Revenue Management: Алгоритмы и модели максимизации доходов

Тема занятия:

• Сегодняшнее занятие - одно из первых, и в нем мы будем рассматривать базовые закономерности соотношения стоимости и загрузки гостиницы на определенном временном промежутке.

Базовая логика работы системы Revenue Management:

• Посмотрим на базовую картинку, которая олицетворяет работу любой Revenue Management системы как в отелях, так и в других отраслях бизнеса.

• На нижней пунктирной голубой строчке обозначен некий начальный прогноз спроса, построенный на исторических данных.

Анализ исторических данных:

• Работа Revenue Management системы всегда начинается с анализа исторических данных.

• Чем больше объем таких данных, тем лучше.

• На основе этих данных мы составляем прогноз загрузки на будущие периоды.

Кривая бронирования:

• Голубая пунктирная и синяя линия называется кривой бронирования.

• Расстояние от точки начала продаж до даты оказания услуги называется глубиной продажи.

• Кривая бронирования для разных дней, типов услуг, комнат будет выглядеть по-разному.

• Позже мы поговорим о сегментации рынка и создании различных вариантов для анализа.

Анализ фактического бронирования:

• Красная линия показывает, каким образом идет бронирование на самом деле.

• Если отклонения фактического бронирования от первоначального прогноза становятся слишком большими, система должна дать сигнал для привлечения внимания к данному факту.

Рекомендации по воздействию на стоимость:

• Revenue менеджер или система автоматизированная дает определенную рекомендацию по воздействию на стоимость.

• На данной картинке мы видим, что бронирование идет быстрее, чем мы ожидали.

• Это означает, что есть большая вероятность того, что наш объем предложения будет выбран, и часть спроса останется не удовлетворенной.

• Это прямое указание на то, чтобы повысить стоимость и уменьшить немного объем спроса.

• В этот момент мы имеем возможность получить дополнительный доход.

Первый шаг в Revenue Management:

• Сегодня мы займемся первым шагом - составлением прогноза, основанного на исторических данных.

• Мы будем работать с примером данных условного отеля на 100 номеров.

Описание отеля:

• Отель состоит из 7 этажей, 2 из которых нежилые.

• 5 этажей отданы под комнаты - по 20 номеров на каждом.

• Для простоты расчетов и аналитики используется массив из 100 000 записей за 3,5 года работы отеля.

Инструменты работы:

• Мы будем работать с таблицами Excel, используя фильтры, поиск средних значений, различные виды сортировки данных.

• Далее перейдем к более сложным инструментам, относящимся к математической статистике и теории вероятности:

  • Анализ частотности

  • Анализ вероятности достижения определенных событий

Цель занятия:

• Понять базовые закономерности работы технологии Revenue Management в отеле.

Дальнейшие шаги:

• На следующих занятиях мы будем:

  • Изучать более сложные инструменты Revenue Management

  • Учиться применять эти инструменты на практике

В этом уроке мы рассмотрим самый первый шаг в управлении доходами в гостинице: подготовку таблицы с данными о бронированиях.

2. Требования к таблице

• Данные о бронированиях: дата заезда, номер бронирования, тип номера, рыночный сегмент, канал бронирования, тариф, дата бронирования, канал бронирования (OTA), признак клиента.

• Формат: Excel или аналогичный.

• Объем: Чем больше данных, тем лучше.

3. Получение данных

• Из PMS-системы: Инструкции по получению данных будут отличаться для разных систем.

• С помощью сотрудников IT-отдела:

• Самостоятельно:

4. Домашнее задание

• Подготовить аналогичную таблицу с данными о бронированиях для вашего отеля.

• Выполнить на данных вашей таблицы те же аналитические манипуляции, которые будут изучены на уроке.

• Отправить куратору курса домашнее задание.

5. Структура таблицы

• Дата заезда: Дата, когда гость заехал в отель.

• Номер бронирования: Уникальный номер, присвоенный бронированию.

• Тип номера: Стандартный, люкс, апартаменты и т.д.

• Рыночный сегмент: Individual, групповой, корпоративный и т.д.

