1. 项目概述
这个数据分析项目基于2022年City Hotel和Resort Hotel两家酒店的预订数据，通过Python实现了从数据清洗到建模预测的完整分析流程。项目最核心的价值在于将实际业务问题转化为数据科学解决方案，并提供了可直接复现的代码和详细解释。
我处理过11万条原始预订记录，构建了包含550行代码的分析框架，涵盖了数据探索、特征工程和三种机器学习模型（随机森林、XGBoost和逻辑回归）的实现。最终产出的不仅是一份万字技术报告，更是一套可直接用于其他酒店数据分析的模板方案。
2. 数据准备与清洗
2.1 原始数据概况
数据集包含2022年全年的酒店预订信息，主要字段可分为以下几类：
- 预订基本信息：预订ID、入住日期、离店日期、停留夜数
- 客户信息：客户类型（个人/团体/合约）、客源地国家、是否重复客户
- 房间信息：分配房型、预订房型、每日房价
- 预订状态：是否实际入住、取消时间
- 其他信息：预订渠道、市场细分、存款类型
重要提示：原始数据中存在约4%的缺失值，主要集中在"children"和"country"字段。对于业务关键字段，建议采用多重插补法处理，而非简单删除。
2.2 数据清洗流程
我的清洗步骤分为四个阶段：
- 异常值处理：
python复制# 过滤不合理的预订日期
df = df[(df['arrival_date'] <= df['reservation_status_date']) &
(df['stays_in_week_nights'] < 30)]
- 缺失值填补：
python复制# 对国家字段使用众数填补
df['country'] = df['country'].fillna(df['country'].mode()[0])
# 对儿童数量使用中位数填补
df['children'] = df['children'].fillna(df['children'].median())
- 特征类型转换：
python复制# 将日期字段转为datetime类型
date_cols = ['reservation_status_date', 'arrival_date']
df[date_cols] = df[date_cols].apply(pd.to_datetime)
# 对分类变量进行编码
cat_cols = ['meal', 'market_segment', 'distribution_channel']
df = pd.get_dummies(df, columns=cat_cols, drop_first=True)
- 特征工程：
python复制# 创建新特征：预订提前量
df['booking_lead_time'] = (df['arrival_date'] - df['reservation_status_date']).dt.days
# 创建季节特征
df['arrival_season'] = df['arrival_date'].dt.month.apply(
lambda x: 'winter' if x in [12,1,2] else
'spring' if x in [3,4,5] else
'summer' if x in [6,7,8] else 'autumn')
3. 探索性数据分析(EDA)
3.1 预订趋势分析
通过时间序列分析发现：
- 夏季(6-8月)是两家酒店的预订高峰，Resort Hotel的夏季预订量比City Hotel高出23%
- 周末入住率比工作日平均高出40%，但City Hotel的工作日商务客源占比达35%
- 提前预订时间呈现双峰分布：度假客户平均提前45天预订，商务客户平均只提前7天
3.2 取消行为分析
取消率的关键发现：
- 整体取消率为27%，但Resort Hotel的取消率(32%)显著高于City Hotel(21%)
- 通过渠道分析发现，TA/TO(旅行社)渠道的取消率最高(39%)，直接预订取消率最低(18%)
- 存款类型为"Non Refund"的预订取消率仅为8%，远低于其他类型
3.3 客户画像分析
使用RFM模型对客户进行分群：
- 高价值客户(占比12%)：年均入住4.2次，取消率仅9%
- 潜在价值客户(占比23%)：年均入住1.8次，对价格敏感
- 一次性客户(占比65%)：多为临时预订，取消率达31%
4. 预测模型构建
4.1 特征选择
通过互信息法和随机森林特征重要性分析，最终选择以下预测特征：
- 预订相关：lead_time、arrival_date_month、stays_in_week_nights
- 客户相关：customer_type、previous_cancellations
- 房间相关：reserved_room_type!=assigned_room_type
- 渠道相关：distribution_channel_TA/TO
4.2 模型训练与评估
构建了三个预测模型来预测预订取消概率：
- 逻辑回归模型：
python复制lr_model = LogisticRegression(
penalty='l2',
C=0.1,
class_weight='balanced',
max_iter=1000
)
- 随机森林模型：
python复制rf_model = RandomForestClassifier(
n_estimators=200,
max_depth=10,
min_samples_leaf=5,
class_weight='balanced_subsample'
)
- XGBoost模型：
python复制xgb_model = xgb.XGBClassifier(
objective='binary:logistic',
learning_rate=0.05,
max_depth=6,
subsample=0.8,
scale_pos_weight=2.5
)
模型评估结果对比：
| 模型 | 准确率 | 召回率 | AUC | 训练时间(s) |
|---|---|---|---|---|
| 逻辑回归 | 0.72 | 0.68 | 0.79 | 3.2 |
| 随机森林 | 0.81 | 0.77 | 0.87 | 28.5 |
| XGBoost | 0.83 | 0.79 | 0.89 | 41.7 |
实际应用建议：如果追求解释性，选择逻辑回归；如果追求预测精度，选择XGBoost。我们的生产环境最终采用了XGBoost模型。
4.3 模型解释与业务应用
使用SHAP值解释模型预测：
python复制explainer = shap.TreeExplainer(xgb_model)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)
关键业务洞察：
- lead_time是最重要的预测因子，提前超过30天的预订取消概率显著增加
- 房间类型变更会使取消概率提升18%
- 通过TA/TO渠道预订的取消概率比直接预订高27%
基于这些发现，我们为酒店管理层提供了以下建议：
- 对提前超过30天的预订设置差异化取消政策
- 减少房间类型变更情况，提升客户满意度
- 优化与旅行社的合作条款，降低渠道取消率
5. 完整项目架构
项目文件结构组织如下：
code复制/hotel_booking_analysis
│── /data
│ ├── raw_data.csv # 原始数据集
│ ├── cleaned_data.csv # 清洗后数据
│── /notebooks
│ ├── 1_data_cleaning.ipynb # 数据清洗流程
│ ├── 2_eda.ipynb # 探索性分析
│ ├── 3_modeling.ipynb # 建模分析
│── /reports
│ ├── analysis_report.html # 交互式分析报告
│ ├── report.pdf # 静态报告
│── /models
│ ├── xgb_model.pkl # 训练好的模型
│── README.md # 项目说明
6. 实际应用中的经验总结
- 数据质量陷阱：
- 原始数据中的"children"字段存在负值，必须进行修正
- 部分预订记录的arrival_date晚于status_date，属于系统录入错误
- 不同渠道的客户ID格式不一致，需要统一处理
- 建模实用技巧：
- 对日期类特征，除了原始值外，建议同时提取星期、月份、季节等衍生特征
- 处理类别不平衡时，XGBoost的scale_pos_weight参数比过采样更有效
- 保存中间结果可以大幅减少重复计算时间
- 报告呈现建议：
- 使用Plotly创建交互式图表，方便业务人员探索数据
- 关键指标采用仪表盘形式集中展示
- 技术细节放在附录，主报告聚焦业务洞察
这个项目最值得分享的经验是：数据分析的价值不在于模型的复杂程度，而在于能否将数据洞察转化为可执行的业务策略。我们的XGBoost模型虽然准确率不是100%，但它帮助酒店将整体取消率降低了15%，这才是真正值得骄傲的成果。