Введение

          Каждый день руководители отелей используют неточные прогнозы и, как следствие, принимают решения с неопределенным результатом. Полноценные данные о том, какой объем продаж возможен в краткосрочной и долгосрочной перспективе, играют решающую роль в эффективном управлении отелем.

         Как правило, неточность данных, используемых российскими гостиницами, объясняется двумя причинами: использованием при прогнозировании ограниченного инструментария (один метод вне зависимости от целей и периода прогноза), а также устаревшее системное обеспечение, не позволяющее получить максимально точные и подробные данные.

         В данном исследовании были рассмотрены несколько моделей прогнозирования, для использования которых необходимы только два компонента: точные исторические данные и навык построения графиков.

Стоит отметить, что прогноз ожидаемого спроса на гостиничные номера используется для планирования закупок, составления графика персонала, осуществления финансовых операций, обеспечения уровня безопасности, расчета загруженности инженерных систем и для принятия множества других операционных решений. В связи с эти становится очевидным важность точность полученных данных, от которых полностью зависит функционирование всего отеля.

Виды прогнозов

          Краткосрочные прогнозы – как правило, носят количественный характер и используют существующие данные в математических формулах для прогнозирования уровня продаж в самой ближайшей перспективе. Краткосрочные прогнозы более точны, чем прогнозы среднего или долгосрочного диапазона. Многое может измениться через три месяца, год, три года и дольше. В такой высоко зависимой от внешней среды сфере, как гостеприимство, роль и влияние факторов, которые могут повлиять на точность прогноза, меняется ежедневно.

         Среднесрочные прогнозы – наиболее практикующийся метод для планирования продаж, составления бюджета и анализа различных операционных планов. В гостинице, как правило, средний прогноз составляется на 12 месяцев и корректируется в зависимости от макро- и микроэкономической ситуаций.

          Дальнесрочные прогнозы – в гостеприимстве применяются для принятия стратегических решений и на стадии девелоперского соглашения [1].

          Прогнозирование в сфере гостеприимства имеет первостепенное значение не только для эффективных продаж и планирования операционной деятельности, но и для управления финансовой устойчивостью путем планирования потребности в источниках финансирования и величины денежных потоков [2]. Это особенно важно в гостиничном бизнесе, где отель ежедневно теряет прибыль за каждую непроданную ночь [3]. Даже если полная загрузка гостиницы не является главной целью, у менеджмента существует реальная потребность в понимании предстоящего спроса, чтобы определить, какую стоимость будут готовы платить различные категории клиентов за каждую конкретную ночь, учитывая колебания спроса.

          Стоит уточнить, что прогнозирование, как один из методов управления отелем, не должно сводиться лишь к количественным измерениям. В сфере гостиничном бизнесе прогнозирование — метод выявления оптимальных тактик в рамках существующей стратегии. В сфере гостеприимства понятие прогнозирования тесно связано с перспективным анализом, поскольку окончательный вариант действий определяется после сравнительного анализа различных вариантов альтернативного характера [4].

         Данные, используемые отелями для прогнозов различного типа, опираются на два основных типа информации:  когда бронирование было совершено и когда номер фактически использован.

Способы прогнозирования

          Для прогнозирования спроса, гостиницы используют различные методы количественного анализа, опирающегося, прежде всего, на конкретные данные.

Так, модели временных рядов прогнозируют, предполагая, что будущее является функцией прошлого. Ассоциативные модели используют аналогичные исторические данные, а затем включают другие внешние переменные, такие как бюджет, текущая стоимость номера, тарифы конкурирующих отелей и многое другое.

          Гостиницы также часто учитывают при составлении прогноза такие индивидуальные факторы, как будущие мероприятия в городе, ежегодные группы, бронирующие определенное количество номер в данный период и т.д. [5]. Существуют несколько основных моделей прогнозирования спроса:

• Историческая модель;
• Модель экспоненциального сглаживания;
• Модель предварительного бронирования;
• Регрессивные модели;
• Комбинированная модель [2].

Вне зависимости от выбранного метода, прогнозирование спроса состоит из следующих этапов:

1. Определение цели и временного периода прогноза (что именно мы хотим спрогнозировать и в какой временной перспективе – от нескольких часов до нескольких лет).
2. Выбор модели прогнозирования (какая модель наиболее оптимальная для данного прогноза).
3. Сбор данных для ввода (под сбором понимается выбор необходимых данных в системе отеля).
4. Построение прогноза (выполняется в графическом виде системой отеля).
5. Анализ данных и применение (исследование полученных данных и принятие необходимых мер для оптимизации или корректировки ситуации).

