酒店管理中的大数据：使用不可忽略

来源

这个季节正接近人们期待已久的暑假季节，许多人已经为自己选择了非常想要的旅游目的地，这使他们有几个月的时间来克服最后期限和加班费。 珍贵的“梦想之旅”已经非常接近了，它将在秋天和冬天的傍晚让人们记忆犹新。

选择度假屋时，许多人可能会使用Booking.com。 该文章建议通过管理酒店并确定住宿价格的人员的视角“从界面的另一侧”查看Booking.com。 更具体地说，考虑了Booking.com Analytics的工具以及使用这些数据来管理酒店销售的可能性。 例如，在柬埔寨有一家小型酒店的案例，我很荣幸能够管理。

为什么是柬埔寨

作为简短的介绍，我将尝试解释为什么我梦dream以求的旅馆最终落户柬埔寨。 最重要的是这个国家的忠诚商业环境。 如今，它是亚洲唯一可以外国人名义合法注册企业的国家，同时，他可以凭商务签证无限期地前往柬埔寨。 例如，一间小型酒店的全部许可证的费用约为每年400美元（包括商务部的许可证，当地市政厅的许可证，税务专利以及该国的个人工作许可证）。 在准备列出的文件时，没有特别的困难，在由国家机构检查业务时，许可证的获得是避免勒索的必要和充分条件。

额外的面包是生活在亚洲的所有乐趣。 负担得起的价格，非侵略性的人口，海洋和美丽的自然环境，温暖的气候，包括相当温和的季风季节，全年新鲜的水果，蔬菜和海鲜，无需加热的“简单生活”，无需冬季投资或购买名牌衣服和鞋子，在公寓装修，昂贵的汽车和“成功生活”的其他属性中。

还有一些缺点：“马路和道路”，昂贵的电力（每千瓦时0.20美元），几乎没有药品和其他基础设施问题（警察，消防，教育系统，公共事业等的问题）。 ），垃圾问题（但是，这在许多亚洲国家，“垃圾战争”期间以及欧洲的欧洲国家都是很典型的）。

在我看来，枢纽上有几篇文章（ tyty和tyts ），我认为客观上反映了柬埔寨的事态和生活条件，因此，我将不进一步讨论该主题。
因此，柬埔寨，度假胜地白马（Kep） ， 博茨 城堡城堡酒店，2019年。

引言和限制

对于销售，我们目前仅使用Booking.com和AirB＆B。 您可以谈论这些服务和其他服务的优缺点，但是在这种情况下，重要的是客户必须通过这些服务来找我们，而不是通过其他服务来找我们。 在Kep之前，我和我的妻子在西哈努克城有一家酒店，甚至更早的时候在果阿的Morjim都有一家酒店，通过销售渠道，我们在那儿的情况也差不多。 在AirB＆B，分析仍处于起步阶段，因此仅考虑Booking.com。 在这里，我们只有一个销售管理的主要杠杆-这是每晚房间的价格。

当然，其他因素也会影响销售。 例如，基于客人评论的评分。 评分统计信息存在于Booking.com的分析中，我们将在下面进行介绍。

在很大程度上取决于该地方的旅游条件。 例如， Kep是一个村庄，度假村基础设施平均发达。 对于许多人来说，这只是柬埔寨和越南之间边界的中转站。 但是，殖民时期的法国里维埃拉，海洋和岛屿，山脉和洞穴，宝塔和国家公园的能量正在发挥作用，旺季的游客络绎不绝，充满了当地的旅馆。

影响销售的一个重要方面是酒店的概念和“芯片”，它们可以帮助客户做出正确的选择，并激发人们对其舒适场所的直观“认识”。 这个问题与企业所有者的目标设定，任务和世界观有关，不在本文讨论范围之内。

此外，必须做出几个重要的假设以了解研究的局限性：

• 这将是关于一家私人小型酒店（在我发现的定义中，该小型酒店最多可以有15个房间），其中没有公司程序，并且一切都简化到了极限，以减少管理费用； 因此，所有业务活动都集中在所有者的手中，而没有任何结构单位的参与； 例如，我们只有一个清洁工在旅馆里工作，我和我的妻子都自己做，仅将复杂的维修和建筑工程外包出去； 如果您需要离开1-2天，即与即将上任的管理员达成协议；
• 不考虑每间房的价格，支出和其他赚钱机会的结构（酒吧和餐厅，自行车和摩托车的租赁，门票和短途旅行的销售等）
• 不考虑酒店管理的一般方法； 但是，这是一个有趣的框架，我以稍微不同的格式编写了该框架； 如果您对此话题感兴趣，我还将在一家小型酒店的管理中心上发布一个帖子。

