Eine allgemeine Einführung ins Machine Learning
Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz, bei dem Computer Algorithmen entwickeln und verbessern können, indem sie aus alten und neuen Daten lernen. Innerhalb des maschinellen Lernens, wird unterschieden in Überwachtes Lernen, Unüberwachtes Lernen und Verstärkendes Lernen. Dies ist für ein grundlegendes Verständnis jedoch erstmal nicht relevant. Denn grundsätzlich gilt, anstatt explizite Anweisungen zu erhalten, um eine bestimmte Aufgabe auszuführen, können Systeme mithilfe von maschinellem Lernen Muster und Zusammenhänge in Daten erkennen, die aus einer großer Vielfalt von Datenquellen, in großen Mengen und mit hoher Geschwindigkeit anfallen (Big Data). Das bedeutet, ohne Maschinelles Lernen könnten wir nicht von Künstlicher Intelligenz sprechen. Denn ohne die Fähigkeit Muster in Daten zu erkennen und Wissen aus ihnen zu gewinnen, wäre die Schaffung von intelligenten, autonomen handelnden Systemen undenkbar.
KI wiederum bringt Kontext und Verständnis in das maschinelle Lernen, um menschenähnliche Intelligenz zu erreichen und menschenähnliche Entscheidungen zu simulieren. KI nutzt die gewonnenen Erkenntnisse durch maschinelles Lernen, um komplexe Aufgaben wie Bilderkennung, Sprachverstehen, autonomes Fahren oder für das Hotel zugeschnittene Preisempfehlungen zu erreichen.
Wie ARIS lernt und arbeitet
In den vorhergehenden Blog Beiträgen wurden bereits einige Datenquellen und deren Einfluss auf die Nachfrage und das Pricing eines Hotels erläutert. Natürlich ist nicht jeder Datensatz für jedes Hotel relevant. Deshalb wurde ARIS als zweistufiges Modell entwickelt. Im ersten Schritt wird mit der Beurteilung jedes einzelnen der über 1000 Datafeatures begonnen. Man kann es sich so vorstellen, als sitzt jemand im Hintergrund und beobachtet über die letzten Jahre hinweg, ob es eine Auswirkung auf die Buchunge gab, wenn es zum Beispiel geregnet hat oder die Sonne schien. Ist dies nicht der Fall, werden diese Datenfeature auch vorerst nicht mehr in die nächsten Schritte, die Berechnung der Preise, miteinbezogen. Dieser Prozess wird jedoch regelmäßig wiederholt um eventuelle Änderungen im Buchungsverhalten und den Datensätzen nicht zu verpassen.
Im zweiten Schritt werden dann kontinuierlich die Daten Features beobachtet, bei denen ARIS eine Korrelation (statistisches Maß, das ausdrückt, inwieweit zwei Variablen in einer linearen Beziehung zueinander stehen) feststellen konnte. Hat ARIS in der ersten Analyse feststellen können, dass es einen Zusammenhang zwischen Pickup und Windstärke am Wochenende gibt, betrachtet das System die Wetterdaten der nächsten Wochen und evaluiert Änderungen stündlich.
Lesetipp: Wie die Windstärke den Pickup eines Hotels beeinflussen kann, erfahren Sie in Band 2.
Im letzten Schritt platziert das System alle Datensätze nach Relevanz für das Hotel Pricing. Merkmale, die einen höhren Einfluss nehmen, werden dementsprechend höher platziert und fallen bei der Preisgestaltung mehr ins Gewicht. Dieses Ranking wird dem Nutzer imHotellistat InsightFeed angezeigt, um Verständnis für die Preisempfehlung von ARIS zu schaffen und dem Hotel die Möglichkeit zu geben, zu lernen, welche Faktoren für ihr Hotel besonders wichtig sind. Nebenbei erzeugt die Transparenz Vertrauen in das System, da im Unterschied zu vielen anderen RMS klar wird wie die Preisempfehlungen zustande kommen.
Das System durch eigene Erfahrungswerte bereichern
Es gibt weiterhin die Möglichkeit das System “selbst zu trainieren” und ihm die Hotelinteressen mitzugeben. So kann zum Beispiel die präferierte Marktposition eingestellt werden, oder ob das System eine auslastungsbasierte oder ratenbasierte Strategie fahren soll. Dabei kann das Hotel entscheiden, ob es eine Minimum oder Maximum Rate festzulegen möchte, oder ob Preisempfehlungen vollkommen offen, anhand der Daten getroffen werden sollen. Außerdem lernt das System, wenn das Hotel manuell Preise nachjustiert.
Des Weiteren kann sich der Nutzer dazu entscheiden eine eigene Strategie in Hotellistat zu hinterlegen. Dann agiert ARIS nach einer Wenn-Dann-Funktion. Ein Beispiel wäre wenn die Windbedingungen gut sind, dann möchte das Hotel nochmal +10% auf den aktuellen Preis draufsetzen, aber nur am Wochenende. Da ARIS die Wetterdaten erhält, passt das System die Hotelpreise entsprechend an, sobald die Windbedingungen entsprechend gemeldet werden.
Zusammenfassung
Aufgrund des maschinellen Lernens kann ARIS Muster und Zusammenhänge in den umfangreichen Hotel- und Marktdaten erkennen und darauf basierend eigenständig die besten Preisentscheidungen und Nachfragevorhersagen (Forecast) treffen. ARIS ist als Hotel Revenue Management System also in der Lage menschenähnliche Intelligenz in der Preisfindung und Preis- und Restriktionssetzung zu simulieren. Aufgrund der sekundenschnellen Analyse von neuen Daten ergibt sich einen immenser Geschwindigkeitsvorteil. Außerdem sammelt und beobachtet Hotellistat viel mehr Daten, als es ein Mensch je könnte und kann die Situationsanalyse und Entscheidungsfindung deshalb nicht nur schneller, sogar auch noch akkurater durchzuführen.
