基于机器学习的酒店数据分析及流失预测系统

基于机器学习的酒店数据分析及流失预测系统

项目简介

本系统是一个面向酒店行业的客户数据分析与流失预测平台，基于 Antonio et al. (2019) 公开的酒店预订需求数据集，采用 Flask + SQLite + ECharts + scikit-learn 技术栈，实现数据可视化分析、机器学习流失预测、模型管理等功能，帮助酒店管理者识别流失风险客户并制定针对性挽留策略。

功能模块

数据来源

数据集下载地址：TidyTuesday - Hotel Booking Demand

流失定义

客户流失标签（churn_label）定义规则：

• 流失（1）：预订取消（is_canceled = 1），或非回头客且有历史取消记录
• 未流失（0）：不符合上述条件的客户

标准版目录结构

python-hotel-booking-fenxi-liushi/ ├── app.py # Flask 应用主入口，路由定义与API接口 ├── config.py # 应用配置（数据库路径、密钥、分页参数） ├── database.py # SQLite 数据库连接管理、建表、数据导入 ├── init_system.py # 系统初始化脚本（建库、导入数据、训练模型） ├── requirements.txt # Python 依赖包清单 ├── data/ │ └── hotels.csv # 酒店预订数据集 ├── database/ │ └── hotel.db # SQLite 数据库文件（自动生成） ├── ml/ │ ├── __init__.py │ ├── preprocess.py # 数据预处理（特征工程、编码） │ ├── train.py # 模型训练（随机森林/梯度提升/逻辑回归） │ └── predict.py # 预测服务（单条预测、批量预测） ├── models/ │ ├── churn_model.pkl # 训练好的模型文件（自动生成） │ ├── model_metrics.json # 模型评估指标（自动生成） │ └── feature_importance.json # 特征重要性（自动生成） ├── services/ │ ├── __init__.py │ ├── auth_service.py # 认证服务（登录、注册、用户管理） │ └── analysis_service.py # 数据分析服务（统计、检索、导出） ├── static/ │ ├── css/ │ │ └── custom.css # 自定义样式 │ └── js/ │ ├── common.js # 全局工具函数与ECharts封装 │ ├── dashboard.js # 数据概览页图表 │ ├── analysis.js # 数据分析页图表 │ ├── churn_analysis.js # 流失分析页图表 │ ├── model.js # 模型管理页图表 │ ├── predict.js # 流失预测页交互 │ ├── data.js # 数据管理页交互 │ └── reports.js # 报表中心页交互 ├── templates/ │ ├── base.html # 基础模板（导航栏、CDN引用） │ ├── login.html # 登录页 │ ├── register.html # 注册页 │ ├── dashboard.html # 数据概览页 │ ├── analysis.html # 数据分析页 │ ├── churn_analysis.html # 流失分析页 │ ├── predict.html # 流失预测页 │ ├── model.html # 模型管理页 │ ├── data.html # 数据管理页 │ ├── reports.html # 报表中心页 │ └── admin/ │ └── users.html # 用户管理页 ├── 运行步骤必看/ │ └── window.md # Windows 运行步骤说明 ├── mac_run.sh # macOS/Linux 一键启动脚本 ├── window_run.bat # Windows 一键启动脚本 ├── 训练手册.md # 模型训练手册 ├── 项目说明.md # 本文档 └── README.md # 项目简介

技术栈

环境要求

账号信息

管理员拥有用户管理页面访问权限，可删除普通用户。新注册用户默认为普通用户角色。

模型评估

系统默认使用随机森林分类器，典型指标：

• 准确率 (Accuracy): ~87%
• F1 分数: ~80%
• AUC: ~93%

实际指标取决于数据集导入和训练结果。