Hotel room sales prediction for a travel agency

Abstract

Gelecekteki performansın tahmin edilebilmesine olanak tanıması anlamında satış tahminleri, turizm endüstrisi için son derece derecede faydalı bir araçtır. Bu sayede seyahat acentelerinin planlayıcıları ve yöneticileri, şirket gelirlerini en üst düzeye çıkarmak ve operasyonel zararı en aza indirmek için anlaşma yapılacak tesisler hakkında daha ölçülü kararlar verebilir, sözleşmeleri daha uygun şartlarla hazırlayabilir ve müşterilerine daha iyi fiyatlar sunabilirler. Doğru bir tahminleme ile tercih edilen profilden daha fazla müşteri çekilebilir, tesislerin arzına ve müşterilerin taleplerine göre fiyat ayarlaması yapılabilir, satışların farklı demografik özelliklere odaklamasına veya pazarlama stratejilerinde değişiklik yapılmasına imkan sağlanabilir. Bu tezde, Türkiye turizm pazarının en büyük seyahat acentelerinden birinin verilerine dayanarak otellerin oda satış tahmin sorununa sağlam ve doğru bir çözüm sunmak amacıyla otel, otel özellikleri ve otellerin etrafındaki çekim alanı noktaları (PoI) temel bilgileri ile çalıştırılan farklı istatistiksel ve makine öğrenimi modelleri karşılaştırılmıştır. Sonuçlar, makine öğrenimi regresyon modellerinin otel satış tahmini için büyük bir potansiyele sahip olduğunu göstermektedir. Alınan sonuçların büyük bir çoğunluğuna göre Random Forest Regresyonu uyum iyiliği anlamında en yüksek başarı oranına sahipken, doğruluk anlamında en iyi sonuçları Support Vector Regresyonu vermektedir. Ayrıca, Tüm Segmentler ve İki Yetişkin Segment veri kümelerini kullanarak yapılan tahminlerin sonuçları arasında performans anlamında önemli bir fark vardır. Bununla birlikte, PoI eklenen ve PoI eklenmeyen veri kümelerinin birbirlerine göre bir üstünlükleri görülmemektedir.

Predicting sales can be extremely beneficial to the tourism industry because it allows planners and managers to foresee future performance. This allows travel agencies to make more informed decisions about facilities, improve their contracts with more favorable terms, and offer better deals to customers in order to maximize their revenue and minimize their loss. Sales prediction enables travel agencies to adjust prices based on facility supply and customer demand, focus on sales to different demographics, or change their marketing strategy to attract more customers of a specific segment. In this thesis, we compare various statistical and machine learning models on several datasets containing basic information on hotels, hotel features, and points of interests (PoI) near hotels in order to present a robust and accurate solution to hotel room sales prediction problem based on real-life data from one of the largest travel agencies in the Turkish tourism market. The results show that machine learning regression models have a great potential for hotel sales prediction. Random Forest Regression is outstanding with the highest goodness of fit and Support Vector Regression is good at accuracy values in the majority of the cases. Besides, there is a significant difference between the predictive performances by using All Segments and Two Adults Segment datasets. Additionally, the results with PoI datasets are also as good as the results without PoI datasets.