OTA平台到店无房的预测方法及系统与流程

本发明涉及营销技术领域，特别涉及一种ota(onlinetravelagent，在线旅行社)平台到店无房的预测方法及系统。

背景技术：

对于ota平台，当发生用户到酒店没有房间的情况时，不仅会严重影响用户体验，还会严重损坏ota平台品牌形象。现有技术中，为了解决该问题，通常通过以下两种途径来改善：一种解决做法是通过ota平台的业务人员依据经验判定该订单是否会发生到店无房，对于可能会发生到店无房的订单直接与酒店对接会话，即为人工排查的方式。但由于ota平台的日订单量巨大，仅仅依靠人工是不可能照顾到每一个可能发生到店无房的订单的。这样不仅会漏掉可能发生到店无房的订单，造成ota平台品牌形象的损失，还可能会因为用户体验的降低造成潜在的用户流失。另一种解决方法是采用自助化的撒网方式与酒店进行对话排查，该方法相比于人工排查能够有效地提升单位时间内处理订单数量，覆盖面有所增加，但是由于因为ota平台的日订单量巨大，对于可能会发生到店无房的订单处理总体覆盖率仍然较低。

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的ota平台通过人工排查的方式对可能会发生到店无房的订单进行处理，存在订单处理总体覆盖率较低的缺陷，目的在于提供一种ota平台到店无房的预测方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供一种ota平台到店无房的预测方法，所述预测方法包括：

s1、在用户下单后，获取用户订单数据，所述用户订单数据包括用户订单预定信息和酒店信息；

s2、根据所述用户订单数据获取与所述用户订单数据对应的用户订单预定数据、酒店历史数据、酒店房型的价格数据、酒店房型的紧张度数据和酒店历史到店无房率数据；

s3、通过决策树分类算法对所述用户订单预定数据、所述酒店历史数据、所述酒店房型的价格数据、所述酒店房型的紧张度数据和所述酒店历史到店无房率数据进行处理，建立用户到店无房概率预测模型；

s4、根据所述用户到店无房概率预测模型预测与所述用户订单数据对应的用户订单发生到店无房的概率；

s5、判断所述到店无房的概率是否大于设定阈值，在判断为是时，所述ota平台向酒店发送干预内容。

较佳地，所述干预内容包括ivr(interactivevoiceresponse，互动式语音应答)巡房内容和/或ebk(ebooking，电子预订单管理)推送内容；

所述ivr巡房用于表征ota平台的坐席与酒店语音对接会话，酒店进行人工排查确定是否会发生用户到店无房的情况；

所述ebk推送用于表征ota平台向酒店发送酒店对应的库存房型信息、房型的房价信息和酒店信息。

较佳地，步骤s5之后还包括：

判断所述酒店是否推翻，在判断为否时，所述ota平台在接收到用户确定修改订单的指令后将用户的当前订单修改为其他房型的订单或对用户进行相应的补偿；

所述推翻用于表征当酒店通过所述用户到店无房概率预测模型预测属于会发生到店无房的概率大于设定阈值的酒店时，所述酒店在所述ota平台进行ivr巡房的外呼询问时向所述ota平台发送第一数据信息，在所述ota平台进行ivr巡房的外呼询问后向所述ota平台发送第二数据信息；