• Канал бронирования: Сайт отеля, телефон, стойка регистрации, OTA

• Тариф: Цена, по которой гость забронировал номер.

• Дата бронирования: Дата, когда гость забронировал номер.

• Канал бронирования (OTA): Если бронирование было сделано через OTA, указать название OTA.

• Признак клиента: VIP, лояльный, новый и т.д.

6. Дальнейшие шаги

• Анализ данных:

• Прогнозирование загрузки:

• Оценка оптимальности тарифов:

• Динамическое ценообразование:

7. Заключение

Данный урок является первым шагом в изучении математических методов управления доходом в гостинице.

На следующих уроках мы будем работать с этой таблицей, чтобы научиться прогнозировать загрузку, оценивать оптимальность тарифов и использовать динамическое ценообразование.

Тема: Оценка частотности загрузки гостиницы

Цель:

• Научиться оценивать загрузку гостиницы по дням.

• Построить диаграмму частотности распределения значений загрузки.

• Сделать выводы о законе распределения значений загрузки.

Материалы:

• Таблица с данными о бронированиях (100 000 записей)

• Excel

Ход работы:

1. Создание сводной таблицы:

   • Выделить все данные в таблице.

   • Нажать Вставка > Сводная таблица.

   • В поле Строки добавить Дата проживания.

   • В поле Значения добавить Тип номера.

   • Разгруппировать даты проживания.

2. Расчет частотности:

   • Создать массив с диапазоном значений загрузки (от 30% до 100%).

   • Ввести формулу ЧАСТОТА для каждого значения в массиве частотности.

   • Первый массив данных: Дата проживания.

   • Второй массив данных: диапазон значений загрузки.

3. Анализ результатов:

   • Сравнить частотности с средним значением заселенности (75,9%).

   • Построить диаграмму столбцов для частотности.

   • Сделать вывод о форме кривой распределения (колоколообразная).

Выводы:

• Распределение значений загрузки подчиняется нормальному закону распределения.

• Низкие и высокие значения загрузки встречаются реже, чем средние.

• Максимальная частота загрузки находится в диапазоне 70-80%.

Тема: Закон нормального распределения в управлении доходами

Цель:

• Познакомиться с законом нормального распределения (Гаусса).

• Определить параметры функции нормального распределения для данных о загрузке отеля.

• Объяснить, как использовать закон нормального распределения для прогнозирования спроса и оптимизации ценообразования.

Материалы:

• Таблица с данными о частотности загрузки отеля

• Excel

Ход работы:

1. Определение параметров функции:

o Математическое ожидание (М): среднее значение загрузки отеля (76%).

o Стандартное отклонение (σ): мера отклонения значений от среднего (рассчитывается с помощью Excel).

2. Сравнение графика частотности с графиком нормального распределения:

o Сопоставить форму графика частотности с колоколообразной кривой Гаусса.

o Проанализировать, насколько значения загрузки укладываются в "колокол".

3. Определение выбросов:

o Выявить значения загрузки, значительно выходящие за пределы "колокола".

o Объяснить, почему такие значения представляют ценность для revenue management.

Выводы:

• Распределение значений загрузки отеля подчиняется закону нормального распределения.

• Большинство значений загрузки находятся вблизи среднего значения (76%).

• Выбросы могут сигнализировать о значительных отклонениях спроса, требующих корректировки цены.

Дальнейшие шаги:

• Изучение методов определения нормальных значений загрузки для разных сегментов и периодов.

• Разработка алгоритмов оптимизации тарифов на основе закона нормального распределения.

Тема: Проверка соответствия распределения загрузки отеля закону нормального распределения

Цель:

• Повторить пройденный материал.

• Рассчитать параметры нормального распределения для данных о загрузке отеля.

• Сравнить фактическое распределение загрузки с теоретическим, построенным по закону нормального распределения.

• Определить долю заездов, требующих корректировки цены.

Материалы:

• Таблица с данными о частотности загрузки отеля

• Excel

Ход работы:

1. Повторение пройденного:

   • Обзор основных понятий: населенность, частота, количество проживающих.

   • Вспомнить формулу для расчета среднего значения.

