Data besar dalam manajemen hotel: penggunaan tidak dapat diabaikan

sumber

Musim mendekati musim liburan musim panas yang telah lama ditunggu-tunggu, dan banyak yang telah memilih sendiri tempat tujuan wisata yang sangat didambakan, yang memberi mereka kekuatan selama berbulan-bulan untuk mengarungi belantara tenggat waktu dan lembur. "Perjalanan impian" yang berharga, yang akan sangat menyenangkan untuk diingat di malam musim gugur dan musim dingin, sudah sangat dekat.

Saat memilih rumah liburan, banyak yang mungkin akan menggunakan Booking.com. Artikel ini menyarankan untuk melihat ke Booking.com “dari sisi lain antarmuka” melalui mata mereka yang mengelola hotel dan menetapkan harga untuk akomodasi. Lebih khusus lagi, alat Booking.com Analytics dan kemungkinan menggunakan data untuk mengelola penjualan di hotel dipertimbangkan. Sebagai contoh, ada kasus-kasus untuk sebuah hotel mini yang berlokasi di Kamboja, yang mendapat kehormatan dan kesenangan untuk saya kelola.

Mengapa kambodia

Sebagai pengantar singkat, saya akan mencoba menjelaskan mengapa hotel impian saya berakhir di Kamboja. Yang paling penting adalah lingkungan bisnis yang loyal di negara ini. Sekarang ini adalah satu-satunya negara di Asia di mana orang asing dapat mendaftarkan bisnis secara legal atas namanya, dan pada saat yang sama, ia dapat melakukan perjalanan ke Kamboja untuk waktu yang tidak terbatas dengan visa bisnis. Biaya SEMUA izin untuk sebuah hotel mini, misalnya, adalah sekitar 400 dolar AS per tahun (termasuk lisensi dari Kementerian Perdagangan, lisensi dari balai kota setempat, paten pajak, dan izin kerja individu di negara ini). Ketika menyiapkan dokumen-dokumen yang terdaftar, tidak ada kesulitan khusus, dan ketika memeriksa bisnis oleh badan-badan negara, ketersediaan izin adalah syarat yang diperlukan dan cukup untuk menghindari segala bentuk pemerasan.

Roti ekstra adalah kenikmatan hidup di Asia. Harga yang terjangkau, populasi yang tidak agresif, laut dan alam yang indah, iklim yang hangat, termasuk periode musim hujan yang cukup ringan, buah-buahan segar sepanjang tahun, sayuran dan makanan laut, "kehidupan sederhana" yang tidak memerlukan pemanasan, investasi di musim dingin atau pakaian dan sepatu bermerek, dalam renovasi apartemen, di mobil mahal dan atribut lain dari "kehidupan yang sukses".

Ada juga kerugiannya: "orang bodoh dan jalan", listrik mahal ($ 0,20 per kilowatt hour), hampir tidak adanya obat-obatan dan masalah infrastruktur lainnya (masalah dengan pekerjaan polisi, pemadam kebakaran, sistem pendidikan, utilitas publik, dll. ), masalah dengan sampah (namun, ini tipikal untuk banyak negara Asia, dan selama "perang sampah", dan untuk yang Eropa).

Ada beberapa artikel tentang hub ( tyts dan tyts ), secara objektif, menurut pendapat saya, mencerminkan keadaan dan kondisi kehidupan di Kamboja, oleh karena itu, saya tidak akan mengembangkan topik ini lebih jauh.
Jadi, Kamboja, kota resor Kep , hotel Chateau Puss in Boots , 2019.