所述第一数据信息用于表征所述酒店向所述ota平台发送有房的信息；

所述第二数据信息用于表征所述酒店向所述ota平台发送无房的信息。

较佳地，步骤s1中的所述获取用户订单数据的步骤之前还包括：

判断用户下单的所述订单是否符合入库条件，在判断为是时，将所述订单按照所述订单对应的入库时间进行入库处理；

所述入库条件用于表征已经下单的订单属于非紧急且非取消的情况。

较佳地，所述用户订单预定数据包括是否为保留房信息、提前预订天数信息、预定房间数信息、订单单价信息和去年同期价格信息中的至少一种；

所述保留房包括酒店预留给ota平台进行直接售卖的酒店房间；

所述酒店历史数据包括酒店所在城市等级数据、酒店所在城市类型数据、ota平台评级数据、连锁类型数据、酒店类型数据、酒店星级数据和酒店销售量数据中的至少一种；

所述酒店房型的价格数据包括与酒店房型的价格有直接或者间接关系的价格；

所述酒店房型的紧张度数据用于表征酒店的售卖房型在所属城市或者所属商圈中的紧张程度；

所述酒店历史到店无房率用于表征根据酒店的历史住房数据中的酒店发生到店无房的次数占同时期订单总量的比例。

本发明还提供一种ota平台到店无房的预测系统，所述预测系统包括第一获取单元、第二获取单元、处理单元、预测单元和第一判断单元；

所述第一获取单元用于在用户下单后，获取用户订单数据，所述用户订单数据包括用户订单预定信息和酒店信息；

所述第二获取单元用于根据所述用户订单数据获取与所述用户订单数据对应的用户订单预定数据、酒店历史数据、酒店房型的价格数据、酒店房型的紧张度数据和酒店历史到店无房率数据；

所述处理单元用于通过决策树分类算法对所述用户订单预定数据、所述酒店历史数据、所述酒店房型的价格数据、所述酒店房型的紧张度数据和所述酒店历史到店无房率数据进行处理，建立用户到店无房概率预测模型；

所述预测单元用于根据所述用户到店无房概率预测模型预测与所述用户订单数据对应的用户订单发生到店无房的概率；

所述第一判断单元用于判断所述到店无房的概率是否大于设定阈值，在判断为是时，所述ota平台向酒店发送干预内容。

较佳地，所述干预内容包括ivr巡房的内容和/或ebk推送的内容；

所述ivr巡房用于表征ota平台的坐席与酒店语音对接会话，酒店进行人工排查确定是否会发生用户到店无房的情况；

所述ebk推送用于表征ota平台向酒店发送对应的库存房型信息、房型的房价信息和酒店实时信息。

较佳地，所述预测系统还包括第二判断单元；

所述第二判断单元用于判断所述酒店是否推翻，在判断为否时，所述ota平台在接收到用户确定修改订单的指令后将用户的当前订单修改为其他房型的订单或对用户进行相应的补偿；

所述推翻用于表征当酒店通过所述用户到店无房概率预测模型预测属于会发生到店无房的概率大于设定阈值的酒店时，所述酒店在所述ota平台进行ivr巡房的外呼询问时向所述ota平台发送第一数据信息，在所述ota平台进行ivr巡房的外呼询问后向所述ota平台发送第二数据信息；