   • Определение стандартного отклонения.

2. Расчет параметров нормального распределения:

   • Среднее значение (М): 75,9%.

   • Стандартное отклонение (σ): 13,6%.

3. Сравнение фактического и теоретического распределений:

   • Построение графика частоты фактической загрузки.

   • Расчет частоты загрузки по формуле нормального распределения.

   • Построение графика частоты загрузки по формуле.

   • Сравнение двух графиков:

     • Выявление выбросов.

     • Оценка степени соответствия.

4. Оценка доли заездов, требующих корректировки цены:

   • Расчет количества заездов по факту.

   • Расчет количества заездов по формуле.

   • Сравнение двух значений.

   • Вывод: 28,3% заездов требуют корректировки.

Выводы:

• Распределение загрузки отеля не полностью соответствует закону нормального распределения.

• 28,3% заездов требуют корректировки цены.

• В следующих уроках будут рассмотрены методы корректировки цены.

тема: Разбиение данных на периоды и расчет средних значений и стандартных отклонений

Цель:

• Научиться разбивать данные на периоды (месяцы, недели, дни).

• Научиться вычислять среднее значение и стандартное отклонение для каждого периода.

• Использовать полученные данные для прогнозирования и оценки рисков.

Материалы:

• Таблица с данными о заездах

• Презентация

Ход работы:

1. Вступление:

o Приветствие.

o Повторение пройденного материала (понятие вероятности).

o Цель урока.

2. Разбиение данных на периоды:

o Объяснение необходимости разбивки данных на периоды.

o Выбор периодов (месяцы).

o Создание нового листа в таблице.

o Копирование и вставка данных.

o Форматирование данных (дата, число).

o Преобразование массива данных в таблицу.

o Добавление имени таблицы.

o Добавление столбца "Месяц".

o Вычисление месяца с помощью функции "ЦЕЛ".

3. Расчет средних значений:

o Формула среднего значения.

o Использование функции "СРЕДНЕЕЕСЛИ".

o Расчет среднего значения населенности для каждого месяца.

4. Расчет стандартных отклонений:

o Отсутствие стандартной функции для вычисления стандартного отклонения с условием.

o Создание вложенной формулы.

o Использование функции "СТАНДОТКЛОН.ЕСЛИ".

o Расчет стандартного отклонения населенности для каждого месяца.

5. Анализ результатов:

o Сравнение средних значений и стандартных отклонений по месяцам.

o Выявление закономерностей.

6. Выводы:

o Разбиение данных на периоды позволяет более детально их анализировать.

o Среднее значение и стандартное отклонение - важные характеристики распределения данных.

o Эти характеристики можно использовать для прогнозирования и оценки рисков.

Тема: Разбиение данных на периоды (дни недели, выходные/рабочие дни)

2.2. Дни недели:

Объяснение важности разделения данных на рабочие и выходные дни.
Копирование листа с данными о месяцах.
Добавление столбцов "День недели" и "Часть недели".
Формула для определения дня недели (функция "ДЕНЬНЕДЕЛИ").
Формула для определения части недели (IF-функция).
2.3. Неделя месяца:

Объяснение необходимости комбинирования данных о месяце и части недели.
Добавление столбца "Неделя месяца".
Формула для определения недели месяца (CONCATENATE-функция).
3. Расчет средних значений:

Формула среднего значения.
Использование функции "СРЕДНЕЕЕСЛИ".
Расчет среднего значения населенности для каждого месяца и части недели.
4. Расчет стандартных отклонений:

Отсутствие стандартной функции для вычисления стандартного отклонения с условием.
Создание вложенной формулы.
Использование функции "СТАНДОТКЛОН.ЕСЛИ".
Расчет стандартного отклонения населенности для каждого месяца и части недели.
5. Анализ результатов:

Сравнение средних значений и стандартных отклонений по месяцам и частям недели.
Выявление закономерностей.
6. Выводы:

Разбиение данных на периоды позволяет более детально их анализировать.
Среднее значение и стандартное отклонение - важные характеристики распределения данных.
Эти характеристики можно использовать для прогнозирования и оценки рисков.