Kata pengantar dan batasan

Untuk penjualan, saat ini kami hanya menggunakan Booking.com dan AirB & B. Anda dapat berbicara banyak tentang kelebihan dan kekurangan dari layanan ini dan lainnya, tetapi dalam hal ini penting bahwa klien telah datang dan datang kepada kami dari layanan ini, tetapi tidak dari orang lain. Sebelum Kep, saya dan istri memiliki sebuah hotel di Sihanoukville, dan bahkan sebelumnya, di Morjim, Goa, dan di sana kami memiliki gambaran yang sama melalui saluran penjualan. Di AirB & B, analytics masih dalam masa pertumbuhan, jadi hanya Booking.com yang dipertimbangkan. Dan di sini kita hanya memiliki satu tuas utama manajemen penjualan - ini adalah harga kamar per malam.

Tentu saja, faktor-faktor lain mempengaruhi penjualan. Misalnya, peringkat berdasarkan ulasan tamu. Statistik peringkat ada dalam analisis Booking.com, dan kami akan mempertimbangkannya di bawah ini.

Banyak tergantung pada kondisi wisata tempat itu. Kep , misalnya, adalah desa kecil dengan infrastruktur resor rata-rata maju. Bagi banyak orang, ini hanyalah titik transit di perbatasan antara Kamboja dan Vietnam. Namun, energi riviera Prancis kolonial, laut dan pulau-pulau, gunung dan gua, pagoda dan taman nasional melakukan tugasnya, dan arus wisatawan yang konstan di musim ini dengan penuh percaya diri memenuhi hotel-hotel lokal.

Poin penting yang memengaruhi penjualan adalah konsep dan "keripik" hotel, yang membantu klien membuat pilihan yang tepat dan merangsang "pengakuan" intuitif tentang tempat di mana ia akan merasa nyaman. Pertanyaan ini terkait dengan penetapan tujuan, misi, dan pandangan dunia pemilik bisnis dan berada di luar cakupan artikel ini.

Selain itu, beberapa asumsi penting harus dibuat untuk memahami keterbatasan penelitian:

• ini akan menjadi tentang mini-hotel pribadi (di antara definisi yang saya temukan menunjukkan bahwa mini-hotel dapat memiliki hingga 15 kamar), di mana tidak ada prosedur perusahaan, dan semuanya disederhanakan hingga batasnya untuk mengurangi biaya overhead; oleh karena itu, semua kegiatan operasional terkonsentrasi di tangan pemilik tanpa partisipasi unit struktural; misalnya, kami hanya memiliki pembersih yang bekerja di hotel, saya dan istri saya melakukan sisanya sendiri dengan outsourcing hanya perbaikan kompleks dan pekerjaan konstruksi; jika Anda perlu pergi selama 1-2 hari, yaitu, perjanjian dengan administrator yang masuk;
• struktur harga per kamar, pengeluaran dan peluang penghasilan tambahan (bar dan restoran, penyewaan sepeda dan sepeda motor, penjualan tiket dan perjalanan, dll.) tidak dipertimbangkan
• Pendekatan umum untuk manajemen hotel tidak dipertimbangkan; namun, ini adalah kerangka kerja yang menarik yang saya tulis dalam format yang sedikit berbeda ; jika topiknya menarik, saya juga akan membuat posting di hub tentang topik manajemen di sebuah hotel mini.

Fungsi Analytics Analytics

Booking.com Analytics diluncurkan pada 2016 sebagai alat untuk membantu manajer hotel menganalisis pemesanan dan statistik penjualan. Sistem ini mendukung antarmuka Russified, tetapi, menurut pendapat saya, penting untuk merujuk ke sumbernya agar tidak merusak terminologi dasar.

Analytics Booking.com mencakup bagian-bagian berikut:

