Большие данные в управлении отелем: использовать нельзя игнорировать
source
Близится сезон долгожданный сезон летних отпусков, и многие уже выбрали для себя то самое желанное туристическое направление, которое давало силы месяцами продираться сквозь дебри дедлайнов и овертаймов. Вот уже совсем близко заветное «путешествие мечты», о котором так приятно будет потом вспоминать осенними и зимними вечерами.
При выборе отпускного жилья многие, наверняка, будут пользоваться системой Booking.com. В статье предлагается взглянуть на систему Booking.com «с другой стороны интерфейса», глазами тех, кто управляет отелем и устанавливает цены на проживание. Конкретней, рассмотрены средства Booking.com Analytics и возможности применения полученных данных для управления продажами в отеле. В качестве примера, приведены кейсы для мини-отеля, находящегося в Камбодже, которым мне выпала честь и удовольствие управлять.
Почему Камбоджа?
В качестве небольшого вступления, постараюсь объяснить, почему отель моей мечты оказался в Камбодже. Самое главное — это лояльные условия ведения бизнеса в этой стране. Сегодня это единственная страна в Азии, в которой иностранец может легально оформить бизнес на свое имя, и при этом безвыездно находиться на территории Камбоджи неограниченное время по бизнес визе. Стоимость ВСЕХ разрешительных документов на мини-отель, например, составляет около 400 долларов США в год (включая лицензию министерства коммерции, лицензию местной мэрии, налоговый патент и индивидуальное разрешение на работу в стране). При оформлении перечисленных документов особенных трудностей не возникает, а при проверках бизнеса государственными органами наличие разрешительных документов является необходимым и достаточным условием для избегания любого рода вымогательства.
Дополнительные плюшки — это все прелести жизни в Азии. Демократичные цены, неагрессивное население, море и красивая природа, теплый климат, в том числе, достаточно мягкий муссонный период, круглогодичные свежие фрукты, овощи и морепродукты, «простая жизнь», не требующая оплаты отопления, инвестиций в зимнюю или брендовую одежду и обувь, в ремонт квартиры, в дорогие авто и прочие атрибуты «успешной жизни».
Есть и минусы: «дураки и дороги», дорогое электричество (0,20$ за киловатт-час), практически полное отсутствие медицины и других инфраструктурных моментов (проблемы с работой полиции, пожарных служб, системы образования, коммунальных служб и т.д.), проблемы с мусором (впрочем, это характерно для многих азиатских стран, а в периоды «мусорных войн», и для европейских).
На хабре есть несколько статей (тыц и тыц), объективно, на мой взгляд, отражающих состояние дел и условия жизни в Камбодже, поэтому, не буду дальше развивать эту тему.
Итак, Камбоджа, курортный городок Кеп, отель Chateau Puss in Boots, 2019 год.
Вводные ремарки и ограничения
Для продаж на данный момент мы используем только Booking.com и AirB&B. Можно много говорить о преимуществах и недостатках этих и других сервисов, но в данном случае важно то, что с этих сервисов к нам заходили и заходят клиенты, а с других — нет. До Кепа у нас с женой был отель в Сиануквиле, а еще раньше — в Морджиме, в Гоа, и там по каналам продаж была такая же картина. На AirB&B аналитика пока находится в зачаточном состоянии, поэтому рассматривается только Booking.com. И здесь у нас есть только один основной рычаг управления продажами — это цена номера за сутки проживания.
Конечно же, на продажи влияют и другие факторы. Например, рейтинг, составляемый по результатам отзывов гостей. Статистика по рейтингу присутствует в аналитике Booking.com, и мы ее рассмотрим чуть ниже.
Многое зависит от туристической конъюнктуры места. Кеп, например, это небольшой поселок со среднеразвитой курортной инфраструктурой. Для многих это всего лишь транзитный пункт на границе между Камбоджой и Вьетнамом. Однако, энергетика колониальной французской ривьеры, море и острова, горы и пещеры, пагоды и национальные парки делают свое дело, и постоянный поток туристов в сезон достаточно уверенно наполняет местные отели.
Важный момент, влияющий на продажи, — это концепция и «фишки» отеля, которые помогают клиенту сделать правильный выбор и стимулируют интуитивное «узнавание» места, где ему было бы комфортно. Вопрос этот связан с целеполаганием, миссией и мировоззрением собственника бизнеса и выходит за рамки данной статьи.