所述第一数据信息用于表征所述酒店向所述ota平台发送有房的信息；

所述第二数据信息用于表征所述酒店向所述ota平台发送无房的信息。

较佳地，所述预测系统还包括第三判断单元；

所述第三判断单元用于判断用户下单的所述订单是否符合入库条件，在判断为是时，将所述订单按照所述订单对应的入库时间进行入库处理；

所述入库条件用于表征已经下单的订单属于非紧急且非取消的情况。

较佳地，所述用户订单预定数据包括是否为保留房信息、提前预订天数信息、预定房间数信息、订单单价信息和去年同期价格信息中的至少一种；

所述保留房包括酒店预留给ota平台进行直接售卖的酒店房间；

所述酒店历史数据包括酒店所在城市等级数据、酒店所在城市类型数据、ota平台评级数据、连锁类型数据、酒店类型数据、酒店星级数据和酒店销售量数据中的至少一种；

所述酒店房型的价格数据包括与酒店房型的价格有直接或者间接关系的价格；

所述酒店房型的紧张度数据用于表征酒店的售卖房型在所属城市或者所属商圈中的紧张程度；

所述酒店历史到店无房率用于表征根据酒店的历史住房数据中的酒店发生到店无房的次数占同时期订单总量的比例。

本发明的积极进步效果在于：

本发明通过用户下单获取用户下单数据，根据用户下单数据获得对应的用户订单预定数据、酒店历史数据、酒店房型的价格数据、酒店房型的紧张度数据和酒店历史到店无房率数据，再通过决策树分类算法根据以上获取的数据建立到店无房概率预测模型，预测与用户发生到店无房的概率；当到店无房的概率大于设定阈值时，ota平台向酒店发送干预内容，从而改善了现有技术中采用人工排查的方式对可能会发生到店无房的订单处理，存在订单处理总体覆盖率较低的问题，实现自动对到店无房的概率超过设定阈值的订单进行干预处理，减少用户到店无房的情况发生，从而提高用户体验，提升品牌形象。

附图说明

图1为本发明的实施例1的ota平台到店无房的预测方法的流程图；

图2为本发明的实施例2的ota平台到店无房的预测系统的结构示意图。

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

如图1所示，为本实施例的ota平台到店无房的预测方法的流程图。

本发明的ota平台到店无房的预测方法包括：

s101、在用户下单后，判断用户下单的所述订单是否符合入库条件，在判断为是时，将所述订单按照所述订单对应的入库时间进行入库处理；

其中，所述入库条件用于表征已经下单的订单属于非紧急且非取消的情况。

具体地，订单确定时间和订单入库时间之间的关系如下：

如果符合入库条件且订单确认时间在订单入住日前一天的15:00之前，则该订单入库时间为入住日前一天17:00；如果符合入库条件的订单确认时间在订单入住日前一天15:00到入住日当天16:00之间，则该订单入库时间为订单确认时间之后的2小时；如果符合入库条件的订单确认时间在订单入住日当天16:00到入住日当天17:00，则订单入库时间为入住日当天18:00；如果符合入库条件的订单确认时间在订单入住日当天17:00以后，则订单入库时间为订单确认时间的后一小时。

s102、获取用户订单数据，所述用户订单数据包括用户订单预定信息和酒店信息；

s103、根据所述用户订单数据获取与所述用户订单数据对应的用户订单预定数据、酒店历史数据、酒店房型的价格数据、酒店房型的紧张度数据和酒店历史到店无房率数据；

其中，所述用户订单预定数据包括是否为保留房信息、提前预订天数信息、预定房间数信息、订单单价信息和去年同期价格信息中的至少一种；

其中，所述去年同期价格是指在去年同一个时期同一种房型的价格。

所述保留房包括酒店预留给ota平台进行直接售卖的酒店房间；

所述酒店历史数据包括酒店所在城市等级数据、酒店所在城市类型数据、ota平台评级数据、连锁类型数据、酒店类型数据、酒店星级数据和酒店销售量数据中的至少一种；

所述酒店房型的价格数据包括与酒店房型的价格有直接或者间接关系的价格；

其中，与酒店房型价格有直接关系的价格包括当前订单的房型价格等；与酒店房型价格有间接关系包括同物理房型同一个入住日的最近七天提交订单价格的中位数即处于中间价格区间的房型价格；

所述酒店房型的紧张度数据用于表征酒店的售卖房型在所属城市或者所属商圈中的紧张程度；

所述酒店历史到店无房率用于表征根据酒店的历史住房数据中的酒店发生到店无房的次数占同时期订单总量的比例。其中，可以通过当用户发生到店无房的情况，对该用户入住的酒店进行标记，从而对所述酒店发生到店无房的次数进行统计。

s104、通过决策树分类算法对所述用户订单预定数据、所述酒店历史数据、所述酒店房型的价格数据、所述酒店房型的紧张度数据和所述酒店历史到店无房率数据进行处理，建立用户到店无房概率预测模型；