• Dasbor Analytics mengumpulkan data untuk ulasan indikator yang dicapai, termasuk jumlah malam yang dipesan berdasarkan kategori kamar, pendapatan kamar (jumlah total yang dibayarkan oleh tamu) dan rata-rata tarif harian (ADR), yang merupakan pendapatan dari kamar dibagi dengan jumlah malam yang dibayarkan. ; Dasbor Analytics juga berisi tautan ke laporan utama yang dibahas secara singkat di bawah ini;
• Pace Report memungkinkan Anda untuk membandingkan volume penjualan di Booking.com dengan periode yang sama tahun sebelumnya, serta membandingkan penjualan dengan data agregat pada pesaing Anda;
• Statistik Penjualan memberikan potongan penjualan untuk setiap periode tahun terakhir;
• Booker Insights memberikan informasi terperinci tentang tamu hotel, termasuk negara, perangkat yang digunakan untuk pemesanan, dan tujuan perjalanan;
• Informasi Bookwindow menunjukkan seberapa awal pelanggan Booking.com memesan kamar mereka;
• Karakteristik Pembatalan berisi informasi tentang persentase pemesanan yang dibatalkan;
• Skor Ulasan Tamu berisi data tentang ulasan tamu hotel dan peringkat hotel pada skala 10 poin oleh tamu;
• Kelola Perangkat Kompetitif memungkinkan Anda memilih hingga sepuluh hotel di wilayah Anda untuk membandingkan Indikator Kinerja Utama (KPI) Anda sendiri dengan KPI pesaing terdekat Anda;
• Genius Report menunjukkan persentase pemesanan yang dilakukan sesuai dengan program Genius (diskon untuk pelancong yang sering);
• Dashboard Ranking menunjukkan seberapa efektif penjualan hotel ketika tamu mencari akomodasi di wilayah tertentu.

Untuk analisis data, rentang tanggal 7, 14, 30, 60, 90, atau 365 hari dapat dipilih. Selain itu, ada fitur tambahan untuk menganalisis data dengan membandingkan:

• hasil sendiri dengan indikator tahun lalu;
• hasil sendiri dengan indikator kelompok pesaing, termasuk hingga sepuluh hotel, ditunjuk berdasarkan pilihan;
• hasil sendiri dengan indikator pasar, yang mencakup semua fasilitas di lokasi hotel.

Contoh-contoh Big Data Booking.com Analytics

Bagian ini tidak berpura-pura menjadi generalisasi, terutama karena gambar dapat berubah dari bulan ke bulan. Ini hanya contoh penggunaan alat Analytics Analytics bawaan.

Misalnya, di Booker Insights, Anda dapat melihat statistik negara tempat wisatawan memesan kamar hotel. Karakteristik nasional wisatawan adalah topik yang terpisah, yang dapat dibahas untuk waktu yang sangat lama. Karena itu, statistik negara juga cukup menarik. Setiap negara memiliki preferensi masing-masing, dan ini mempengaruhi distribusi target audiens hotel. Meskipun, terkadang ada pencilan statistik yang tidak terduga. Misalnya, di tengah musim turis, kami mendapat gambaran seperti itu. Hotel kami disorot dalam warna yang lebih cerah, dan situasi pasar lebih pucat.


Data Analisis Booking.com: Distribusi Tamu Hotel Menurut Negara

Turis dari Kamboja dan Prancis mewakili sekitar 50% dari pasar pariwisata di Kep, namun, di hotel kami mereka masing-masing hanya 15% dan 14%. Hal ini dapat dijelaskan oleh konservatisme wisatawan Kamboja yang suka menginap di hotel yang dikelola oleh pemilik Kamboja. Hal yang sama dijelaskan oleh rendahnya persentase wisatawan Prancis, banyak dari mereka berbicara buruk atau tidak berbicara bahasa Inggris sama sekali. Turis Rusia juga menyukainya ketika staf hotel berbicara dalam bahasa Rusia, dan ini menjelaskan mengapa mereka membuat lebih dari 10% tamu dibandingkan 1,4% pasar. Sedangkan untuk Selandia Baru (10% dari pemesanan di hotel kami terhadap 0,6% dari pasar) dan Swiss (8,7% dari pemesanan di hotel kami terhadap 2,4% dari pasar) wisatawan, persentase yang lebih tinggi dapat dijelaskan dengan rasio harga-kualitas yang baik , karena wisatawan dari negara-negara ini konservatif dalam hal menghindari biaya yang tidak perlu. Laporan terperinci Booker Insights juga berisi informasi yang dibagi oleh negara mengenai tarif kamar harian rata-rata, lama menginap rata-rata dan frekuensi pembatalan. Data-data ini penting untuk memprediksi perilaku wisatawan berdasarkan negara. Misalnya, tamu dari Kamboja paling sering membatalkan reservasi mereka.