         Прогнозирование спроса является одним из краеугольных камней управления доходами. Крайне важно, чтобы ревеню менеджеры имели наиболее полное представление о предстоящем спросе, чтобы максимально точно спроецировать загрузку отеля, доходы и операционные ресурсы. Критически прогнозирование спроса показывает, сколько комнат будет забронировано на данный день, если не будет никаких ограничений. Это, так называемый, безусловный спрос, который дает представление о рыночных возможностях, доступных в отеле в любое время пребывания.

         Неограниченный прогноз исходит из количества уже забронированных номеров (on the books – англ.) и затем учитывает темп бронирования, чтобы определить, сколько комнат будет продано по текущему тарифу в заданный любой день, если бы было доступно неограниченное количество номеров [6]. Например, если номерной фонд состоит из 200 номеров, а прогноз на первый день — на 210 номеров, то на следующий день он будет двигаться к бронированию 230 номеров, в каждом случае превышая спрос над предложением.

         Данные, используемые для прогнозирования спроса, основаны на информации о текущих бронированиях, статистике резерваций за аналогичный период в прошлом году, а также данных о проданных номерах в конкурирующих гостиницах [1]. В сфере гостеприимства принято разделять методы прогнозирования доходов на три вида [7]:

• Исторические модели бронирования, которые учитывают только окончательное количество комнат или прибытие на определенную ночь пребывания. Это традиционные методы прогнозирования, такие как экспоненциальное сглаживание в различных формах, скользящие средние методы (простой и взвешенный), а также линейная регрессия. Несмотря на высокую точность прогнозирования, в современных бизнес реалиях исторические модели становятся все более ограниченными и нуждаются в дополнении или комбинировании с другими методами.
• Модели предварительного бронирования можно разделить на аддитивные и мультипликативные. Аддитивные модели предполагают, что количество оговорок в тот или иной день до прибытия не зависит от конечного числа продаваемых номеров, в то время как мультипликативные модели предполагают, что количество оговорок еще впереди, зависит от текущее количество брони.
• Комбинированные модели  используют либо регрессию, либо  средневзвешенное значение исторического прогноза и предварительный прогноз бронирования или полную информационную модель.

         Проведенное исследование было направлено на практическое применение всех вышеперечисленных методов прогнозирования для выбора техники, позволяющей эффективно прогнозировать спрос на гостиничные номера. Под эффективностью нами подразумевается точность прогноза, а также самодостаточность техники, не требующей дополнительных временных и финансовых затрат.

          Историческая модель

         Предполагает, что спрос будущий спрос аналогичен прошлому, когда используется такая же дата в предыдущем году, учитывая порядок дней недели.  Например, спрос в понедельник, в первую неделю января 2018 года должен быть таким же, как в понедельник, первую неделю января 2017 года. Это один из самых простых способов прогнозирования, но высоко зависимый от событий в прошлом (праздничные дни, масштабные мероприятия, и другие события, влияющие на спрос).

          Главное преимущество исторического метода заключается в способности прогнозировать спрос на год вперед. Кроме этого, исторический метод может быть расширен за счет использования значения за несколько предыдущих лет.

Рисунок 1. Прогнозирование спроса с помощью исторической модели

Когда спрос характеризуется высокой вариативностью, эта модель не предоставляет точного прогноза. График демонстрирует, что процент погрешности недопустимо высок и не соответствует реальной ситуации. На практике такой прогноз может привести к существенным убыткам при планировании спроса и соответствующих закупок.

Модель экспоненциального сглаживания

         Основываются на прогнозировании будущего по данным из прошлого, где более новые наблюдения имеют больший вес, чем старые. Такое взвешивание возможно благодаря константам сглаживания.

         При простом экспоненциальном сглаживании предполагается, что временной ряд данных состоит из двух компонентов: уровня и некой погрешности вокруг этого значения. В данной модели, так же, как и в предыдущем случае, использованы данные исторического спроса, дисконтированного его весом. Весовые коэффициенты экспоненциально при этом уменьшаются по мере того, как данные в прошлом становятся еще  больше. Прогноз математически вычисляется следующим образом:

П_t+1=xy_t +(1-x)П_t

Где Пt+1-прогноз спроса на номер в промежуток времени t+1, х-параметр экспоненциального сглаживания, yt-количество проданных номер в период, а Пt – заданный период прогнозирования

Меньшие значения приводят к большей стабильности прогноза, в то время как большие приводят к точному отражению недавних изменений.

