Sinir Ağları ile Otel Talep Tahminleme: Derin Öğrenme Yaklaşımı

Talep Tahmini Neden Otelciliğin En Kritik Kararıdır?

Bir otelin gelir performansının %60-70'i talep tahmin doğruluğuna bağlıdır. Talebi doğru tahmin edemezseniz, fiyatlandırma kararları tutmaz, personel planlaması aksar, tedarik yönetimi verimsizleşir. Geleneksel yöntemlerle (geçen yılın aynı dönemi + sezgisel düzeltme) yapılan talep tahminlerinin ortalama hata payı %18-25 arasında seyreder. Bu hata payı, 200 odalı bir otelde yıllık 500.000-800.000 TL gelir kaybına denk gelir.

Derin öğrenme ve sinir ağları, bu hata payını %8'in altına düşürerek talep tahmininde devrim yaratıyor. LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit) ve son yılların yıldızı transformer mimarisi, otelcilikteki karmaşık talep kalıplarını geleneksel istatistiksel modellerin yapamadığı derinlikte öğrenebiliyor.

Bu görseli sitenize ekleyin

<a href="https://otelciro.com/tr/news/sinir-agi-talep-tahminleme-otel"> <img src="https://cdn.sanity.io/images/1la98t0z/production/9ecca4e8f09e6bfc2e03832cb519779ddd308bbf-1200x669.png" alt="Sinir Ağları ile Otel Talep Tahminleme İnfografiği" width="800" /> </a> <p>Kaynak: <a href="https://otelciro.com">OtelCiro</a> — AI Otel Gelir Yönetimi</p>

Sinir Ağı Mimarileri ve Otelcilik Uygulamaları

Her sinir ağı mimarisi farklı tür verilerde üstünlük gösterir. Otelcilik talep tahmini için en etkili üç mimari:

LSTM (Long Short-Term Memory)

LSTM, zaman serisi verilerinde uzun vadeli bağımlılıkları öğrenmekte özellikle başarılıdır. Otelcilikteki avantajı, hem kısa vadeli trendleri (hafta içi/hafta sonu döngüsü) hem de uzun vadeli kalıpları (mevsimsel dalgalanmalar, yıllık trendler) aynı anda yakalayabilmesidir.

Teknik Detay: LSTM hücresi, "unutma kapısı" (forget gate) mekanizması sayesinde hangisi bilgiyi tutup hangisini atacağına karar verir. Bir otel bağlamında bu, Ramazan Bayramı'nın her yıl farklı tarihlere denk gelmesi gibi kayar pencere kalıplarını öğrenebilmesi anlamına gelir.

Performans: Türkiye'deki otel verilerinde test edildiğinde, LSTM modeli 30 günlük talep tahmininde %89-92 doğruluk gösterirken, geleneksel ARIMA modeli aynı veri setinde %74-78 doğrulukta kalmıştır.

Transformer Modeli

2024-2026 döneminde en çok ilgi gören mimaridir. Attention (dikkat) mekanizması sayesinde veri setindeki en ilgili noktaları dinamik olarak ağırlıklandırır. ChatGPT'nin temelini oluşturan bu mimari, zaman serisi tahmininde de çığır açıyor.

Teknik Detay: Self-attention mekanizması, geçmişteki hangi günlerin bugünkü talep tahminini en çok etkilediğini otomatik olarak belirler. Örneğin, geçen yılın aynı haftasının, 2 hafta önceki trendin ve mevcut etkinlik takviminin ağırlıklarını dinamik olarak hesaplar.

Performans: Temporal Fusion Transformer (TFT) modeli, çoklu otel verileriyle eğitildiğinde %92-95 doğruluk sağlar ve özellikle beklenmedik talep değişikliklerini (etkinlik iptali, doğal afet, döviz kuru şoku) yakalamakta üstün performans sergiler.

Hibrit Modeller (CNN + LSTM)

Evrişimli sinir ağları (CNN) ile LSTM'in birleştirilmesi, hem yerel kalıpları hem de uzun vadeli trendleri eş zamanlı yakalayan güçlü bir hibrit model oluşturur. CNN katmanı haftalık mikro kalıpları çıkarırken, LSTM katmanı mevsimsel makro trendleri öğrenir.

OtelCiro AI motoru, bu hibrit mimarileri otel verilerinize özel olarak eğiterek en yüksek tahmin doğruluğunu sağlar.

İlgili okuma: AI ile Otel Gelir Tahmini: Yapay Zeka Destekli Revenue Management

Veri Hazırlığı: Modelin Temeli

"Garbage in, garbage out" kuralı derin öğrenmede katlanarak geçerlidir. Sinir ağı modelinin doğruluğu, beslendiği verinin kalitesine doğrudan bağlıdır.