Diagram berikut dari bagian Informasi Bookwindow memberikan informasi tentang distribusi jendela reservasi, mis. berapa hari sebelum kedatangan tamu memesan kamar.


Booking.com Analytics Data: Distribusi Jendela Reservasi

Jendela pemesanan besar menyediakan lebih banyak opsi dalam hal menentukan tarif kamar harian. Selain itu, tarif kamar harus mempertimbangkan hari libur lokal dan global untuk menetapkan harga hari libur di muka. Statistik mengatakan bahwa beberapa tamu memesan kamar selama lebih dari 30 hari. Selain itu, sekitar 70% dari semua pemesanan dilakukan segera sebelum kedatangan. Ini tidak terlalu baik, karena risiko kamar yang tersisa meningkat tidak terisi, dan di samping itu, penyesuaian yang lebih cermat dari tarif kamar harian untuk tanggal aktual diperlukan.

Indikator penting yang memengaruhi bisnis hotel adalah persentase pembatalan pemesanan, data yang tersedia di bagian Karakteristik Pembatalan (lihat diagram di bawah). Di sini juga di bagian atas dari masing-masing band hotel kami disorot dalam warna yang lebih cerah, dan situasi pasar lebih pucat.


Booking.com Analytics Data: Distribusi Distribusi Frekuensi Distribusi

Pembatalan menit terakhir biasanya menyebabkan stres, karena secara signifikan mengurangi jendela pemesanan dan meningkatkan risiko bahwa kamar yang dibatalkan tidak akan terjual habis. Sayangnya, untuk contoh yang dianalisis, 34% pemesanan dibatalkan, sedangkan tingkat pembatalan untuk pasar yang dimaksud adalah 28%. Sebagian besar pembatalan disebabkan oleh jendela pemesanan selama lebih dari satu bulan. Sulit untuk mengembangkan strategi yang efektif untuk mengurangi jumlah pembatalan. Orang sering mengubah rencana, atau mereka mungkin menemukan bahwa tawaran beberapa hotel lain lebih menarik bagi mereka. Kami mencoba berkomunikasi dengan tamu segera setelah kami menerima reservasi, tetapi strategi ini juga tidak selalu berhasil.

Bisnis hotel sangat bergantung pada reputasi yang ditentukan Booking.com berdasarkan ulasan tamu. Peringkat ini diatur dalam kisaran 2,5 hingga 10 untuk fitur-fitur hotel berikut: kebersihan, kenyamanan, lokasi, fasilitas, staf, dan nilai uang. Bagian Skor Ulasan Tamu berisi detail dari masing-masing ulasan dan juga memberikan nilai-nilai peringkat hotel teragregasi. Diagram menunjukkan data tentang jumlah ulasan yang diterima di setiap bulan, dan grafik menunjukkan nilai peringkat akhir untuk hasil setiap bulan. Hasil hotel kami (grafik yang lebih cerah dan histogram) dibandingkan dengan hasil rata-rata dari sepuluh pesaing terdekat.


