AI-ценообразование для сети отелей: +18% RevPAR за 4 месяца

Региональная сеть из 3 отелей в Краснодарском крае годами управляла ценами вручную. Результат: потеря выручки в пиковые сезоны, пустые номера в низкий сезон, и никакой конкурентной стратегии. Мы помогли им внедрить ML-модель для динамического ценообразования, которая анализирует спрос, погоду, события и цены конкурентов. За 4 месяца разработки и внедрения доход вырос на ₽24 млн в год.

---

Сеть состояла из трёх отелей разной категории (3*, 4*, 4* premium) общей вместимостью 280 номеров. Два отеля работали в туристических зонах Кавказа, третий — в деловом центре. Общая годовая выручка на момент начала проекта составляла ≈₽380 млн.

Управление сетью осуществлялось из одного офиса, но каждый отель имел собственный фронт-офис и систему резервирования (архаичная система на Access + Google Sheets). Ценообразование? Это был процесс, состоящий из еженедельных встреч, где менеджер по продажам смотрел на заполняемость прошлых дней и примерно угадывал цены на неделю вперед.

Основная проблема: эта "система" терялась при сезонных колебаниях. Летом туристы готовы платить в 2-3 раза больше, но система часто была недооценена на 20-40%. Зимой же перебор с ценами приводил к пустым номерам и убыткам на операционные расходы.

---

Аналитика показала масштаб проблемы:

• Недооценка в пиковый сезон: летом и в новогодние праздники цены ставились на 25-40% ниже возможного, что означало потерю примерно ₽12-15 млн/год
• Переоценка в низкий сезон: осень и весна — цены не снижались достаточно, номера пустовали на 25-35%, что при операционных расходах ≈₽2000-3000/номер/ночь означало убыток
• Отсутствие реакции на события: крупные спортивные или культурные события, концерты в регионе не учитывались вообще
• Игнорирование погоды: горнолыжный сезон, погода на курортах — всё это влияет на спрос, но никак не отражалось в ценах
• Отсутствие конкурентного анализа: соседние отели часто были дешевле, но наше ценообразование было статичным

Финансовый расчет показал: при одинаковой заполняемости конкуренты зарабатывают на 18-22% больше благодаря динамическому ценообразованию.

---

Мы предложили комплексное решение на базе машинного обучения:

Этап 1: Сбор данных (2 недели)

• Исторические данные о заполняемости (2 года назад в архивных отчётах)
• Данные о ценах конкурентов (парсинг с booking.com, агрегаторов)
• Метеорологические данные (осадки, температура, сезонность)
• Календарь событий (праздники, выходные, концерты, спортивные события в регионе)
• Данные Channel Manager по брони и отмены

Этап 2: Разработка ML-модели (6 недель)

Мы построили XGBoost-модель, которая предсказывает оптимальную цену номера на 7-14 дней вперед. Входные параметры:

• Текущая заполняемость по датам
• Среднее количество дней до бронирования
• Цены конкурентов (обновляются ежедневно)
• Сезонность и день недели
• Наличие крупных событий
• Прогноз погоды
• День от начала недели, праздники

Модель обучалась на исторических данных о спросе и ценах. На тестовой выборке (последние 3 месяца перед внедрением) модель предсказала оптимальные цены с точностью 88% (по метрике ROI).

Этап 3: Интеграция с системами отелей (4 недели)

Создали FastAPI backend, который:

• Получает текущие данные из Channel Manager каждый час
• Запускает модель и вычисляет оптимальные цены на 7-14 дней
• Отправляет рекомендации в Channel Manager и систему резервирования отелей
• Хранит всю историю в PostgreSQL
• Показывает аналитику и рекомендации в веб-интерфейсе

Этап 4: Пилот и оптимизация (2 недели)

Первые две недели система работала в режиме "рекомендаций" — менеджеры видели, какие цены предлагает модель, но применяли их вручную. Это позволило убедиться, что модель работает правильно, и отловить edge cases (например, дни с очень низким спросом).

Во второй половине периода система перешла в полуавтоматический режим: модель автоматически меняет цены, но менеджеры могут переопределить на 2-3 часа, если знают о каких-то факторах, которые модель не учла.

---

По отелям:

• Отель 3* (130 номеров): +16% RevPAR, особенно хорошо в межсезонье
• Отель 4* туристический (80 номеров): +22% RevPAR (модель хорошо ловила пиковые события)
• Отель 4* деловой (70 номеров): +12% RevPAR, улучшена прогнозируемость в деловые дни

Побочные эффекты:

• Менеджеры сэкономили 10-15 часов в неделю на ценообразование и аналитику
• Повышена справедливость: теперь нет ситуаций "один тип гостей платит в 2 раза дороже за одну ночь"
• Улучшена планируемость — теперь можно точнее прогнозировать выручку на квартал
• Система автоматически реагирует на конкурентов, что раньше было невозможно

"Когда мы внедрили систему, сначала сомневались. Но результаты говорят сами за себя. За 4 месяца мы заработали на ₽6 млн больше, чем в аналогичный период прошлого года. А главное — теперь цены меняются автоматически в зависимости от спроса, как у больших сетей в Европе. Наши гости даже не замечают разницу — для них всё выглядит естественно."

— Геннадий Морозов, генеральный директор сети отелей

---

• Revenue Management правила: система учитывает минимальную цену (не ниже себестоимости + маржа 15%) и максимальную (не выше рыночной потолка)
• Сезонность: модель отдельно обучена на каждый сезон, т.к. летний спрос качественно отличается от зимнего
• Скоринг качества: система рассчитывает "уверенность" в каждой цене и может переходить в ручной режим, если уверенность ниже 70%
• A/B тестирование: на одном из отелей мы давали модели разные параметры риска (консервативный vs агрессивный) и выбрали оптимальный
• Мониторинг дрейфа: модель переобучается каждую неделю на новых данных, с контролем того, что качество не падает

---

Стоимость разработки: ₽1.8 млн (4 месяца работы на базе CTO on-demand)

Стоимость содержания: ₽40k/месяц (hosting, обновление моделей, поддержка)

Окупаемость: менее 1 месяца (прибыль ₽2 млн/месяц × на первый месяц уже даёт +₽3-4 млн выручки)

ROI: 1333% в первый год

Клиент сразу согласился на долгосрочный контракт на обслуживание и развитие системы.

---

1. Бизнес-менеджеры нужно убеждать постепенно. Сначала модель работала в режиме рекомендаций, и это было критично. Если бы мы сразу перешли на полную автоматизацию, менеджеры не доверили бы системе.

2. Данные о погоде и событиях — крайне важны. Казалось бы, очевидно, но на практике эти параметры дали +7% точности модели. Особенно важны для курортных отелей.

3. Разные типы номеров нужны разные модели. Suite vs номер эконом-класса — совсем разные кривые спроса. В итоге у нас в системе 6 разных моделей.

4. Конкурентные данные нужно обновлять часто. Цены конкурентов меняются, и если обновлять данные раз в день, то теряется 5-7% потенциальной выручки. Пришлось переделать сбор данных на real-time.

Этот проект показал, что даже региональные игроки на рынке HoReCa могут использовать передовые методы AI для существенного увеличения доходов.