Lieber Tomke, herzlichen Glückwunsch, Du hast gerade Deinen Abschluss in Business Informatics gemacht und eine hervorragende Bachelorarbeit mit konkretem Nutzen geschrieben. Wie geht es für Dich jetzt weiter? Wirst Du von Deinem Partnerunternehmen Deloitte übernommen?
Ja, ich bleibe bei Deloitte und starte nach meinem Abschluss als Consultant im Bereich Performance Improvement & Restructuring. Ich freue mich darauf, direkt an mein duales Studium anzuknüpfen und gleichzeitig in ein neues Themenfeld einzusteigen.
Wie bist Du zur HSBA gekommen?
Ich wusste früh, dass ich für mein Studium nach Hamburg gehen und gleichzeitig dual studieren möchte. Da bereits Freunde von mir an der HSBA studierten und sehr positiv davon berichteten, war die Hochschule für mich schnell eine naheliegende Wahl. Als dann auch das passende Partnerunternehmen dazu kam, hat die Kombination für mich einfach gestimmt.
Warum hast Du Dich für Business Informatics entschieden?
Vor meinem Studium war ich mir noch unsicher, ob ich mich später eher in Richtung klassische BWL oder stärker in Richtung IT entwickeln möchte. Business Informatics war für mich deshalb genau die richtige Schnittstelle, weil der Studiengang beide Bereiche verbindet. Gleichzeitig war mir wichtig, ein gutes technologisches Verständnis aufzubauen, weil IT in immer mehr unternehmerischen Fragestellungen eine zentrale Rolle spielt. So konnte ich beide Seiten kennenlernen und im Studium besser herausfinden, in welche Richtung ich mich später weiter spezialisieren möchte.
Wie bist Du auf das Thema Deiner Bachelorarbeit gekommen?
Der Data Science Minor hat mir im Studium besonders viel Spaß gemacht. Deshalb war für mich schnell klar, dass ich auch in meiner Bachelorarbeit gerne ein technisches Thema bearbeiten und das Gelernte praktisch anwenden möchte. Besonders reizvoll fand ich dabei die Arbeit mit realen Daten, weil sie näher an echten Fragestellungen sind als vorbereitete Beispieldatensätze. Über den Hotelbetrieb meiner Familie hatte ich schließlich Zugriff auf reale Buchungsdaten. Daraus entwickelte sich das Thema meiner Bachelorarbeit „Evaluation von Modellen des maschinellen Lernens zur Früherkennung von Stornierungen in der Hotellerie“.
Worum genau geht es?
Im Kern geht es um ein sehr praktisches Problem für Hotels: Eine Reservierung im System bedeutet noch nicht, dass das Zimmer am Ende tatsächlich belegt ist. Stornierungen erschweren deshalb die Einschätzung der tatsächlichen Nachfrage und damit auch die Planung der verfügbaren Zimmerkapazitäten. Besonders bei kurzfristigen Stornierungen besteht das Risiko, dass frei gewordene Zimmer nicht mehr verkauft werden können. Ich habe deshalb untersucht, ob sich bereits zum Zeitpunkt der Buchung vorhersagen lässt, ob eine Reservierung später storniert wird. Dafür habe ich die Daten in drei aufeinander aufbauenden Varianten betrachtet. Zunächst ging es um reine Buchungsinformationen, etwa Buchungsvorlauf, Aufenthaltsdauer oder Buchungskanal. Anschließend habe ich diese um zusammengefasste Gastinformationen erweitert und in einem dritten Schritt zusätzliche Kontextfaktoren wie Feiertage, Schulferien und Veranstaltungen einbezogen. Aufgrund von Auffälligkeiten in den frühen Datenjahren habe ich für jede Variante zusätzlich zwei zeitlich gefilterte Versionen erstellt. So entstanden insgesamt neun Datensatzversionen, die anschließend systematisch untersucht wurden.
Auf dieser Grundlage habe ich sechs verschiedene Machine-Learning-Verfahren miteinander verglichen (logistische Regression, Support Vector Machine, Entscheidungsbaum, Random Forest, XGBoost und CatBoost) und den leistungsstärksten manuell selektierten Ansatz anschließend einem AutoML-Benchmark (AutoGluon-Tabular) gegenübergestellt.
Die Ergebnisse zeigen, dass sich aus den vorhandenen Daten tatsächlich relevante Muster zur Vorhersage von Stornierungen ableiten lassen. Besonders die baumbasierten Verfahren erzielten über die verschiedenen Datensatzversionen hinweg konstant starke Ergebnisse. Als leistungsstärkstes Modell setzte sich schließlich CatBoost durch, das auch gut zur überwiegend kategorial geprägten Datenstruktur passte. Das finale CatBoost Modell wurde anschließend durch Hyperparameteroptimierung und insbesondere die Schwellenwertbestimmung gezielt auf möglichst verlässliche Stornierungsprognosen ausgerichtet. Dadurch waren auf dem Holdout-Testjahr rund 88 Prozent der als Stornierung vorhergesagten Buchungen tatsächlich Stornierungen, gleichzeitig erkannte das Modell aber nur rund 39 Prozent aller tatsächlichen Stornierungen.
Auch im Vergleich zum bisherigen Forschungsstand ist das Ergebnis interessant, da die Untersuchung zeigt, dass sich bereits aus einer kleineren Datenbasis nutzbare Risikosignale ableiten lassen.
„Die Arbeit ist hervorragend. Sie verbindet einen ausgesprochen interessanten Anwendungsfall mit einem unmittelbar erkennbaren praktischen Nutzen. Gleichzeitig zeigt sie sehr anschaulich, dass bei Machine Learning nicht nur die Optimierung der Modelle zählt, sondern mindestens ebenso sehr die sorgfältige Aufbereitung der Daten.“
Prof. Dr. Sönke Hartmann, Professor für Operations Research & Logistik
Wie schätzt Du den Impact Deiner Arbeit für die Hotels ein?
Die Arbeit zeigt ein klares Potenzial für den praktischen Einsatz. Das Modell könnte als zusätzlicher Risikoindikator dienen: Buchungen mit erhöhtem Stornierungsrisiko könnten gezielt markiert, beobachtet und bei Bedarf frühzeitig kontaktiert werden. Dadurch ließe sich die tatsächlich zu erwartende Belegung realistischer einschätzen und die Kapazitäts- und Zimmerplanung besser unterstützen. Operative Entscheidungen sollten dabei weiterhin zunächst vom Hotel getroffen und nicht automatisch durch das Modell ausgelöst werden. Die nächste Herausforderung besteht darin, den Schritt von der wissenschaftlichen Modellierung in den operativen Betrieb zu schaffen und zu prüfen, wie sich das Modell technisch in die bestehende IT-Landschaft integrieren lässt.
Wenn Du auf Dein Studium zurückblickst, was wird Dir in Erinnerung bleiben?
Am meisten werden mir wahrscheinlich die Menschen und das gemeinsame Lernen in Erinnerung bleiben. Über drei Jahre arbeitet man als Gruppe auf ein gemeinsames Ziel hin, unterstützt sich gegenseitig und versucht, das Beste aus der gemeinsamen Zeit herauszuholen. Dabei sind für mich auch viele neue Freundschaften entstanden.