Booking.com Analytics功能

Booking.com Analytics（分析 ）于2016年推出，是一项工具，可帮助酒店经理分析预订和销售统计数据。 该系统支持Russified界面，但我认为，重要的是参考源代码，以免扭曲基本术语。

Booking.com Analytics包括以下部分：

• Analytics Dashboard汇总数据以查看已实现的指标，包括按房间类别预订的住宿天数，客房收入（客人支付的总金额）和平均每日房价（ADR），即客房收入除以已支付的住宿天数。 ; Analytics仪表板还包含指向以下简要讨论的主要报告的链接；
• Pace报告可让您比较Booking.com上一年同期的销售量，以及比较竞争对手的汇总数据的销售量；
• 销售统计数据提供了去年任何时期的销售削减；
• Booker Insights提供有关酒店客人的详细信息，包括国家/地区，用于预订的设备以及旅行目的；
• Bookwindow Information显示了Booking.com的早期顾客如何预订他们的房间；
• 取消特征包含有关已取消预订百分比的信息；
• 宾客评论分数包含有关宾客酒店评论和宾客酒店评分的10分制数据；
• 管理竞争套间允许您选择您所在地区的十家酒店，以将自己的关键绩效指标（KPI）与最接近的竞争对手的KPI进行比较；
• Genius报告显示根据Genius计划进行的预订的百分比（常旅客折扣）；
• 排行榜显示了当客人在给定地区寻找住宿时，酒店销售的效果如何。

对于数据分析，可以选择7、14、30、60、90或365天的日期范围。 此外，还有其他功能可以通过比较来分析数据：

• 自己的结果与去年的指标；
• 自己的结果，并带有竞争者群体的指标，包括最多十家由旅馆选择的酒店；
• 具有市场指标的自身结果，其中包括酒店所在位置的所有设施。

Booking.com Analytics大数据示例

本节不假装是任何概括，特别是因为图片可能每个月都在变化。 这些只是使用内置的Booking.com Analytics工具的示例。

例如，在Booker Insights中，您可以查看有关游客预订酒店房间的国家/地区的统计信息。 游客的民族特色是一个单独的主题，可以讨论很长时间。 因此，国家统计数字也非常引人入胜。 每个国家/地区都有自己的偏好，这会影响酒店目标受众的分布。 虽然，有时会有意外的统计异常值。 例如，在旅游旺季中，我们得到了这样一张照片。 我们的酒店以较亮的颜色突出显示，市场情况较淡。


Booking.com分析数据：按国家划分的酒店宾客分布

来自柬埔寨和法国的游客约占白马市旅游市场的50％，但是在我们的酒店里，他们分别仅占15％和14％。 柬埔寨游客的保守主义可以解释这一点，他们喜欢住在柬埔寨业主管理的酒店。 法国游客比例低也解释了这一点，其中许多人说得不好或根本不会说英语。 当酒店工作人员说俄语时，俄罗斯游客也喜欢它，这解释了为什么他们在市场的1.4％的客人中占10％以上的客人。 对于新西兰游客（酒店预订量的10％占市场份额的0.6％）和瑞士游客（酒店预订量的8.7％对市场份额的2.4％）的游客来说，较高的比例可以用良好的价格质量比来解释，因为来自这些国家/地区的游客在避免不必要的费用方面比较保守。 Booker Insights详细报告还包含按国家/地区划分的有关平均每日房价，平均逗留时间和取消频率的信息。 这些数据对于按国家预测游客的行为很重要。 例如，来自柬埔寨的客人最经常取消预订。

Bookwindow Information部分中的下图提供了有关预订窗口分布的信息，即 客人需要在抵达前几天预订房间。


Booking.com Analytics数据：预订窗口的分布

较大的预订窗口提供了更多确定每日房价的选项。 此外，房价应考虑当地和全球假期，以便提前设定假期价格。 据统计，很少有客人预订房间超过30天。 此外，大约70％的预订是在即将抵达之前进行的。 这不是很好，因为房间空置的风险会增加，此外，还需要更仔细地调整实际日期的每日房费。

影响任何酒店业务的重要指标是取消预订的百分比，有关数据可在“取消特征”部分中找到（请参见下图）。 在我们酒店的每个频段的顶部，也都以明亮的颜色突出显示，市场情况也较淡。