         Есть способ испытать прогностическую модель на прочность — сравнить погрешности сами с собой, сдвинутыми на шаг. Если отклонения случайны, то улучшить модель нельзя. Однако, возможно, в данных о спросе есть сезонный фактор. Именно это отражается в прогнозе – метод демонстрирует эффективность исключительно при статичном и стабильном  спросе, корректируя предыдущий прогноз с ситуацией на рынке.

Рисунок 2. Прогнозирование спроса с помощью экспоненциального сглаживания

Однако, как показывает следующий пример, метод простого экспоненциального сглаживания неэффективен, когда колебания спроса значительны.

Модели предварительного анализа

          Применимы к сериям данных, которые показывают сезонные колебания и состоят из прогнозируемого уравнения и трех уравнений сглаживания [8].

Первое уравнение для уровня At, которое можно охарактеризовать как среднее значение данных, хотя оно не может рассматриваться как статистическое среднее.

          Второе уравнение вычисляет тренд Tt, который является предсказуемым изменением значений данных с течением времени. Третье уравнение вычисляет сезонный компонент Cв. Кроме того, все три уравнения имеют свой соответствующий параметр (a, b, c), обозначающий периодичность сезонности. Например,  квартальный прогноз и сезонность — на четверть, N = 4. Прогноз для периода времени выглядит следующим образом:

Аддитивная модель:

X_t+k=Y_t+kT_t+S_t+k=N, где

Y_t=a(X_t-S_t-1) +(1-a) (X_t-1+_Tt-1)

T_t=b (Y_t-Y_t-1) + (1-b)T_t-1

S_t=c(X_t-Y_t)+(1-c)S_t-N

Мультипликативная модель:

X_t+k=(Yt+kTt) S_t+k=N, где

Yt=a (zt St-n) +(1-a) (Yt-1+Tt-1)

Tt=b (Yt-Yt-1)+(1-b)Tt-1

St=c (Zt Yt-1+Tt-1)+(1-c)St-N

         Разница между двумя данными методами заключается в характере сезонного компонента. Аддитивный метод является оптимальным, когда вариация сезонной составляющей почти постоянна и выражается в абсолютных выражениях и сумме до нуля.

         Мультипликативная модель используется, когда сезонные колебания изменяются пропорционально уровню серии. Он выражается в относительных терминах и суммируется примерно до N. Двойное экспоненциальное сглаживание является упрощенной версией аддитивной модели.

Рисунок 3. Прогнозирование спроса с помощью предварительного анализа

Этот метод эффективен, но только при условии стабильного спроса, учитывая дополнительную информацию о тренде и сезонных факторах в уравнении.

В данном случае, мы получили погрешность в 7,41% (мультипликативная модель) и 5,8% (аддитивная модель).

Регрессивные модели

         Одной из наиболее популярных моделей является линейная регрессия. Модель регрессии, состоит из зависимой переменной Yt, которая прогнозирует количество комнат, забронированных за период t и независимую переменную Y (t-n), которая отражает, что количество комнат забронировано за несколько дней до прибытия. Регрессия описывается следующим уравнением:

Y_t= b₀+ b₁Y_t—n

где b₁ и b₂ и являются параметрами регрессии.

         Другая разновидность регрессионного анализа — метод оценки наименьших квадратов, используемых для оценки неизвестных величин по результатам измерений, содержащих случайные ошибки и для приближенного представления заданной функции другими. Тогда уравнение принимает вид:

Y_t= b ₀+ b ₁Y_t—n+…+ b _pYt—n—k                  

где Y (t-n), …, Y (t-n-k) — количество резервирований за n дней до даты прибытия.

         Данный метод является эффективным полезным в такой важной составляющей ревеню менеджмента, как обработка наблюдений и аналитических данных.

         Еще одним видом регрессионного анализа  является метод наименьших квадратов, суть которого состоит в том, что в качестве критерия точности решения задачи рассматривается сумма квадратов ошибок, которую стремятся свести к минимуму [7]. Таким образом, метод позволяет по экспериментальным данным подобрать такую аналитическую функцию, которая проходит настолько близко к экспериментальным точкам, насколько это возможно. Несмотря на свою легкость и универсальность,  метод наименьших квадратов требует множество предположений, чтобы найти наиболее эффективные параметры:

Y_t= b₀+ logX_k

где Xk — номер резерваций в день k, а b₀ и b₁ — параметры.