Кроме того, необходимо ввести несколько важных допущений для понимания ограничений проведенного исследования:
— речь пойдет именно о частном мини-отеле (среди найденных мной определений указывается, что в мини-отеле может быть до 15 номеров), в котором нет корпоративных процедур, и все упрощено до предела с целью снизить накладные расходы; поэтому, вся операционная деятельность сосредоточена в руках владельцев без участия каких-либо структурных подразделений; у нас, например, в отеле работает лишь уборщица, все остальное мы с женой делаем сами с аутсорсом только сложных ремонтных и строительных работ; если надо отлучиться на 1–2 дня, то есть договоренность с приходящим администратором;
— не рассматривается структура цены за номер, расходная часть и дополнительные возможности заработка (бар и ресторан, аренда велосипедов и мотобайков, продажа билетов и экскурсий и т.п.),
— не рассматривается общий подход к управлению отелем; впрочем, это интересный фреймворк, о котором я писал в несколько другом формате; если тема вызовет интерес, я также сделаю пост на хабре по теме менеджмента в мини-отеле.
Функционал Booking.com Analytics
Booking.com Analytics был запущен в 2016 г., как инструмент, помогающий менеджерам отелей анализировать статистику бронирований и продаж. В системе поддерживается русифицированный интерфейс, но, на мой взгляд, важно обращаться к первоисточнику, чтобы не искажать базовую терминологию.
Booking.com Analytics включает следующие разделы:
— Analytics Dashboard агрегирует данные для обзора достигнутых показателей, включая количество забронированных ночей по категориям номерах, доход от номера (общая сумма, выплаченная гостями) и среднесуточную стоимость (Average Daily Rate, ADR), представляющую собой доход от номера, разделенный на количество оплаченных суток проживания; также Analytics Dashboard содержит ссылки на основные отчеты, кратко обсуждаемые ниже;
— Pace Report позволяет сравнить объем своих продаж на Booking.com с аналогичными периодами предыдущего года, а также, сравнить продажи с агрегированными данными по своим конкурентам;
— Sales Statistics предоставляет срез объемов продаж за любой период последнего года;
— Booker Insights предоставляет подробные сведения о гостях отеля, включая страну, устройство, используемое для бронирования, и цель поездки;
— Bookwindow Information показывает, насколько заранее клиенты Booking.com бронируют свои номера;
— Cancelation Characteristics содержит информацию о проценте отмененных бронирований;
— Guest Review Score содержит данные, касающиеся отзывов гостей об отеле и оценок отеля по 10-бальной шкале, выставленных гостями;
— Manage Competitive Set позволяет выбрать до десяти отелей в своем регионе, чтобы сравнить собственные ключевые показатели эффективности (Key Performance Indicator, KPI) с KPI ближайших конкурентов;
— Genius Report показывает процент бронирований, выполненных в соответствии с программой Genius (скидки для часто путешествующих);
— Ranking Dashboard демонстрирует, насколько эффективны продажи отеля, когда гости ищут жилье в данном регионе.
Для анализа данных могут быть выбраны диапазоны дат, составляющие 7, 14, 30, 60, 90 или 365 дней. Кроме того существуют дополнительные возможности анализа данных путем сравнения:
— собственных результатов с показателями прошлого года;
— собственных результатов с показателями группы конкурентов, включающей до десяти отелей, назначаемых по собственному выбору;
— собственных результатов с показателями рынка, включающего все объекты в пункте размещения отеля.
Примеры использования больших данных в Booking.com Analytics
Данный раздел не претендует на какие-либо обобщения, тем более, что картина, может меняться из месяца в месяц. Это просто примеры использования встроенных средств Booking.com Analytics.
Например, в Booker Insights можно посмотреть статистику по странам, туристы из которых бронируют номера в отелях. Национальные особенности туристов — это отдельная тема, обсуждать которую можно очень долго. Поэтому, и статистика по странам тоже довольно увлекательна. У каждой страны есть свои предпочтения, и это сказывается на распределении целевой аудитории отеля. Хотя, порой бывают неожиданные статистические выбросы. Например, в разгар туристического сезона мы получили такую картину. Более ярким цветом выделен наш отель, а более бледным — ситуация по рынку.
Данные Booking.com Analytics: Распределение гостей отеля по странам
Туристы из Камбоджи и Франции представляют около 50% туристического рынка в Кепе, однако, в на нашем отеле они составили только 15% и 14% соответственно. Это можно объяснить консерватизмом камбоджийских туристов, которые любят останавливаться в отелях, управляемых камбоджийскими владельцами. То же самое объясняет низкий процент французских туристов, многие из которых плохо говорят либо вовсе не говорят по-английски. Российским туристам также нравится, когда персонал отеля говорит по-русски, и это объясняет, почему они составляют более 10% гостей против 1,4% по рынку. Что касается новозеландских (10% бронирований в нашем отеле против 0,6% по рынку) и швейцарских (8,7% бронирований в нашем отеле против 2,4% по рынку) туристов, то более высокий процент можно объяснить хорошим соотношением цены и качества, поскольку туристы из этих стран консервативны с точки зрения избегания излишних затрат. Подробный отчет Booker Insights содержит также информацию, разделенную по странам относительно средней суточной цены номера, средней продолжительности пребывания и частоты отмены бронирований. Эти данные важны для прогноза поведения туристов в зависимости от страны. Например, гости из Камбоджи чаще всего отменяют бронирования.