Data Analisis Booking.com: Peringkat hotel berdasarkan ulasan tamu

Booking.com mendukung Program Loyalitas Genius. Pengguna Genius yang terdaftar di Booking.com menerima diskon pemesanan 10% atau lebih. Untuk menarik wisatawan Genius, hotel harus mendukung program ini. Masalah untuk hotel adalah bahwa penurunan harga hanya terjadi karena penurunan pendapatan sendiri. Ini berarti bahwa harga untuk tamu dengan status Genius hanya 90% (kadang-kadang bahkan 85%) dari harga kamar harian yang dinyatakan di Booking.com. Di sisi lain, banyak pengguna Booking.com berpartisipasi dalam program Genius, dan para pengguna ini menghargainya ketika hotel mendukung program tersebut. Dengan demikian, berpartisipasi dalam program Genius dapat meningkatkan pendapatan keseluruhan hotel, meskipun tarif kamar harian berkurang. Penting untuk diingat bahwa tarif kamar harian harus memperhitungkan risiko penurunan tarif kamar 10% atau 15% untuk tamu Genius. Tamu Genius membentuk lebih dari 50% dari semua pelanggan, yang menunjukkan efektivitas partisipasi hotel dalam program ini. Informasi ini tersedia di bagian Laporan Genius.


Data Analisis Booking.com: Rasio Pemesanan Genius

Data terintegrasi tentang aktivitas hotel tersedia di bagian Dashboard Ranking, tempat sejumlah indikator disajikan, yang menurut Booking.com, memengaruhi indikator pendapatan hotel.

Data diberikan sebagai perbandingan antara hotel kami dan hasil pasar rata-rata:

• Konversi adalah persentase tampilan halaman dari sebuah hotel yang dikonversi menjadi reservasi (rasio jumlah pemesanan dengan jumlah tampilan halaman dari sebuah hotel di Booking.com);
• Tarif Harian Rata-rata (harga rata-rata per malam), pendapatan gabungan yang diterima dari kamar yang dijual dibagi dengan jumlah kamar yang dijual;
• Pembatalan menunjukkan persentase semua pemesanan yang telah dibatalkan;
• Skor Ulasan (peringkat tamu) dihitung menggunakan peringkat yang diberikan oleh tamu hotel;
• Skor Halaman Properti (peringkat halaman hotel) menunjukkan seberapa penuh halaman hotel dalam hal informasi dan foto;
• Skor Balasan memperhitungkan seberapa cepat hotel merespons tamu.

Dengan mempertimbangkan keenam faktor di atas yang dapat memengaruhi penghasilan hotel, masuk akal untuk mempertimbangkan ketergantungan masing-masing. Namun, beberapa indikator (pembatalan pemesanan, peringkat tamu, peringkat halaman hotel, peringkat jawaban) hanya dapat secara tidak langsung mempengaruhi pendapatan. Oleh karena itu, tidak mungkin untuk menemukan hubungan antara pendapatan hotel dan faktor tidak langsung. Yang menjanjikan, dari sudut pandang analisis data besar, adalah persentase konversi dan harga harian kamar. Pada bagian selanjutnya, kami akan mempertimbangkan hipotesis terkait dengan ketergantungan pendapatan pada konversi dan harga harian.

Hipotesis untuk mengelola harga kamar berdasarkan data besar

Jadi, menggunakan Booking.com Analytics, kami memiliki akses ke data besar yang mencerminkan keadaan penjualan di hotel. Saya ingin memahami bagaimana penggunaan data ini dapat membantu dalam menentukan harga optimal per kamar.

Ilmu ekonomi menunjukkan bahwa ada kurva penawaran dan permintaan, dan karenanya, beberapa harga optimal yang memungkinkan Anda untuk mengekstraksi keuntungan maksimum dari penjualan suatu produk atau layanan. Kesalahan jenis pertama (menaikkan harga di atas yang optimal) menyebabkan pelanggan menolak untuk membeli, dan kesalahan jenis kedua (menurunkan harga di bawah yang optimal) menyebabkan laba lebih rendah, dan bukan fakta bahwa jumlah penjualan meningkat.

Dengan demikian, kami mengemukakan Hipotesis 1 (G1) : Ada hubungan antara volume penjualan angka S dan biaya kamar per malam C.