Booking.com分析数据：分布频率分布分布

最后一分钟的取消通常会带来压力，因为这会大大减少预订窗口，并增加被取消的房间无法售罄的风险。 不幸的是，对于所分析的示例，取消了34％的预订，而有关市场的取消率为28％。 大多数取消是由于预订窗口超过一个月。 很难制定有效的策略来减少取消的数量。 人们经常更改计划，或者他们可能会发现其他酒店的报价对他们更具吸引力。 我们会在收到预订后立即尝试与客人进行交流，但是这种策略也并非总是成功。

饭店业务高度依赖Booking.com根据客人的评论确定的声誉。 对于以下酒店特色，该酒店的等级设定在2.5至10之间：清洁度，舒适度，位置，便利设施，员工和物有所值。 旅客评论分数部分包含每条评论的详细信息，还提供汇总的酒店评分值。 该图显示了每个月收到的评论数量数据，该图显示了每个月结果的最终评级值。 我们将酒店的结果（更明亮的图表和直方图）与十个最接近的竞争对手的平均结果进行了比较。


Booking.com Analytics数据：基于客人评论的酒店评分

Booking.com支持Genius忠诚计划。 在Booking.com上注册的Genius用户可以享受10％或以上的预订折扣。 为了吸引天才旅客，酒店必须支持此计划。 对于酒店而言，问题在于价格下降完全是由于自身收入的下降。 这意味着具有Genius身份的客人的价格仅为Booking.com上所声明客房每日价格的90％（有时甚至是85％）。 另一方面，许多Booking.com用户都参与了Genius计划，并且在酒店支持该计划时，这些用户也会对此表示赞赏。 因此，即使每天的房价有所降低，参加Genius计划也可以增加酒店的整体收入。 重要的是要记住，每天的房费应考虑到Genius客人的房费降低10％或15％的风险。 天才客人占所有顾客的50％以上，这表明了酒店参与该计划的有效性。 “ Genius报告”部分中提供了此信息。


Booking.com分析数据：天才预订率

在Booking.com上，“排名仪表板”部分提供了有关酒店活动的综合数据，其中显示了许多影响酒店收入指标的指标。

通过比较我们的酒店和平均市场结果得出的数据：

• 转化是指酒店的页面浏览量转换为预订的百分比（在Booking.com上预订数与酒店页面浏览量之比）；
• 平均每日房价（每晚平均价格），即从所售客房获得的总收入除以所售客房的数量；
• 取消显示已取消的所有预订的百分比；
• 点评评分（客人评分）是根据酒店客人给出的评分计算得出的；
• 物业页面得分（酒店页面评分）显示了酒店页面在信息和照片方面的完整程度；
• 回复分数考虑了酒店对客人的回复速度。

考虑到以上可能影响酒店收入的六个因素，考虑各自的依赖性是很有意义的。 但是，某些指标（取消预订，住客评分，酒店页面评分，答案评分）只能间接影响收入。 因此，不可能找到酒店收入与间接因素之间的关系。 从大数据分析的角度来看，有希望的是转换百分比和房间的每日价格。 在下一节中，我们将考虑与收入对转化率和每日价格的依赖性相关的假设。

基于大数据管理房价的假设

因此，使用Booking.com Analytics，我们可以访问反映酒店销售状况的大数据。 我想了解这些数据的使用如何帮助确定每间客房的最优价格。

经济科学表明存在供求关系曲线，因此，存在一些最佳价格，可以让您从产品或服务的销售中获取最大利润。 第一种错误（将价格提高到最佳价格之上）导致客户拒绝购买，第二种错误（将价格降低至最优价格以下）导致利润降低，而销售数量增加并不是事实。

因此，我们提出了假设1（G1） ：S数量的销售量与每晚房间C的成本之间存在关系。

正式地，对于每个数字的每个日历日，可以通过以下最小最大准则来描述：
S = max（C）˄ f = 1，其中S是房间出售时的营业额，在数值上等于房间的生活成本C = {Cmin ... Cmax}（价格的值属于某个范围）； f = {0; 1}-数字销售的二进制指示符：如果数字未出售，f = 0；如果数字出售，f = 1。

如果有多个相同类型的数字，那么并非每天都可以出售所有数字，此外，在销售窗口期间，相同数字的价格Ci可以更改，并且minimax准则为：
S = max（$$）˄ F =$\Sigma$$$，其中Ci是一个房间的价格（同一类别的房间的价格可以更改），fi = {0; 1}是一个数字的出售的二进制指标，F = {0..N}是一个类别中的出售房间的总数的数量是N。如果酒店有几类房间，则对它们中的每一个都应用上面的标准，并且酒店的总营业额形成为所有类型房间的销售额之和，或者如果您通过增加一维来增加尺寸，则一切都可以简化为一个通用公式。索引。让我们分析销售和房价的相互依赖性（假设G1$\Sigma$