具体地，第一步，对获取的用户订单数据进行处理，形成原始数据集；第二步，对原始数据集进行数据清洗、缺失值(即没有数据)处理等数据预处理操作；第三步，将处理好的数据分为训练数据和测试数据两个部分；第四步，通过决策树分类算法对训练数据进行训练到店无房概率预测模型，将训练好的到店无房概率预测模型应用于测试数据上，获得训练效果。

其中，到店无房概率预测模型的离线效果验证过程如下：

假设有4张订单，到店无房概率预测模型的预测值为scores＝[0.1，0.4，0.35，0.8]，预测模型真实值为y＝[0，0，1，1](标记为1的表示为正样本，标记为0的表示为负样本)，到店无房概率预测模型的设定阈值设为0.35，即模型预测值score≥0.35为正样本。如表1所示：

表1

其中，模型判断正确的数量＝{scores≥0.35的样本量}，模型判断错误的数量＝{scores＜0.35的样本量}，实际是负样本的数量＝{模型真实值是为0的}，实际是正样本的数量＝{模型真实值是为1的}。

从而，准确率＝(模型判正确的且实际是正样本的)/模型总量＝2/(2+1)＝66.7％；召回率＝(模型判正确的且实际是正样本的)/实际正样本总量＝2/(2+1)＝66.7％。其中，准确率和召回率为到店无房概率预测模型离线效果的衡量指标。

具体地，例如，假设有4张订单o＝[o1，o2，o3，o4]，发生到店无房的订单一共2单，无房＝[o3，o4]，则所述订单是否发生到店无房可以表示为y＝[0，0，1，1]，此时y表示真实值。假设现有到店无房概率预测模型变量加入模型后，到店无房概率预测模型获得scores＝[0.1，0.4，0.35，0.8]，且预测模型的到店无房概率的设定阈值为0.35，表示当score≥0.35时，该酒店很有可能会发生到店无房的情况，当低于0.35时，则不做考虑，依据scores＝[0.1，0.4，0.35，0.8]判断是否发生到店无房标记为y＝[0，1，1，1]，则建立的到店无房概率预测模型的准确率和召回率均为66.7％。

s105、根据所述用户到店无房概率预测模型预测与所述用户订单数据对应的用户订单发生到店无房的概率；

s106、判断所述到店无房的概率是否大于设定阈值，在判断为是时，所述ota平台向酒店发送干预内容；

其中，所述干预内容包括ivr巡房的内容和/或ebk推送的内容；

所述ivr巡房用于表征ota平台的坐席与酒店语音对接会话，酒店进行人工排查确定是否会发生用户到店无房的情况；

所述ebk推送用于表征ota平台向酒店发送酒店对应的库存房型信息、房型的房价信息和酒店信息。

s107、判断所述酒店是否推翻，在判断为否时，所述ota平台在接收到用户确定修改订单的指令后将用户的当前订单修改为其他房型的订单或对用户进行相应的补偿；

所述推翻用于表征当酒店通过所述用户到店无房概率预测模型预测属于会发生到店无房的概率大于设定阈值的酒店时，所述酒店在所述ota平台进行ivr巡房的外呼询问时向所述ota平台发送第一数据信息，在所述ota平台进行ivr巡房的外呼询问后向所述ota平台发送第二数据信息；

所述第一数据信息用于表征所述酒店向所述ota平台发送有房的信息；

所述第二数据信息用于表征所述酒店向所述ota平台发送无房的信息。

实施例2

如图2所示，本发明还提供一种ota平台到店无房的预测系统，所述预测系统包括第一获取单元1、第二获取单元2、处理单元3、预测单元4和第一判断单元5、第二判断单元6和第三判断单元7。