Тема: Использование теории вероятностей в управлении доходами и динамическом ценообразовании в гостиницах

Цель:

• Познакомиться с понятием вероятности и накопленной вероятности.

• Научиться использовать эти понятия для анализа загрузки отеля.

• Построить график накопленной вероятности.

Понятие вероятности:

• Определение вероятности.

• Расчет вероятности события.

• Пример расчета вероятности загрузки отеля.

Накопленная вероятность:

• Определение накопленной вероятности.

• Расчет накопленной вероятности.

• Пример расчета накопленной вероятности загрузки отеля.

Расчет частоты и вероятности:

• Подсчет количества дней с одинаковой загрузкой.

• Вычисление частоты события (отношение количества благоприятных исходов к общему количеству).

• Перевод частоты в процентное соотношение.

Пример с маленьким отелем:

• Описание отеля "Десяточка".

• Анализ загрузки отеля в течение 7 дней.

• Расчет частоты и вероятности появления различных значений населенности.

• Понятие накопленной вероятности.

4. График накопленной вероятности:

• Построение графика на основе данных о загрузке отеля.

• Анализ графика.

5. Выводы:

• Теория вероятностей - важный инструмент для анализа загрузки отеля.

• Накопленная вероятность позволяет прогнозировать вероятность заполнения отеля.

Тема: Использование теории вероятностей для прогнозирования загрузки отеля

Цель:

• Научиться вычислять частоту и вероятность события в процентах.

• Построить график накопленной вероятности.

Расчет частоты и вероятности в процентах:

• Перевод частоты события в проценты (деление на общее количество дней и умножение на 100).

• Вычисление доли заездов с определенной частотностью (перемножение частоты и населенности).

• Проверка корректности расчетов (сумма долей заездов должна равняться 100%).

3. Расчет накопленной вероятности:

• Определение накопленной вероятности как суммы вероятностей всех предыдущих событий.

• Копирование значения накопленной вероятности для самого маловероятного события.

• Расчет накопленной вероятности для остальных событий (сумма предыдущего и текущего значений).

4. Построение графика накопленной вероятности:

• Выделение столбца с накопленной вероятностью.

• Вставка диаграммы.

• Изменение диапазона значений на оси X (от 30 до 100%).

5. Анализ результатов:

• Интерпретация графика накопленной вероятности.

• Определение диапазонов населенности с

6. Выводы:

• Теория вероятностей позволяет прогнозировать загрузку отеля.

• График накопленной вероятности - наглядный инструмент для анализа данных.

Тема: Распределение вероятностей загрузки отеля: от арифметики к формулам

Цель:

• Показать, что график накопленной вероятности событий, являющихся вложенными, имеет вид интеграла.

• Доказать, что для расчета вероятности наступления события по его населенности можно использовать преобразованную функцию нормального распределения.

• Вывести формулу обратного нормального распределения, преобразованную для расчета значения события по заданной вероятности.

Материалы:

• Таблица с данными о загрузке отеля

• Презентация

Ход работы:

1. Вступление:

• Приветствие.

• Повторение пройденного материала (график нормального распределения, накопленная вероятность).

• Цель урока.

2. Сравнение графиков:

• Сравнение графика накопленной вероятности с графиком нормального распределения.

• Объяснение, почему график накопленной вероятности имеет вид интеграла.

3. Преобразование функции нормального распределения:

• Преобразование функции нормального распределения для получения графика, схожего с графиком накопленной вероятности.

• Расчет значений функции по формуле.

• Построение графика.

4. Вывод:

• Доказательство, что преобразованная функция нормального распределения может использоваться для расчета вероятности наступления события по его населенности.

5. Формула обратного нормального распределения:

• Введение формулы обратного нормального распределения.

• Преобразование формулы для расчета значения события по заданной вероятности.

• Расчет значений по формуле.

6. Анализ результатов:

• Интерпретация полученных данных.

• Сравнение с данными из таблицы.

7. Выводы:

• Теория вероятностей позволяет прогнозировать загрузку отеля.

• Преобразованная функция нормального распределения - удобный инструмент для расчета вероятностей.