На следующей диаграмме из раздела Bookwindow Information представлена информация о распределении величины окна бронирования, т.е. за сколько дней до заезда гости бронируют номера.
Данные Booking.com Analytics: Распределение величины окна бронирования
Большое окно бронирования предоставляет больше возможностей с точки зрения определения суточной стоимости номера. Кроме того, стоимость номера должна учитывать локальные и глобальные праздники, чтобы заблаговременно установить праздничные цены. Статистика говорит, что лишь немногие гости бронируют номер за срок более, чем 30 дней. Более того, около 70% всех бронирований были сделаны непосредственно перед заездом. Это не очень хорошо, так как возрастает риск того, что номера останутся незаполненными, и, кроме того, требуется более тщательная настройка суточной стоимости номера для фактической даты.
Важным показателем, влияющим на любой гостиничный бизнес, является процент отмены бронирований, данные по которому доступны в разделе Cancelation Characteristics (см. диаграмму ниже). Здесь также в верхней части каждой из полос более ярким цветом выделен наш отель, а более бледным — ситуация по рынку.
Данные Booking.com Analytics: Распределение частоты отмен бронирования
Отмена в последнюю минуту, как правило, вызывает стресс, поскольку существенно уменьшает окно бронирования и увеличивает риск того, что отмененная комната не будет распродана. К сожалению, для анализируемого примера у нас отменялось 34% бронирований, в то время как коэффициент отмены для рассматриваемого рынка составляет 28%. Большая часть отмен объясняется окном бронирования более одного месяца. Сложно разработать эффективную стратегию уменьшения числа отмен. Люди часто меняют планы, или они могут обнаружить, что предложение какого-то другого отеля является для них более привлекательным. Мы пытаемся общаться с гостем, как только мы получаем бронирование, но эта стратегия, также, не всегда успешна.
Гостиничный бизнес сильно зависит от репутации, которая на Booking.com определяется на основании отзывов гостей. Оценка выставляется в диапазоне от 2,5 до 10 для следующих характеристик отеля: чистота, комфорт, расположение, удобства, персонал и соотношение цены и качества. Раздел Guest Review Score содержит детали каждого из отзывов, а также представляет агрегированные значения рейтинга отеля. На диаграмме представлены данные о количестве отзывов, полученных в каждом из месяцев, а на графике показано итоговое значение рейтинга по результатам каждого из месяцев. Результаты нашего отеля (более яркий график и гистограмма) сравниваются со средними результатами десяти ближайших конкурентов.
Данные Booking.com Analytics: Рейтинг отеля по результатам отзывов гостей
Booking.com поддерживает программу лояльности Genius для часто путешествующих. Зарегистрированные пользователи Genius на Booking.com получают скидки на бронирование от 10% и более. Чтобы привлечь путешественников Genius, отель должен поддержать эту программу. Проблема для отеля состоит в том, что снижение цены происходит исключительно за счет снижения собственных доходов. Это означает, что цена для гостей со статусом Genius составляет всего 90% (иногда даже 85%) от заявленной суточной стоимости номера на Booking.com. С другой стороны, многие пользователи Booking.com участвуют в программе Genius, и эти пользователи ценят, когда отель поддерживает программу. Таким образом, участие отеля в программе Genius может увеличить общий доход отеля, несмотря на то, что суточная стоимость номера уменьшается. Важно помнить, что суточная стоимость номера должна учитывать риск снижения стоимости номера на 10% или 15% для гостей Genius. Гости Genius составляют более 50% всех клиентов, что демонстрирует эффективность участия отеля в программе. Данная информация доступна в разделе Genius Report.
