DAT 561 – Introduction to Python and Data Science

Final Project:

Application of Data Science for Developing a Hotel Selection System

Motivation:

In today’s data-driven world, several e-commerce businesses have emerged that use data to help customers find their desired items which match to their personal preferences. These businesses provide customers with an online selection system in which they can filter items based upon particular information and features. In fact, selection systems collect classified information about a group of products or services and filter them based on the specific needs of individual users. For example,  online travel  agencies,  such  as  Expedia  and  Priceline, help  travelers with  finding available hotels/properties that meet their expectations regarding price, star rating, number of rooms, amenities, location, etc.

Introduction to the Project:

In this project, you are going to help with building a “Hotel Selection System”, using two datasets, i.e., Property_details and Order_details. All the columns in these two datasets are explained in detail as below:

Property_details:

propertyid: The ID ofthe property.

propertyname: The name ofthe property.

address: The address ofthe property.

city: The city where the property is located.

country: The country where the property is located.

zipcode: The zipcode ofthe property.

propertytype: The type of the property, i.e., Hotels, Inns, Motels, etc. (8 types in total).     starrating: The star rating ofthe property, from 1 to 5 (e.g., 4 indicates a 4-star property). latitude: The latitude of the property.

longitude: The longitude ofthe property.

url: The website link to book the property (not necessarily the official website).

Order_details:

id: The id ofthe order.

PropertyCode: The ID ofthe property.

dtcollected: The date of collecting the information ofthe property.

reservationdate: The date that the order was received.

los: The length of stay (i.e., the number of nights that a guest stays in the property). guests: Number of guests who stay in the property.

roomtype: The room type that is booked.

onsiteprice: The price a customer would pay for the order.

ratedescription: The booked room description, which may include room size, number of bedrooms and beds, etc.

ratetype: Booking information, including cancellation policy, possible pay in hotel option, and extra low-price reminding.

sourceurl: The website link to book the property (not necessarily the official website). roomamenities: The amenities available ofthe booked room.

maxoccupancy: The maximum number ofguests allowed to stay in the booked room.

ispromo: Whether promotion is used when the order is placed (Y means in promotion, N means not in promotion).

closed: Whether the hotel is closed when the order is placed (Y means close, N means not close). discount: The monetary value of the discount that an order received (already been deducted from the “onsiteprice”).

promoname: The name of the promotion that the order participated in.

proxyused: The proxy used to retrieve the order data.

mealinclusiontype: The type of meal included in the order.

hotelblock: Whether the hotel was fully booked (Sold Out means no rooms are available for an order, Blank means rooms are available for an order).

input_dtcollected: The date inputting the collected data ofthe hotel.

You are required to use the Pandas and Numpy packages in order to read the above csv files and  analyze their data. You can find all the files related to the final project in the “Final Project” assignment on Canvas. If you have a RAM size problem and you have difficulty with using  Jupyter, you can use google Colab (https://colab.research.google.com/notebooks/) instead.

Tasks: This project consists of the following two parts:

Part 1: This part contains 6 data science questions, each of which has two parts (i.e., part a and part b). The first 5 questions are required to be answered, while answering the last question (i.e., “Bonus Question”) is optional. If you solve the Bonus Question, you will get an extra 2 points (i.e.,  your  final project  score will  be  out  of 38 points).  You  can  find  all  the  questions  in FL21_FinalProejct.ipynb. You need to write your code in the  code cell provided after each question.

Part 2: In this part, you are required to make 5 interesting business questions based on the two datasets, i.e., Property_details and Order_details, write your code in Python to answer those questions, and visualize your results. Then, you need to write an executive summary (a short report

up to 300 words) about your most important findings and business insights from your answers to those 5 questions, and clearly explain the significance of your results.

Submission Instructions:

1)  You need to submit your completed “DAT561_Final Project – FL21” Jupyter notebook (on the zip file) Canvas. You need to provide your code for answering the questions as well as your answers. Also, you need to provide your visualization, executive summary, and business insights using Markdown in the Jupyter notebook.

2)  Please do not submit the data files with us.

3)  Only one person in each group needs to submit the final project.

4)  Please name your Jupyter notebook by including the student IDs of all teammates. For example, “14325_34672_12345_ FL21_FinalProejct.ipynb”

Grading:

Totalpoints: 34 points (36 points with the extra credits in the Bonus Question)

Part 1: 25 points (27 points with the extra credits in the Bonus Question)

Question 1: 3 points (2 points for part (a) and 1 point for part (b))

Question 2: 5 points (3 points for part (a) and 2 points for part (b))

Question 3: 4 points (3 points for part (a) and 1 point for part (b))

Question 4: 7 points (3 points for part (a) and 4 points for part (b))

Question 5: 6 points (3 points for part (a) and 3 points for part (b))

Bonus Question: 2 points (extra credit): (1.5 points for part (a) and 0.5 point for part (b))

Part 2: 9 points

You need to ask five business-related questions (2 points).

You need to answer these five questions using Python and the two datasets (2 points). You need to have at least "5" graphs to visualize your insights (2 points).

Your executive summary should be well-written (2 points).

Your results and business insights should be interesting and meaningful (1 point).

Notes:

•   We will look at your logic and whether your code is working.

•   We will look at the clarity of your explanations in the executive summary and whether your insights make sense.

•   We will look at whether you submitted your file correctly.