Secara formal, untuk setiap hari kalender untuk masing-masing angka, ini dapat dijelaskan dengan kriteria minimum berikut:
S = maks (C) ˄ f = 1, di mana S adalah omset dari penjualan kamar secara numerik sama dengan biaya hidup di kamar C = {Cmin ... Cmax} (nilai harga termasuk dalam kisaran tertentu); f = {0; 1} - indikator biner dari penjualan angka: f = 0 jika angka tersebut tidak dijual dan f = 1 jika angka itu dijual.

Jika ada beberapa nomor dengan tipe yang sama, maka tidak semua angka dapat dijual setiap hari, di samping itu, harga Ci untuk nomor yang sama dapat berubah selama jendela penjualan, dan kriteria minimum adalah:
S = max ($$$\Sigma$$$$\Sigma$



) Saya tidak akan memberikan data ekonomi terperinci, saya hanya akan menunjukkan hasil umum. Untuk menganalisis hubungan antara dua seri data, kami menggunakan koefisien korelasi Pearson, dihitung sebagai rasio kovarians terhadap produk standar deviasi:



Untuk perhitungan, MS Excel digunakan, di mana akuntansi hotel bulanan dilakukan. Oleh karena itu, koefisien korelasi dihitung dengan nyaman setiap bulan. Disarankan bahwa jumlah pengamatan setidaknya 10 kali jumlah faktor, dan jumlah hari (pengamatan) per bulan cocok dengan rekomendasi ini. Kami meluncurkan hotel tepat sebelum Tahun Baru 2019, oleh karena itu, pada Juni 2019, kami telah mengumpulkan statistik hanya selama 5 bulan (150 hari pengamatan). Ada perselisihan selama sebulan, dan nilai-nilai koefisien korelasi berbeda secara signifikan, dari 0,51 di bulan Maret hingga 0,93 di bulan Februari. Jadi, dalam beberapa bulan, hipotesis G1tidak dikonfirmasi, dan hubungan antara biaya angka dan penjualan tidak ada. Namun demikian, untuk bulan-bulan di mana r> 0,75, kita dapat berbicara tentang adanya ketergantungan dari satu variabel acak pada variabel lain, yaitu. hipotesis G1 dikonfirmasi. Cara terbaik untuk menganalisis pada seluruh kumpulan data, karena jika kita memiliki ratusan kali jumlah pengamatan yang melebihi jumlah faktor, maka kita mendekati hukum jumlah besar. Selama lima bulan, hipotesis G1 juga dikonfirmasi (r = 0,80). Di bawah ini adalah nilai-nilai koefisien korelasi untuk masing-masing bulan terakhir tahun berjalan, serta nilai integral selama 5 bulan. Biarkan saya mengingatkan Anda bahwa kami sedang menyelidiki ketergantungan volume penjualan harian pada harga kamar rata-rata untuk hari tertentu.

Nilai koefisien korelasi r (S, C)


Jelas, volume penjualan tergantung pada jumlah angka yang dijual. Namun, korelasi antara jumlah kamar yang terjual per hari dan harga rata-rata harian kamar tidak ditemukan (r = 0,51 untuk seluruh sampel data).

MS Excel juga dapat membangun diagram sebar, menambahkan grafik dan persamaan regresi linier untuk itu, dan menentukan nilai kepercayaan perkiraan R ² untuk regresi . Regresi dapat memberikan hasil yang andal jika untuk itu R ² > 0,8. Untuk sampel lengkap dari regresi yang andal ini tidak dapat diperoleh, karena reliabilitas perkiraan adalah R ² = 0,64. Namun, ini mungkin untuk bulan-bulan ketika r> 0,9. Sebagai contoh, untuk bulan Februari kami mendapat R² = 0.86. Februari ditandai oleh volume penjualan paling signifikan tahun ini karena Tahun Baru Cina, yang berlangsung lebih dari seminggu dan memastikan hunian penuh hotel dengan harga liburan yang tinggi.

Regresi linier tidak masuk akal dalam hal optimasi, karena dikatakan bahwa semakin tinggi harga, semakin tinggi pula keuntungannya. Namun, harga harus berada dalam kisaran wajar yang sebanding dengan harga pesaing terdekat.

