Hotel Bookings

Модель прогнозирует вероятность отмены бронирования по характеристикам брони и текстовой информации.

Основная бизнес-цель — заранее выявлять рискованные бронирования и оценивать потенциальный revenue uplift.

Около 27% бронирований содержали доступный текстовый отзыв. Текст был преобразован в TF-IDF представление с ограничением словаря до 500 признаков.

Признаки позволяют одновременно учитывать характеристики бронирования и содержательную информацию из отзывов клиентов.

Гиперпараметры оптимизировались с помощью Optuna. Данные разделялись на train, calibration и test. После обучения вероятности модели калибровались.

depth = 4
learning_rate ≈ 0.196
iterations = 480
l2_leaf_reg ≈ 7.25
threshold = 0.533

Значения Incremental Revenue на calibration и test находятся на близком уровне, что говорит о стабильности выбранного решения.

Production-часть проекта использует batch inference. Модель и preprocessing сохраняются как ML-артефакты, данные загружаются из PostgreSQL, а результаты записываются обратно в базу.

В результате построен полный ML-пайплайн прогнозирования отмен — от подготовки данных и NLP до калибровки, оптимизации порога и оценки бизнес-эффекта.