• Формула обратного нормального распределения позволяет решать задачи revenue management.

Тема: Использование формулы нормального распределения для прогнозирования загрузки отеля

Цель:

• Научиться использовать формулу обратного нормального распределения для расчета вероятности достижения определенной населенности.

• Применить полученные знания для прогнозирования загрузки отеля.

Материалы:

• Таблица с данными о загрузке отеля

• Презентация

Ход работы:

1. Вступление:

• Приветствие.

• Повторение пройденного материала (формула обратного нормального распределения).

• Цель урока.

2. Расчет вероятности достижения определенной населенности:

• Запись формулы обратного нормального распределения.

• Определение параметров формулы:

  • Населенность (ячейка)

  • Среднее значение (из таблицы)

  • Стандартное отклонение (из таблицы)

  • Интегральная функция

• Расчет вероятности достижения 70%, 78%, 50% и 100% населенности.

• Интерпретация полученных результатов.

3. Прогнозирование загрузки отеля:

• Протаскивание формулы до конца таблицы.

• Анализ вероятности достижения 50% и 60% населенности по месяцам.

• Корректировка критериев (вероятность не менее 80%).

• Подбор оптимальной населенности с учетом заданной вероятности.

4. Выводы:

• Формула обратного нормального распределения позволяет прогнозировать загрузку отеля.

• Анализ вероятности достижения определенной населенности помогает принимать обоснованные решения.

Таблица преобразования к уроку 10

Тема: Использование формулы обратного нормального распределения для прогнозирования загрузки отеля по каналам бронирования

Цель:

• Научиться использовать формулу обратного нормального распределения для расчета вероятности достижения определенной населенности по каналам бронирования.

• Применить полученные знания для прогнозирования загрузки отеля по каналам бронирования.

• Провести анализ влияния каналов бронирования на загрузку отеля в разные периоды времени.

Материалы:

• Таблица с данными о загрузке отеля по дням, месяцам и каналам бронирования

• Презентация

Ход работы:

1. Вступление:

• Приветствие.

• Повторение пройденного материала (формула обратного нормального распределения).

• Цель урока.

2. Расчет вероятности достижения определенной населенности по каналам бронирования:

• Запись формулы обратного нормального распределения.

• Определение параметров формулы:

  • Населенность (ячейка)

  • Среднее значение (из таблицы)

  • Стандартное отклонение (из таблицы)

  • Интегральная функция

• Расчет вероятности достижения 70%, 78%, 50% и 100% населенности по каждому каналу бронирования.

• Интерпретация полученных результатов.

3. Прогнозирование загрузки отеля по каналам бронирования:

• Протаскивание формулы до конца таблицы.

• Анализ вероятности достижения 50% и 60% населенности по месяцам и каналам бронирования.

• Корректировка критериев (вероятность не менее 80%).

• Подбор оптимальной населенности с учетом заданной вероятности.

4. Анализ влияния каналов бронирования на загрузку отеля:

• Сравнение распределения бронирований по каналам бронирования.

• Выявление сезонных колебаний спроса по каналам бронирования.

• Определение наиболее эффективных каналов бронирования в разные периоды времени.

5. Выводы:

• Формула обратного нормального распределения позволяет прогнозировать загрузку отеля по каналам бронирования.

• Анализ вероятности достижения определенной населенности по каналам бронирования помогает принимать обоснованные решения.

• Изучение влияния каналов бронирования на загрузку отеля позволяет оптимизировать маркетинговую политику.

Цель:

• Познакомиться с базовыми понятиями и методами, используемыми для прогнозирования доходов и оптимизации ценообразования в гостиничном бизнесе.

• Научиться использовать формулу вероятности для расчета expected revenue (ожидаемого дохода) в зависимости от тарифа, населенности и вероятности наступления события.

• Рассмотреть примеры применения математических моделей для прогнозирования доходов в различных ситуациях.

2. Теоретическая часть:

• 2.1. Вероятность:

  • Определение вероятности как возможности получения определенного результата (в нашем случае - определенного дохода).

  • Связь вероятности с экономическими задачами.

