|
对于动态定价和收益管理系统来说，历史需求数据一直都是一个重要的组成部分，而更为重要的要求是进行无约束的需求预测。在未施加任何限制的情况下，这一需求预测就构成了特定产品的实际需求，例如可以知道某一客房或座位在何时不可购买等。能否成功进行无约束的需求预测，将会影响整个定价和收益管理流程。
将被动流失和主动拒绝这些数据用于无约束需求预测的尝试，大多未取得成功
有两种方式可以获得无约束的需求数据：一种是通过直接观察和记录获得，另一种是利用统计方法获得。自从酒店行业采用收益管理系统以来，无约束的预测方法一直采用统计分析为导向的方法为主，而尝试使用真实或直接观察到的客户数据，尤其是被动流失和主动拒绝这些数据的方法，大多未取得成功。
鉴于因无可卖房而导致的“主动拒绝”和因价格或其它因素而导致的“被动流失”之间存在着重要的区别，被动流失和主动拒绝这些数据并不能直接用来计算无约束的需求预测。目前来说，大多数的预订系统并不能自动将被动流失和主动拒绝区分开来。
来自酒店官网的非协议散客数据并不充分
最近，有一些关于收益管理系统的说法，在其算法中并入了来自酒店官网的拒绝数据，但是官网仅仅能抓取到非协议散客的部分被动流失和主动拒绝的数据。而且，它们的预测模型仅使用非协议散客的数据，而忽视了不同细分市场的需求数据以及其它预定渠道的行为数据。 这种方法存在两个问题：首先，根据TravelClick的报告，酒店官网在散客预订总量中仅占据 27%；其次，它广泛采用了非协议散客的需求数据，却并未充分重视无约束的预测方法。无约束预测方法必须包括每个或所有旅行社批发商、团队、协议客户和非协议散客市场的的需求，也就是我们所说的“全面无约束需求预测”。
拒绝数据是在拒绝事实发生后手工采集的
通常来说，拒绝客人的原因，都是由酒店经理或预订人员手工填写的，因此对拒绝原因进行相应编码的流程并不可靠。如果拒绝原因中的第一个选项为“无可卖房”，那么无论是否有无可卖客房，大部分拒绝客户的原因都会被标记为“无可卖房”。
客人多次询问同一客房预订的数据
酒店经理或预订人员也可能无法及时了解客人的预订特别是询价的历史，因为，对于每一个询问电话，拒绝相关的数据都会被单独记录下来，即使有些询问是来自同一人的多次查询。
被动流失和主动拒绝这些数据属于“垃圾数据”
不同新闻媒体都报道过，虽然预订引擎例如OTA的交易量大幅增加，但是酒店的预订量却大致持平。这一报道从定量的角度有力地证明了此前的传言：“查询预定”的比率非常高，而且在持续增长（旅游网站中，存在大量的“查询预订（look to book）”事件。也就是说，人们可能四处搜索酒店，但又很少真正预订。）。研究表明，许多出行客人在做出预订决策前，都会通过各类网站来调查和比较各酒店的价格。因此，即便有收益管理系统自认其方法适用于评估某一网站的拒绝数据，它也无法了解客人是否交叉使用了其它网站，或者同一客人是否多次访问了同一网站，这些情况在相关拒绝逻辑中都无从知晓。这也是顶级数据科学家把被动流失和主动拒绝这些数据称为“垃圾数据”的主要原因。
上述各种情况均可能导致收益管理系统对无约束需求的预测过高，进而导致过度保留客房，并最终导致入住率下降。
|