Dari sudut pandang manajemen penjualan, yang paling penting adalah area di mana penjualan harian kurang dari 30 cu, dan itu sangat penting ketika penjualan 0 cu Namun, statistik kami tidak memberikan jawaban untuk pertanyaan apa nilai dari harga harian optimal, karena dengan harga di kisaran 12 hingga 20 cu penjualan berkisar dari 0 hingga 6 angka per hari, dan ini tidak tergantung pada faktor kalender lain (misalnya, hari dalam seminggu atau mendekati hari libur).

Asumsi lain adalah bahwa semakin banyak turis mencari akomodasi di daerah Anda dan semakin banyak turis menelusuri halaman hotel Anda, semakin banyak reservasi yang akan Anda terima. Booking.com Analytics menyediakan data tersebut. Misalnya, dalam bagan di bawah ini, hasil pencarian untuk kota Kep (Kamboja) berdasarkan hari. Konversi adalah 132/79 377 = 0,16%, yaitu, untuk 10.000 wisatawan yang mencari perumahan, kami mendapatkan 16 pemesanan.


Booking.com Analytics Data: Jumlah Permintaan Pencarian berdasarkan Wilayah

Merumuskan Hipotesis 2 (H2) : Ada hubungan antara volume penjualan angka S dan jumlah permintaan pencarian per hari R.

Namun, koefisien korelasi yang diperoleh baik untuk sampel data lengkap selama 5 bulan dan bulanan tidak melebihi 0,5, yang menunjukkan tidak adanya hubungan antara dua variabel acak. Ini berlaku baik untuk jumlah permintaan pencarian di wilayah ini, maupun jumlah tampilan halaman sebuah hotel di Booking.com.

Kesimpulan

Artikel ini membahas kemampuan alat Analytics Analytics yang dirancang untuk menganalisis data besar terkait dengan penjualan kamar hotel. Berdasarkan informasi yang tersedia, dua hipotesis diajukan. Hipotesis 1 (G1)

dikonfirmasi : Ada korelasi antara volume penjualan angka S dan biaya kamar per malam C.

Untuk menganalisis reliabilitas hipotesis, koefisien korelasi Pearson r (S, C) ditentukan untuk data selama lima bulan pertama tahun 2019 (r = 0,80) dan bulanan (nilai maksimum r = 0,93 pada Februari), yang menunjukkan adanya hubungan antara keduanya. seri data. Regresi linier (semakin tinggi harga, semakin tinggi laba), yang membuatnya tidak mungkin untuk mengoptimalkan nilai tarif kamar harian. Namun demikian, harga per hari harus dalam kisaran yang wajar sebanding dengan harga pesaing terdekat. Itu juga tidak mungkin untuk menentukan nilai optimal nomor kamar dengan metode numerik, berdasarkan diagram hamburan.

Tidak dikonfirmasi Hipotesis 2 (H2) : Ada hubungan antara volume penjualan angka S dan jumlah pencarian per hari R.

Terlepas dari ketersediaan data besar, saat ini tidak mungkin untuk merumuskan strategi manajemen penjualan hanya berdasarkan indikator statistik. Mungkin pola-pola ini bergantung pada energi sedemikian rupa sehingga statistik tidak didominasi olehnya. Teori gelombang bisnis dikenal , dan, dari sudut pandang saya, itu masuk akal. Jika kita membangun ketergantungan penjualan yang sederhana pada tanggal kalender, maka kita akan dengan jelas melihat puncak dan penurunan yang bergantian. Dengan demikian, perlu untuk "menangkap gelombang", menggunakan, antara lain, pengalaman dan intuisi.

Artikel ini tidak mengklaim sebagai kebenaran tertinggi, ini hanya pengalaman saya, yang ingin saya bagikan.

Dan yang harus saya lakukan adalah berharap kenikmatan maksimal para pembaca dari menggunakan layanan pemesanan dan perjalanan yang tak terlupakan!