常用的预测方法

五、常用的预测方法

预测的方法多种多样，很多饭店对预测工作不够重视，即使做预算或者营业计划，也流于形式，走过场，这是很不好的。另外一些饭店虽然也重视预测工作，但是没有掌握科学的预测方法，预测建立在凭直觉或主观判断的基础上。例如，这些饭店最近几个月饭店客房预订量很大，饭店管理人员讨论后认为未来几个月市场需求量也会很大，于是决定提高客房价格。这些依靠直觉或主观判断的预测方法称为非正式预测法，用这种方法进行的预测常出现两种极端，要么很准确，要么不准确。可见，使用这种方法的风险是很大的。

与非正式预测法相反的是正式预测法。正式预测法是指通过建立数学模型、运用数学公式以及其他数理统计的原理进行的定量分析法；或者开展深入细致的市场调查，或者企业内部各级管理人员或外来专家通过专题研讨来预测未来的定性分析法。使用正式预测法，不论是定量分析预测还是定性分析预测，得到的结论往往有数据和资料作为支持，所以预测结果通常很可靠。但是，由于影响市场变化的因素太多，很难收集到理想的数据资料，而且数学模型和公式不可能面面俱到，所以正式预测法也不能达到百分百准确。

值得注意的是，在实践中为了提高预测准确性，通常不仅限于使用一种预测方法，而是综合使用多种预测方法。

由于篇幅所限，本书将重点介绍正式预测法中常见的定量分析法与定性分析法。

（一）定量 （Quantitative Forecasting Methods）

常见的定量分析预测法包括因果分析法与时间序列法。

1．因果预测法（Causal Forecasting Approaches）

因果分析法（因果预测法）假设某个变量的值是其他变量综合作用的结果。例如，在研究中发现，饭店餐厅的收入与客房出租率及每间客房平均住客人数成正比例关系。当客房出租率和平均每间客房住客人数增加或减少时，餐饮收入会跟着增加或减少。因此，通过预测客房出租率和平均每间客房住客人数，可以预测餐饮收入。

因果分析法又可细分为回归分析法及计量经济学预测法。

（1）回归分析法（Regression Analysis）

回归分析法认为，要预测的某个对象的结果依赖于其他一些因素，或者是这些因素作用的结果。回归分析法研究的是因变量和自变量之间的关系，并用公式来描述这些关系。这样，只要知道自变量的值，代入公式，便可算出因变量的值。例如，要预测的某个对象，如饭店餐厅的收入，是因变量（Dependent Variables），即未知的变量。已经知道的变量，如饭店的客房出租率、平均每个房间住客人数和饭店广告的开支等，是自变量（Independent Variables）。根据自变量的数值，就可以算出饭店餐厅的收入。

使用回归分析法，关键在于弄清未知变量与已知变量之间的关系，弄清楚它们之间到底有没有关系，关系是密切还是不密切，是正相关还是负相关等等。例如，在预测饭店餐厅的收入时，要弄清它与客房出租率到底有没有关系，关系是否很紧密，是正相关还是负相关。在弄清楚这些问题后，才能确定是否可使用回归分析法来预测餐厅收入。

回归分析法又可分为简单线性回归分析法及复合线性回归分析法、非线性回归分析法等等。回归分析法是编制计算机收益管理软件，并利用它来预测饭店收益情况的基本方法。在本书中为了简单起见，只介绍一元回归分析法。

衡量变量之间关系密切程度的方法有两种，一种是相关系数（Coefficient of Correlation），另一种是决定系数（Coefficient of Determination）。其公式如下：

其中，x是自变量；y是因变量；n是观测值的个数；r是相关系数。

相关系数体现了因变量和自变量之间的关系，它的绝对值在0与1之间。如果相关系数为零，说明它们不相关。相关系数越接近1，说明正相关的程度越大；如果越接近-1，说明负相关的程度越大。

决定系数反映了自变量对因变量的影响程度，例如某些自变量的变化能解释因变量变化的程度。对简单线性回归而言，决定系数等于相关系数的平方（r²）。

决定系数很有用，因为它可以告诉我们一个变量的变化影响另一个变量变化的程度，从而当我们用某个公式或者模型做预测时，可以告诉我们这个公式或模型的可靠性如何。决定系数的值也在0和1之间。例如，如果r=0.922，那么r²=0.850，意味着因变量85%的变化能被因变量与自变量之间的线性相关解释，另外的15%的变化由其他因素解释。

