1 项目背景

使用2015年7月到2017年8月两年的订单数据进行分析，了解酒店预订需求的基本情况，找出导致订单取消的特征。

2 数据初步探索

2.1 数据结构梳理

拿到数据之后，首先看看里面具体有哪些内容，理解每个字段（变量）的意思，具体的数值代表什么，数据之间有哪些关系。根据二八法则，简单的数据分析、结构梳理和数据清洗的工作占数据分析80%以上的工作量，虽然很基础枯燥，没什么技术含量，但是这些前提工作必须要做好，才可能把项目理解透彻，很大程度上决定了项目的成败。

这里的每一行数据代表着一个订单。

id	字段名	解析
1	hotel	酒店类型：city hotel（城市酒店），resort hotel（度假酒店）
2	is_canceled	订单是否取消：1（取消），0（没有取消）
3	lead_time	下单日期到抵达酒店日期之间间隔的天数
4	arrival_date_year	抵达年份：2015、2016、2017
5	arrival_date_month	抵达月份：1月-12月
6	arrival_date_day_of_month	抵达日期：1-31日
7	arrival_date_week_number	抵达的年份周数：第1-72周
8	stays_in_weekend_nights	周末（星期六或星期天）客人入住或预定入住酒店的次数
9	stays_in_week_nights	每周晚上（星期一至星期五）客人入住或预定入住酒店的次数
10	adults	成年人数
11	children	儿童人数
12	babies	婴儿人数
13	meal	预订的餐型：SC\BB\HB\FB
14	country	原国籍
15	market_segment	细分市场
16	distribution_channel	预订分销渠道
17	is_repeated_guest	订单是否来自老客户（以前预订过的客户）：1（是）0（否）
18	previous_cancellations	客户在当前预订前取消的先前预订数
19	previous_bookings_not_canceled	客户在本次预订前未取消的先前预订数
20	reserved_room_type	给客户保留的房间类型
21	assigned_room_type	客户下单时指定的房间类型
22	booking_changes	从预订在PMS系统中输入之日起至入住或取消之日止，对预订所作的更改/修改的数目
23	deposit_type	预付定金类型，是否可以退还：No Deposit（无订金）Non Refund（不可退）Refundable（可退）
24	agent	预订的旅行社
25	company	下单的公司（由它付钱）
26	days_in_waiting_list	订单被确认前，需要等待的天数
27	customer_type	客户类型
28	adr	平均每日收费，住宿期间的所有交易费用之和/住宿晚数
29	required_car_parking_spaces	客户要求的停车位数
30	total_of_special_requests	客户提出的特殊要求的数量(例如。 双人床或高层)
31	reservation_status	订单的最后状态：canceled（订单取消）Check-Out（客户已入住并退房）No-show（客户没有出现，并且告知酒店原因）
32	reservation_status_date	订单的最后状态的设置日期

ps：当is_canceled为1（取消）时，后面的数据并不是都为0，而是正常的数值，说明，这里的信息代表的是预订的时候的信息，比如lead_time，代表的是预订之日，到预计抵达之日之间间隔的日期，而非实际抵达的日期。

2.2 简单探索性数据分析

简单的探索性数据分析主要用于研究数据的分布结构，比如一个变量的极大值、极小值、中位数是什么，数据的分布情况是怎样，通过探索性分析，可以直观地掌握数据的各项特征，为后续的数据清洗工作提供有效的帮助，对清洗后的数据进行探索性分析，将有利于后续分析中选取更合适的数据分析技术。

用pandas_profiling生成探索性数据分析报告，对数据进行初步了解。

import pandas as pd
import pandas_profiling as ppfile_path = r'G:\hotel_booking.csv'
data = pd.read_csv(file_path)
report = pp.pandas_profiling(data)

• 1、该数据集一共有119390行，32个变量。
• 2、重复的行数有26.8%。
• 3、缺失率3.4%，含有缺失值的变量由：children、agent、country、company。
• 4、异常值：adr中包含负值、可能的显著离群点。
• 5、85%以上数据为0的变量：children、babies、is_repeated_guest、previous_cancellations、previous_bookings_not_canceled、booking_changes、day_in_waiting_list、required_car_parking_spaces。
• 6、订单的时间范围为：2015/7/1–2017/8/31，全面跨越的年度只有2016年。

3 数据清洗

3.1 缺失值处理

1、children 有4个缺失值，缺失率<0.01%，应该是没有children入住，用0填充
2、agent 有16340个缺失值，很可能是非机构客户预订的，为个人客户，用0填充
3、country 有488个缺失值，缺失率约0.409%，可能是采集的时候出的问题，用众数进行填充
4、company 中缺失值率超过94%，说明大多数订单是个人客户，之后可以分别对公司和个人预订的行为进行分析，暂用0填充

data_new['children'].fillna(0,inplace=True)
data_new['agent'] = data['agent'].fillna(0)
data_new['country'] = data['country'].fillna(data['country'].mode())
data_new.drop('company',axis=1,inplace=True)

3.2 重复值处理

根据pandas_profilling显示的报告，该数据集的重复率超过23%，但是考虑每一行的订单没有特定的id标识，默认其为合理现象，对重复数据不进行处理。

3.3 异常数据处理

1、adult、children、babies同时为0的情况不合理，共180行，把这些类数据删除。
2、adr平均每日收费中，有1行为负值，删掉。
3、adr中最大值为5400，其他数据均在510以内，且相似的订单（总人数、房型、年月份、特殊要求数，用餐类型相同）的平均adr仅为69，由此判断此值为显著离群点，删除。
4、undefined值
market_segment中2个undefined，用众数Online TA替换。
distribution_channel有5个undefined，用众数TO/TA替换。
meal中有1169个undefined，应该是没有订任何餐型，跟SC意义相同，用SC替换。

data_new['market_segment'].replace('Undefined','Online TA')
data_new['distribution_channel'].replace('Undefined','TO/TA')
data_new['meal'].replace('Undefined','SC')

ps：存在一些看似不太合理，但根据业务具体情况，有可能是合理的数据，不进行处理。比如：

1、对于previous_bookings_not_canceled，当is_repeated_guest为0（全新客户）的时候，此字段有783行数据不为0，即存在这样的客户：在预定日期到抵达日期这个时间段里，下了多个订单。所以，is_repeated_guest为0，previous_bookings_not_canceled不为0，是合理的。