— линейность параметров (зависимая переменная может быть рассчитана как функция определенного набора независимых переменных плюс период ошибки);

— случайность наблюдений (образец состоит из n наблюдений, взятых из популяции, число наблюдений больше числа параметров, которые необходимо оценить n> k, независимые переменные нестабильны);

— нулевое условное среднее (среднее значение ошибки имеет ожидаемое значение нуля),

нет идеальной коллинеарности (точной линейной зависимости между независимыми переменными);

— однородность  (ошибки имеют одинаковую дисперсию и не коррелируют друг с другом).

Рисунок 4. Прогнозирование спроса с помощью регрессии

        Регрессивный анализ высокоэффективен благодаря способности прогнозирования нестабильных данных (которыми отель оперирует ежедневно). По сравнению с вышеописанными методами, где погрешность  достигает 42%, методы регрессии сокращают этот показатель до 10%.

Комбинированная модель

         Описанные выше модели являются основой финансового прогнозирования [9], однако до сих пор не так часто используются российскими гостиницами на практике. В большинстве случаев применяется комбинированная модель, сочетающая в себе приемы и алгоритмы нескольких базовых методов.  Подобный подход дает возможность компенсировать недостатки одних моделей при помощи других, и направлен на повышение точности прогнозирования, как одного из главных критериев эффективности модели, которая  может быть записана следующим образом:

где СКО — среднеквадратичная ошибка, а ρ — коэффициент корреляции между ошибками в прогнозах двух моделей. Коэффициент ρ рассчитывается как:

График проведенного анализа на основе комбинированной модели демонстрирует высокую точность прогноза, в сравнении с другими использовавшимися моделями:

Рисунок 5. Прогнозирование спроса с помощью комбинированной модели

Комбинированное моделирование, синтезируя несколько методов, позволяет объединить их достоинства. В результате проведенного анализа вышеуказанных моделей можно сделать вывод, что комбинированная модель является наиболее совершенной, демонстрируя высокую точность.

Вывод

         Проведенный анализ моделей прогнозирования спроса на гостиничные услуги позволяет  сделать  ряд  выводов.  Во-первых, определено, что точность прогноза зависит от количества учитываемых исторических данных. Речь идет не только о базовых данных, полученных из системы бронирования, но и обширном количестве показателей, не учитываемых статистическими данными.

В ходе исследования был обнаружен очевидный дефицит доступной информации, что, безусловно, влияет на ограниченность прогнозирования спроса в реальной деятельности гостиницы. Это объясняется тем, что существующие данные за аналогичный период в прошлом году не отражают реальную ситуацию: в случае, если спрос превысил предложение в конкретный период, система не отражает фактический спрос, ограничиваясь доступным количеством номеров. Таким образом, прогноз строится исходя из ограниченных данных, полностью не отражающих динамику спроса, делая будущий спрос еще более недооцененным.

         Во-вторых, выявлено, что точность прогноза напрямую зависит от использованного метода. Были определены достоинства и недостатки рассмотренных моделей. Установлено, что при  традиционном  подходе  с применением исторической модели наблюдется высокая зависимость от имеющихся показателей и, как следствие, ее существенная ограниченность. Модели экспоненциального сглаживания и предварительного анализа демонстрируют высокую эффективность только при стабильном спросе. Регрессивные модели позволяют получить относительно точный анализ в условиях отсутствия стабильности, что так важно, учитывая специфику гостиничного бизнеса.

         В-третьих, определено, что наиболее точный прогноз достигается с помощью комбинированной модели, совмещающей в себе несколько дргих моделей и, благодаря этому, позволяющей получить наименьшую погрешность. Было установлено, что применение комбинированной модели является эффективным инструментом, который при корректном подходе и правильно выбранных методах позволяет повысить точность прогнозирования спроса. Также в ходе анализа был выделен главный недостаток данной модели, заключающийся в сложности и ресурсоемкости ее разработки: необходимо составить модели таким образом, чтобы компенсировать недостатки каждой, не потеряв их преимуществ.

         Таким  образом,  проведенный сравнительный анализ позволил определить комбинированную модель, как наиболее точный и эффективный инструмент для прогнозирования спроса на гостиничные услуги.

         Дальнейшее изучение данной проблематики может стать основой для выделения дополнительного инструмента прогноза, использующего для комбинирования неограниченное количество моделей, базирующихся на сверхбольших объемах структурированных и неструктурированных данных. Перспективы исследований в этой области ограничены уровнем доступа и владением необходимой информацией российскими отелями. Однако, в условиях развития гостиничной индустрии и увеличения конкуренции, дальнейшее исследование и совершенствование прогнозирования спроса могут дать значимые практические результаты.