所述第一获取单元1用于在用户下单后，获取用户订单数据，所述用户订单数据包括用户订单预定信息和酒店信息；

所述第三判断单元7用于判断用户下单的所述订单是否符合入库条件，在判断为是时，将所述订单按照所述订单对应的入库时间进行入库处理；

所述入库条件用于表征已经下单的订单属于非紧急且非取消的情况。

具体地，订单确定时间和订单入库时间之间的关系如下：

如果符合入库条件且订单确认时间在订单入住日前一天的15:00之前，则该订单入库时间为入住日前一天17:00；如果符合入库条件的订单确认时间在订单入住日前一天15:00到入住日当天16:00之间，则该订单入库时间为订单确认时间之后的2小时；如果符合入库条件的订单确认时间在订单入住日当天16:00到入住日当天17:00，则订单入库时间为入住日当天18:00；如果符合入库条件的订单确认时间在订单入住日当天17:00以后，则订单入库时间为订单确认时间的后一小时。

所述第二获取单元2用于根据所述用户订单数据获取与所述用户订单数据对应的用户订单预定数据、酒店历史数据、酒店房型的价格数据、酒店房型的紧张度数据和酒店历史到店无房率数据；

其中，所述用户订单预定数据包括是否为保留房信息、提前预订天数信息、预定房间数信息、订单单价信息和去年同期价格信息中的至少一种；

其中，所述去年同期价格是指在去年同一个时期同一种房型的价格。

所述保留房包括酒店预留给ota平台进行直接售卖的酒店房间；

所述酒店历史数据包括酒店所在城市等级数据、酒店所在城市类型数据、ota平台评级数据、连锁类型数据、酒店类型数据、酒店星级数据和酒店销售量数据中的至少一种；

所述酒店房型的价格数据包括与酒店房型的价格有直接或者间接关系的价格；

其中，与酒店房型价格有直接关系的价格包括当前订单的房型价格等；与酒店房型价格有间接关系包括同物理房型同一个入住日的最近七天提交订单价格的中位数即处于中间价格区间的房型价格；

所述酒店房型的紧张度数据用于表征酒店的售卖房型在所属城市或者所属商圈中的紧张程度；

所述酒店历史到店无房率用于表征根据酒店的历史住房数据中的酒店发生到店无房的次数占同时期订单总量的比例。其中，可以通过当用户发生到店无房的情况，对该用户入住的酒店进行标记，从而对所述酒店发生到店无房的次数进行统计。

所述处理单元3用于通过决策树分类算法对所述用户订单预定数据、所述酒店历史数据、所述酒店房型的价格数据、所述酒店房型的紧张度数据和所述酒店历史到店无房率数据进行处理，建立用户到店无房概率预测模型；

所述预测单元4用于根据所述用户到店无房概率预测模型预测与所述用户订单数据对应的用户订单发生到店无房的概率；

所述第一判断单元5用于判断所述到店无房的概率是否大于设定阈值，在判断为是时，所述ota平台向酒店发送干预内容。

其中，所述干预内容包括ivr巡房的内容和/或ebk推送的内容；

所述ivr巡房用于表征ota平台的坐席与酒店语音对接会话，酒店进行人工排查确定是否会发生用户到店无房的情况；

所述ebk推送用于表征ota平台向酒店发送酒店对应的库存房型信息、房型的房价信息和酒店信息。

所述第二判断单元6用于判断所述酒店是否推翻，在判断为否时，所述ota平台在接收到用户确定修改订单的指令后将用户的当前订单修改为其他房型的订单或对用户进行相应的补偿；

所述推翻用于表征当酒店通过所述用户到店无房概率预测模型预测属于会发生到店无房的概率大于设定阈值的酒店时，所述酒店在所述ota平台进行ivr巡房的外呼询问时向所述ota平台发送第一数据信息，在所述ota平台进行ivr巡房的外呼询问后向所述ota平台发送第二数据信息；

所述第一数据信息用于表征所述酒店向所述ota平台发送有房的信息；

所述第二数据信息用于表征所述酒店向所述ota平台发送无房的信息。

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作出多种变更或修改，但这些变更和修改均落入本发明的保护范围。