vatandaşı olmak). Son olarak elde edilen Rastgele Orman modeli aracılığıyla müşterilerin bir sonraki dönemdeki ayrılma olasılıkları hesaplanmıştır. Müşterilerin ayrılma olasılıkları ve potansiyel kazanç getirileri göz önünde bulundurularak bir öncelik matrisi oluşturulmuş; `kararsızlar`, `tutumlular`, `alternatif arayanlar` ve `fırsatçılar` olarak adlandırılan müşteri bölümleri için önerilere yer verilmiştir.

Hotel firms should be able to maintain long-term and lasting relationships with their customers to continue their activities profitably by standing out from their competitors. Thus, an accurate estimation of which customers will maintain their relations with the hotel firm and which ones will leave, in other words predicting the customer churn, will help hotel firms to carry out faster and more effective retention activities. The main purpose of this study is to estimate the future customer churn for hotel customers by applying machine learning methods and to develop recommendations for retaining prospective churners. In this context, customer churn prediction has been applied by comparing Logistic Regression and Random Forest algorithms using data belonging to the repeat customers of a chain hotel firm with three five-star resort hotels operating in Belek region, Antalya. According to the results of the study, the Random Forest algorithm has shown the best performance predicting the prospective churners that are likely to leave in the next three years 80% correctly (AUC 0.80). Besides, the Random Forest algorithm found the traditional variables based on RFM (recency, frequency, monetary) to be more important (respectively: recency, inter-purchase time, total number of overnight stays in the last three years, length of relationship, change in average expenditure amount in the last three years, total frequency). On the other hand, the most important variables suggested by the Logistic Regression method were mostly hotel industry-oriented (respectively: accommodation at the other hotels of the hotel chain, total frequency, accommodation with children, accommodation as a couple, being a Turkish citizen).Finally, the probability of churn for the next period was calculated through the Random Forest model. A priority matrix was created by taking into consideration the churn probability and customer value. Suggestions for customer segments called `hesitant`, `economic`, `alternative seeker` and `opportunist` were shared.