Данные Booking.com Analytics: Соотношение бронирований по программе Genius
Интегральные данные по деятельности отеля доступны в разделе Ranking Dashboard, где представлен ряд показателей, влияющих, по мнению Booking.com, на показатель дохода отеля. Данные приводятся в сравнении между нашим отелем и средним результатом по рынку:
— Conversion (конверсия) — это процент просмотров страниц отеля, конвертированных в бронирование (отношение количества бронирований к количеству просмотров страницы отеля на Booking.com);
— Average Daily Rate (средняя цена за сутки проживания), объединенный доход, полученный от проданных номеров, деленный на количество проданных номеров;
— Cancelations (отмены бронирований) показывают процент всех бронирований, которые были отменены;
— Review Score (оценка гостей) рассчитывается с использованием оценок, выставленных отелю гостями;
— Property Page Score (оценка страницы отеля) показывает, насколько заполнена страница отеля в части информации и фотографий;
— Reply Score (оценка ответов) учитывает, насколько быстро отель отвечает гостям.
Принимая во внимание вышеупомянутые шесть факторов, которые могут повлиять на объем доходов отеля, имеет смысл рассмотреть соответствующие зависимости. Однако, часть показателей (отмены бронирований, оценка гостей, оценка страницы отеля, оценка ответов) могут лишь косвенно влиять на доход. Поэтому, невозможно найти зависимости между доходом отеля и косвенными факторами. Перспективными, с точки зрения анализа больших данных, являются процент конверсии и суточная цена номера. В следующем разделе мы рассмотрим гипотезы, связанные с зависимостями дохода от конверсии и суточной цены.
Гипотезы для управления ценой номера на основании больших данных
Итак, при помощи Booking.com Analytics нам доступны большие данные отражающие состояние продаж в отеле. Хотелось бы понять, как использование этих данных может помочь при формировании оптимальной цены за номер.
Экономическая наука говорит о том, что есть кривые спроса и предложения, а следовательно, некая оптимальная цена, позволяющая извлечь максимум прибыли из продажи товара либо услуги. Ошибки первого рода (повышения цены выше оптимальной) приводят к отказу клиентов от покупки, а ошибки второго рода (снижение цены ниже оптимальной) приводят к снижению прибыли, причем не факт, что при этом увеличивается количество продаж.
Таким образом, выдвигаем Гипотезу 1 (G1): Существует зависимость между объемом продаж номеров S и стоимостью номера за ночь C.
Формально для каждого календарного дня для каждого из номеров это может быть описано следующим минимаксным критерием:
S = max (C) ˄ f = 1, где S — оборот от продажи номера численно равный стоимости проживания в номере C = {Cmin…Cmax} (значение стоимости принадлежит некоторому диапазону); f = {0;1} — бинарный индикатор продажи номера: f = 0, если номер не продан и f = 1, если номер продан.
Если есть несколько однотипных номеров, то каждый день могут продаваться не все номера, кроме того, цена Ci за один и тот же номер может меняться в течение окна продаж, и минимаксный критерий имеет вид:
S = max (
Ci) ˄ F = fi, где Ci — цена одного номера (цена номера одной и той же категории может меняться), fi = {0;1} — бинарный индикатор продажи номера, F = {0…N} — количество проданных номеров одной категории, общее количество которых составляет N.
Если в отеле есть несколько категорий номеров, то для каждой из них применяется вышеуказанный критерий, а общий оборот отеля формируется как сумма продаж всех категорий номеров, или все может быть сведено в общую формулу, если увеличить размерность, добавив еще один индекс.
Проанализируем взаимную зависимость объема продаж и стоимости номера (гипотеза G1). Детальные экономические данные приводить не буду, покажу лишь общий результат. Для анализа зависимости между двумя рядами данных используем коэффициент корреляции Пирсона, вычисляемый как отношение ковариации к произведению среднеквадратических отклонений:
Для расчета применяется MS Excel, в котором ведется помесячный отельный учет. Поэтому и коэффициент корреляции удобно считать помесячно. Рекомендуется, чтобы количество наблюдений не менее, чем в 10 раз превышало количество факторов, и количество дней (наблюдений) в месяце вписывается в эту рекомендацию. Отель мы запустили буквально перед Новым 2019 годом, поэтому на июнь 2019 статистика у нас пока накопилась только за 5 месяцев (150 дней-наблюдений). Месяц месяцу рознь, и значения коэффициента корреляции отличаются значительным разбросом, от 0,51 в марте до 0,93 в феврале. Значит, в некоторых месяцах гипотеза G1 не подтверждается, и связи между стоимостью номера и объемом продаж не существует. Тем не менее, для тех месяцев, в которых r > 0,75, можно говорить о наличие зависимости одной случайной переменной от другой, т.е. гипотеза G1 подтверждается. Лучше всего проводить анализ на всем множестве данных, поскольку, если у нас количество наблюдений в сотни раз превышает количество факторов, то мы приближаемся к закону больших чисел. Для пяти месяцев также подтвердилась гипотеза G1 (r = 0,80). Ниже представлены значения коэффициента корреляции для каждого из прошедших месяцев текущего года, а также интегральное значение за 5 месяцев. Напомню, что исследуется зависимость значения суточного объема продаж от значения средней стоимости номера за данные сутки.
