Вводная часть
Для визуализации был выбран известный датасет, в котором собрана информация о бронированиях в отелях, собранный Nuno Antonio, Ana Almeida, и Luis Nunes.
Прикрепить карточку Для меня эти данные были особенно интересны, потому что мои родители работают в этой индустрии и выводы, которые можно сделать из них позволяет более оптимально организовывать операционные процессы внутри отеля
Этапы работы:
- Выбор набора данных
- Анализ данных
- Визуализация
Вид графиков
- Линейный график
- Столбчатые диаграммы
Линейный график — был использован для визуализации трендов в бронированиях от месяца к месяцу. Столбчатые диаграммы — очень удобны для сравнения различных категорий данных. В этом исследовании они были использованы для изучения паттернов отмен бронирования в различных разрезах.
Обработка данных
Столбец с датами был преобразован к типу datetime, изначально был строковым типом. df['reservation_status_date'] = pd.to_datetime (df['reservation_status_date'])
Удалены пропуски df.replace ('NULL', np.nan, inplace=True) df = df.drop (['company'], axis=1) df = df.dropna ()
Разрозненные колонки с датой бронирования были собраны в одну
Итоговые графики
График 1
График 1 — позволяет отследить всплески бронирования от месяца к месяца, от году к году. Информация из него может быть использована для изменения политики ценообразования в определение периоды из-за изменения спроса
График 2
График 2 — на этом графике построено время от момента бронирования до заезда в отель и количество отмен бронирования. Информация может быть использована для изменения политики отмен бронирования (видим, что большинство бронирований, которые были сделаны за больше чем 300 дней были отменены)
График 3
График 3 — построенный график дает представление о том, в какие месяцы больше всего отменяли бронирования. Также может быть использован для корректирования политик, связанных со стоимостью отмены бронирования в определенные месяцы
График 4
График 4 — дает общее представление о том, какое количество бронирований отменяется (видим, что около 30%). Позволяет более точно оценивать денежные потоки, которые будут получены от каждого бронирования
Дополнительная информация
Для создания обложки использовался Leonardo.ai Prompt: hotel booking demand (blue and orange pastel colours)
ссылка на проект с учетом новых критерий