Gerekli Veri Setleri:

• Geçmiş doluluk verileri: Minimum 2-3 yıllık günlük doluluk, ADR ve RevPAR verileri. Daha fazla veri, modelin mevsimsel kalıpları daha iyi öğrenmesini sağlar.
• Fiyat geçmişi: Kendi fiyat değişiklikleriniz ve rakip fiyat hareketleri. Fiyat-talep elastikiyetinin modellenmesi için kritik.
• Etkinlik takvimi: Şehirdeki fuar, kongre, spor etkinliği, festival tarihleri. Bu veri, ani talep sıçramalarının tahmininde belirleyicidir.
• Hava durumu: Özellikle resort otellerde talep ile hava durumu arasında 0.72 korelasyon ölçülmüştür.
• Ekonomik göstergeler: Döviz kuru, enflasyon oranı, tüketici güven endeksi.
• Uçuş verileri: Varış noktasına gelen uçuş doluluk oranları ve yeni hat açılışları.

Veri Temizleme Adımları:

1. Eksik verilerin tespiti ve uygun yöntemle doldurulması (interpolasyon veya modelleme)
2. Aykırı değerlerin (COVID-19 dönemi, doğal afet günleri) işaretlenmesi — silinmemesi, özel bayrak ile etiketlenmesi
3. Zaman serisi verilerinin eşit aralıklara getirilmesi
4. Kategorik değişkenlerin (haftanın günü, ay, tatil/normal) kodlanması
5. Normalizasyon: Tüm sayısal değişkenlerin 0-1 aralığına ölçeklenmesi

Model Eğitimi ve Hiperparametre Optimizasyonu

Sinir ağı modelinin eğitimi, klasik makine öğrenmesinden daha fazla hesaplama kaynağı ve uzmanlık gerektirir. Başarılı bir eğitim süreci:

Veri Bölümleme: Verinin %70'i eğitim, %15'i doğrulama (validation), %15'i test için ayrılır. Zaman serisi verilerinde rastgele bölme yapılmaz; kronolojik sıra korunarak son dönem test verisi olarak tutulur.

Hiperparametre Seçimi:

• Gizli katman sayısı: 2-4 katman genellikle yeterlidir. Daha fazla katman overfitting riskini artırır.
• LSTM hücre boyutu: 64-256 arasında, veri setinin büyüklüğüne göre belirlenir.
• Öğrenme hızı (learning rate): 0.001 ile başlayıp cosine annealing ile azaltılır.
• Batch size: 32-128 arasında, GPU bellek kapasitesine göre ayarlanır.
• Dropout oranı: %20-40 arasında, overfitting kontrolü için.

Eğitim Süresi: 3 yıllık günlük veriyle LSTM modeli eğitimi, tek GPU üzerinde ortalama 4-8 saat, transformer modeli ise 12-24 saat sürer. Bulut tabanlı çözümlerle bu süreler çoklu GPU ile 2-3 kata kısaltılabilir.

İlgili okuma: Dinamik Fiyatlandırma ve AI: Tam Rehber

Türkiye'ye Özel Zorluklar ve Çözümler

Türk otelcilik sektöründe talep tahmin modellerinin karşılaştığı bazı kendine özgü zorluklar:

Yüksek Enflasyon ve Döviz Volatilitesi: Türkiye'nin makroekonomik koşulları, fiyat-talep ilişkisini sürekli değiştiren dinamik bir ortam yaratır. Model, nominal fiyatlar yerine reel fiyatları ve döviz kuru etkisini ayrı değişkenler olarak işlemelidir.

Kayar Tatil Takvimleri: Ramazan ve Kurban Bayramları her yıl farklı tarihlere denk gelir. Model, Hicri takvim dönüşümünü otomatik olarak yapabilmeli ve bayram taleplerini doğru tahmin edebilmelidir.

Bölgesel Çeşitlilik: Antalya'daki bir resort otelin talep kalıpları ile İstanbul'daki bir şehir otelinin kalıpları temelden farklıdır. Transfer learning tekniği ile genel bir baz model eğitilip her tesisin kendi verileriyle ince ayar (fine-tuning) yapılır.

Jeopolitik Riskler: Bölgesel çatışmalar, diplomatik krizler ve seyahat uyarıları talep üzerinde ani ve büyük etkiler yaratabilir. Modelin bu tür dış şokları haber akışı ve sosyal medya sentiment analizi ile yakalayabilmesi önemlidir.

Sonuç: Veriyle Geleceği Görmek

Sinir ağları ile talep tahminleme, otelcilikte karar alma süreçlerini temelden değiştiriyor. %92+ doğrulukla geleceği öngörebilmek, fiyatlandırma, personel planlaması, tedarik yönetimi ve pazarlama bütçesi dağılımında data-driven kararlar alabilmek anlamına gelir. Bu teknolojiye yatırım yapan oteller, rakiplerine karşı hesaplanabilir bir avantaj elde ederken, geleneksel yöntemlere bağlı kalanlar giderek daha fazla gelir kaybedecektir.