）我不会提供详细的经济数据，只会显示总体结果。为了分析两个数据系列之间的关系，我们使用皮尔森相关系数，该系数作为协方差与标准差乘积之比计算得出：



为了进行计算，使用MS Excel，其中按月进行酒店会计。因此，方便地按月计算相关系数。建议观察次数至少为因子数目的10倍，并且每月的天数（观察次数）适合此建议。我们在2019年新年之前推出了酒店，因此，截至2019年6月，我们仅收集了5个月（观察150天）的统计数据。一个月不和谐，并且相关系数的值相差很大，从3月的0.51到2月的0.93。因此，在几个月内，假设G1未确认，并且数量成本与销售之间的关系不存在。然而，对于r> 0.75的月份，我们可以谈论一个随机变量对另一个随机变量的依存关系，即假设G1被确认。最好分析整个数据集，因为如果我们的观测数超过因子数的数百倍，那么我们正在接近大数定律。五个月以来，假说G1也得到了证实（r = 0.80）。以下是当年过去每个月的相关系数值以及5个月的积分值。让我提醒您，我们正在调查给定日期的每日销量对平均房价的依赖性。

相关系数r（S，C）的值


显然，销售量取决于销售数量。但是，未发现每天售出房间的数量与房间平均每日价格之间的相关性（整个数据样本的r = 0.51）。

MS Excel还可以构建散点图，向其添加图形和线性回归方程，并确定回归的近似置信度值R ²。如果R ² > 0.8 ，则回归可以给出可靠的结果。对于一个完整的样本，由于近似值的可靠性为R ² = 0.64 ，因此无法获得可靠的回归。但是，对于r> 0.9的月份，这是可能的。例如，对于2月，我们得到R² = 0.86。由于农历新年，2月以一年中最重要的销售量为标志，农历新年持续了一周以上的时间，并确保在假日价格高的情况下酒店的全部入住。

线性回归在优化方面没有意义，因为它表示价格越高，利润越高。但是，价格应在与最接近的竞争对手的价格相当的合理范围内。

从销售管理的角度来看，最关键的是每日销售量少于30立方米的区域，尤其是当销售量为0立方米时至关重要但是，由于价格在12立方米到20立方米之间，因此我们的统计数据无法回答每日价格的最佳值的问题。每天的销售额介于0到6个数字之间，这不取决于其他日历因素（例如，星期几或假期临近）。

另一个假设是，在您所在地区寻找住宿的游客越多，浏览酒店页面的游客越多，您收到的预订就越多。 Booking.com Analytics提供了此类数据。例如，在下面的图表中，按天搜索开普（柬埔寨）市的搜索结果。转换率为132/79 377 = 0.16％，即，对于10,000个寻找住房的游客，我们获得16笔预订。


Booking.com Analytics数据：按地区划分的搜索请求数量

公式假设2（H2）：S数量的销量与每天R的搜索查询数量之间存在关系。

但是，对于5个月的完整数据样本和每月一次的数据所获得的相关系数均不超过0.5，这表明两个随机变量之间没有相关性。这不仅适用于该地区的搜索查询数量，还适用于Booking.com上酒店的页面浏览量。

结论

本文讨论了旨在分析与酒店客房销售相关的大数据的Booking.com Analytics工具的功能。基于现有信息，提出了两个假设。假设1（G1）被

确认：S号的销量与每晚C的房间费用之间存在相关性。

为了分析该假设的可靠性，我们确定了2019年前五个月（r = 0.80）和每月（二月份的最大值r = 0.93）的数据的皮尔逊相关系数r（S，C），这表明两者之间存在关系数据系列。回归是线性的（价格越高，利润越高），这使得无法优化每日房价的价值。但是，每天的价格应在与最近的竞争对手的价格相当的合理范围内。基于散射图，也无法通过数值方法确定房间号的最佳值。

未确认假设2（H2）：S号码的销量与每天的搜索次数R之间存在关系。

尽管可获得大数据，但目前无法仅根据统计指标制定销售管理策略。也许这些模式取决于统计数据不支配的能量。商业波动理论是众所周知的，从我的角度来看，它是有道理的。如果我们根据日历日期建立简单的销售依存关系，那么我们将清楚地看到峰谷交替出现。因此，有必要利用经验和直觉来“赶上潮流”。

本文并不声称这是最终的真理，这只是我的经验，我想与大家分享。

我所要做的就是希望读者从使用预订服务和难忘的旅行中获得最大的乐趣！