  • Математическое ожидание события (получения дохода) как произведение его величины на вероятность наступления.

• 2.2. Расчет expected revenue:

  • Случайная величина - населенность.

  • Распределение вероятностей населенности.

  • Формула вероятности наступления фиксированного значения населенности.

  • Расчет expected revenue:

    • Expected revenue = населенность * вероятность * тариф.

• 2.3. Примеры:

  • Отель с 100 номерами.

  • Тариф 3000 рублей, населенность 80%, expected revenue = 180 000 рублей.

  • Тариф 4000 рублей, населенность 80%, вероятность 60%, expected revenue = 192 000 рублей.

  • Тариф 3000 рублей, населенность 90%, вероятность 90%, expected revenue = 216 000 рублей.

3. Выводы:

• Вероятность - важный фактор, который необходимо учитывать при прогнозировании доходов.

• Expected revenue позволяет оценить потенциальный доход в зависимости от различных факторов (тариф, населенность, вероятность).

• Математические модели - эффективный инструмент для оптимизации ценообразования и управления доходами в гостиничном бизнесе.

Тема: Расчет ожидаемого дохода гостиницы

Цель:

• Научиться использовать формулу expected revenue (ожидаемого дохода) для прогнозирования доходов гостиницы.

• Понять, как тариф, населенность и вероятность влияют на expected revenue.

• Проанализировать expected revenue гостиницы по месяцам и дням недели.

• Сделать выводы о том, при какой населенности и вероятности expected revenue достигает своего максимума.

2. Теоретическая часть:

• 2.1. Формула expected revenue:

  • Expected revenue = населенность * тариф * вероятность.

  • Объяснение каждого из параметров:

    • Населенность - количество занятых номеров.

    • Тариф - цена за номер.

    • Вероятность - шанс того, что данная населенность будет достигнута.

• 2.2. Пример расчета expected revenue:

  • Тариф = 3000 рублей.

  • Населенность = 60%.

  • Вероятность = 87%.

  • Expected revenue = 3000 * 0.6 * 0.87 = 15210 рублей.

3. Анализ expected revenue:

• 3.1. График зависимости expected revenue от населенности:

  • Пик expected revenue достигается при населенности 60%.

  • Expected revenue падает при увеличении или уменьшении населенности от 60%.

• 3.2. Анализ expected revenue по месяцам:

  • Expected revenue сильно колеблется по месяцам.

  • Сентябрь - провальный месяц по expected revenue.

• 3.3. Влияние тарифа на expected revenue:

  • При фиксированной населенности и вероятности expected revenue увеличивается при увеличении тарифа.

4. Выводы:

• Expected revenue - важный инструмент для прогнозирования доходов гостиницы.

• Тариф, населенность и вероятность - ключевые факторы, влияющие на expected revenue.

• Для оптимизации доходов необходимо найти баланс между тарифом, населенностью и вероятностью.

Тема: Завершение первого блока курса по математическим моделям revenue-менеджмента в гостиницах.

Основные темы:

1. Усовершенствование калькулятора доходов

   • Улучшена модель расчета: теперь можно оценивать доходность не только по месяцам, но и по дням и частям недели.

   • Revenue-менеджеры могут экспериментировать с тарифами, прогнозировать загрузку и доходность.

2. Проблема грубого расчета доходов

   • Если просто поднять тариф из-за высокого спроса, это может снизить вероятность заселения.

   • Для точного прогнозирования необходимы более сложные модели.

3. Обратное нормальное распределение в прогнозировании загрузки

   • Введена формула, позволяющая вычислять фактическую населенность гостиницы на основе вероятности.

   • Доказана корректность расчета с помощью проверки значений.

4. Применение модели в управлении доходами

   • Можно экспериментировать с вероятностью заселения и смотреть, как это влияет на ожидаемый доход.

   • Например, при 100% вероятности доход резко падает, а при 85% он максимальный.

5. Вывод:

   • Создан удобный инструмент для revenue-менеджеров и финансистов, позволяющий прогнозировать доходность гостиницы.

   • В следующем блоке курса будет рассмотрено динамическое ценообразование.