2、stays_in_weekend_nights+stays_in_week_nights=0（总住宿晚数）的adr全部为零，而adr为0的时候，stays_in_weekend_nights+stays_in_week_nights不一定为0。第一，考虑adr是根据总住宿费用/总住宿晚数来计算的，所以出现第一种情况很正常，如果在实际场景中的分析，需要重新考量adr的计算方法，这里为了可以进行下一步的分析，暂时把这种情况定义为合理情况。而第二种情况，可能是由于平台给出的优惠，搞活动之类的，吸引客户，不用给钱也可以住宿。

3.4 数据转化、重组

为了方便分析，需要对一些数据类型进行修改，或者增加分析变量。
1、将arrival_date_month中的英文月份变为中文月份。
2、增加一列预订到店的年月日arrival_date =（arrival_date_year+arrival_date_month+arrival_date_day_of_month）。
3、增加一列总住宿晚数stays_nights_total
=（stays_in_weekend_nights+stays_in_week_nights）。
4、增加一列住宿人数number_of_people
=(adults+children+babies)

处理后的数据数量：共119208行，35列。

print(data.shape)

(119208, 35)

4 构建分析框架

1、EDA分析：

5 分析

在进行具体的分析之前，我了解了一下City Hotel和Resort Hotel两种酒店的一些不同特性，作出一下的对比：

不同的酒店，面对的客户类型不同，营销策略也会有明显差异，也可能会有不同的趋势，在进行分析的时候，如果忽略不同酒店的影响，仅对总体进行分析，那么无论是趋势分析，或者用户结构分析，可能都会模糊掉一些信息，所以，对以下的分析，我都会先对总体进行分析，在对不同酒店类型进行分析。

5.1 运营角度

5.1.1 订单需求趋势

5.1.1.1 总体订单需求趋势

（营收=平均ADR酒店预订数量）

从酒店预订需求曲线来看，酒店预订需求的趋势不是很明显，但是呈明显季节性波动，可以结合年度折叠时间序列图，能更清楚地看出需求首季节影响比较大，有明显的“旺季”和“淡季”。

酒店预订的高峰期分别出现在四月、五月、六月，和九月、十月这两个连续时间段，十二月、一月、二月的预订比较低，2016年一年中，最低值为一月2248笔预订单，最高值为十月6196笔预订单。最低需求比最高需求相差174%。

5.1.1.2 不同酒店订单需求趋势

从图中可以看出，城市酒店（City Hotel）的需求和平均ADR、营收的趋势较为一致，需求最大的时候，酒店的价格越高，需求小的时候，酒店的价格就小。而度假酒店（Resort Hotel）的情况则有差别，需求最大的时候，价格反而较低，由于在旺季的时候，度假酒店的竞争也较大，往往会通过降低价格来吸引更多的客户。

5.1.2 订单取消情况

通过tableau对数据进行可视化分析：

总体订单取消率为37.08%，其中city hotel（城市酒店）类型的酒店预订单取消率更高，为41.79%，resort hotel（度假酒店）为27.77%，相差14.02%。从业务角度出发，一般来说，预订city hotel的客户比较多应是商务出差的需求，而预订resort hotel的多为休闲度假游客。工作行程通常会由于工作的性质，变化较多，相对来说，旅游计划的变动会少一些，因为一般来说是提前做好了规划，请假等，取消计划的成本较高。这是否说明，酒店类型是否对订单取消率产生显著影响？下面进行分析：

假设现有的这119208条数据，是总数据的一个抽样，对酒店类型和订单取消情况这两个分类变量进行独立性检验。
原假设：H0：两个变量之间相互独立。

用spss进行交叉表分析：

结果表明，订单取消情况跟酒店类型有相关性，但是这种相关性并不是很强（克莱姆V=0.247）

5.2 用户角度

5.2.1 新老客户占比

由图看出，酒店的客户大多数为新客户，老客户只占3.15%，酒店需要考虑在这方面的提升，可以通过会员制度等，提高客户的回购率。

渠道分析

一共有7个渠道，总体平均价格ADR为81.9。
onlineTA渠道和Direct渠道的平均价格ADR较高，均超过115，其余均在100以内，Groups渠道和Corporate渠道的平均价格ADR稍低于平均水平，Complementary渠道的价格只有2.9，远远低于市场水平，对其进一步进行分析：

订单数量占比（市场份额）较大，

相关系数热力图

挑选并删除部分重合字段，做出相关系数热力图，查看影响订单取消率的主要因素有哪些。（satified字段：如果reserved_room_type等于assigned_room_type，则satified = 1，表示客户预订和酒店保留的房型一致，如果不相等，则satified=0，表示客户预订和酒店保留的房型不一致）

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns#导入文件
file_path = r'G:\数据\hotel_bookings - 相关系数热力图.csv'
df = pd.read_csv(file_path)#复制副本
data_copy=df.copy(deep=True)cor = data_copy.corr()plt.figure(figsize=(23,23))
sns.heatmap(cor,annot=True,vmax=1,square=True,cmap='PuBu',linewidths=.5，fmt='.2f')
plt.savefig('./相关系数热力图.jpg')
plt.show()