Значения коэффициента корреляции r (S, C)
Очевидно, что объем продаж зависит от количества проданных номеров. Однако, корреляционную зависимость между количеством проданных за сутки номеров и средней суточной стоимостью номера обнаружить не удалось (r = 0,51 для всей выборки данных).
MS Excel умеет также строить диаграмму рассеяния, добавлять к ней график и уравнение линейной регрессии и определять для регрессии величину достоверности аппроксимации R2. Регрессия может давать достоверные результаты, если для нее R2 > 0,8. Для полной выборки данной достоверную регрессию получить не удалось, поскольку достоверность апроксимации составила R2 = 0,64. Однако, это возможно для тех месяцев, когда r > 0,9. Например для февраля получили R2 = 0,86. Февраль знаменателен самым значительным объемом продаж в году за счет китайского Нового года, который длится более недели и обеспечивает полное заселение отеля при повышенных праздничных ценах.
Линейная регрессия не имеет смысла с точки зрения оптимизации, поскольку она говорит, что, чем выше цена, тем выше прибыль. Тем не менее, цена должна быть в разумном диапазоне, сопоставимым с ценой ближайших конкурентов.
С точки зрения управления продажами наиболее критичной является область, в которой суточные продажи составили меньше 30 у.е., и особенно критично, когда продажи составили 0 у.е. Однако, наша статистика не дает ответ на вопрос, какое значение суточной цены является оптимальным, поскольку при цене в диапазоне от 12 до 20 у.е. продажи составляли от 0 до 6 номеров в сутки, и это не зависело от других календарных факторов (например, день недели или приближение праздников).
Еще одним предположением является то, что чем больше туристов ищут жилье в вашем регионе и чем больше туристов просматривают страницу вашего отеля, тем больше бронировок вы получите. Booking.com Analytics предоставляет такие данные. Например, на диаграмме ниже результаты поиска для города Кеп (Камбоджа) с разбивкой по дням. Конверсия составляет 132 / 79 377 =0,16%, то есть на 10 000 туристов, ищущих жилье, мы получаем 16 бронировок.
Данные Booking.com Analytics: количество поисковых запросов по региону
Сформулируем Гипотезу 2 (H2): Существует связь между объемом продаж номеров S и количеством поисковых запросов в день R.
Однако, коэффициенты корреляции, полученные как для полной выборки данных за 5 месяцев, так и помесячно, не превысили значения 0,5, что говорит об отсутствии связи между двумя случайными переменными. Это относится, как количеству поисковых запросов по региону, так и к количеству просмотров страницы отеля на Booking.com.
Заключение
В статье рассмотрены возможности инструментов Booking.com Analytics, предназначенных для анализа больших данных, относящихся к продажам номеров в отелях. Исходя из доступной информации, были выдвинуты две гипотезы.
Подтвердилась Гипотеза 1 (G1): Существует зависимость между объемом продаж номеров S и стоимостью номера за ночь C.
Для анализа достоверности гипотезы был определен коэффициент корреляции Пирсона r (S, C) для данных за пять первых месяцев 2019 (r = 0,80) и помесячно (максимальное значение r = 0,93 в феврале), что говорит о наличии зависимости между двумя рядами данных. Регрессия имеет линейный характер (чем выше цена, тем выше прибыль), что не дает возможности оптимизировать значение суточной стоимости номера. Тем не менее, цена за сутки должна быть в разумном диапазоне, сопоставимым с ценой ближайших конкурентов. Определить оптимальное значение стоимости номера численным методом, на основании диаграммы рассеяния, также не удалось.
Не подтвердилась Гипотеза 2 (H2): Существует связь между объемом продаж номеров S и количеством поисковых запросов в день R.
Несмотря на доступность больших данных, на данный момент не удается сформировать стратегию управления продажами, основанную исключительно на статистических показателях. Возможно, эти закономерности зависят от таких энергий, над которыми не властна статистика. Известна волновая теория бизнеса, и, с моей точки зрения, она имеет смысл. Если построить простую зависимость объема продаж от календарной даты, то мы явственно увидим чередующиеся пики и спады. Таким образом, надо «ловить волну», пользуясь, в том числе, опытом и интуицией.
Данная статья не претендует на истину в последней инстанции, это просто мой опыт, которым я хотел поделиться.
А мне лишь остается пожелать читателям максимум удовольствия от пользования сервисами бронирования и незабываемых путешествий!