下面，通过一个例子来解释上述概念。

例如，表4-1是一家饭店住客人数及餐厅用餐人数统计表，从表中可以看出，餐厅用餐人数总体来说与住客人数成正比，它们的关系可以用简单线性相关公式来描述：

y=a+bx……………………………………（2）

其中，y是餐厅用餐人数，a是非住客在饭店餐厅用餐的人数，b是平均每位住客在饭店餐厅用餐的次数，x是饭店住客人数。

根据历史数据，可以推算出每月非住客在饭店餐厅用餐人数平均为341人，而住客在饭店的餐厅平均用餐的次数为1.15，代入上述公式，则该公式变成：

y=341+1.15*（x）………………………（3）

可见这个公式有两个常量和一个变量。常量是非住客在饭店餐厅用餐的人数a以及平均每位住客在饭店用餐的次数b，变量是住店客人的人数x。所以，只要知道住客客人的人数，就可以推算出餐厅用餐的人数y。

表4-1　　　某饭店住客人数和用餐人数表

例如，假设明年一月份该饭店将有2,750间客房出租，平均每间客房有1.4个住客，那么一月份将有3,850个住客。把这个数据代入公式（3）便可推算出将有多少人在该饭店的餐厅用餐。

预测明年一月份餐厅用餐人数=341+1.15·（3,850）

　　　　　　　　　　　　　=341+4,428

　　　　　　　　　　　　　=4,769

这个结果表示明年一月份将有4,769个客人到饭店的餐厅用餐，其中包括341个没有登记的客人。如果平均每位客人在餐厅的消费是$35，那么餐厅明年一月份的收入将是$166,915。

根据公式（1）可以算出相关系数为0.95，决定系数为0.90。这表明餐厅用餐人数与饭店住客人数密切相关，用餐人数如果发生变化，结果的90%可用饭店住客人数的变化来解释。

在上述例子中，如果餐厅用餐人数除与饭店的客房出租率有关外还与别的因素有关，那么相对应的分析预测称为复合线性回归分析法。由于篇幅限制，本书不详细叙述。

(2)计量经济学预测法

计量经济学模型是在回归方程的基础上发展起来的一种预测方法，它使用一系列的回归方程来系统地分析某种经济现象，并用它们来预测经济发展的趋势。由于这种方法很复杂，在收益管理中不是很常用，所以本书不作详细介绍。

2．时间序列预测法

时间序列法是根据历史统计资料的时间序列及事物变化情况具备一定周期性及稳定性的特点，预测事物发展的趋势。使用这种方法，首先要分析某段时间发生的情况的周期性或季节性变化的特点，然后以此为基础，预测未来类似的时段将会发生的情况。例如，如果某家饭店的业务量呈现出季节性变化的特点，在过去三年中，12月份的客房出租率比全年平均出租率低20%。那么，按照时间序列法的思想，如果其他情况相对稳定，这种情况在明年12月也将出现。所以，在做明年12月客房出租率的预算时，可以把它定得比全年预算平均客房出租率低20%。

时间序列法又可分为幼稚预测法、简单平均预测法、移动平均预测法和指数平滑法等四种。时间序列法主要用于短期预测。

（1）幼稚预测法（Na ve Method）

幼稚预测法，是时间序列法中最简单的一种预测方法。使用这种方法通常用最近发生的情况来预测将来的情况。例如上个月客房出售了5000个房晚，这个月很可能也出售同样多的房晚。这个结论是建立在一个假设上，即没有季节性或周期性的变化。如果将季节的变化考虑进去，预测者很可能在去年某月实际数量的基础上加上或减去一定百分比来求今年同月的情况。例如，某收益管理经理凭经验推断今年10月饭店客房收入将比去年增加5%，因此，他在去年同月实际客房收入的基础上增加5%就得到今年10月预测的客房收入。

虽然幼稚预测法建立在很简单的推算基础上，但是它们却有可能达到相当准确的预测程度，尤其是预测短期内的情况变化，如一年内的变化情况和结果。这种方法预测的成本很小，适合小规模的饭店，如汽车旅馆。有时使用这种预测方法的准确性甚至比投资很大的、使用很复杂的模型来预测的方法还高。

（2）简单平均预测法

简单平均预测法是将预测对象过去各个时期的数据平均，以这个平均数作为预测值。例如，今年上半年月平均客房销售量为5,000房晚，由于下半年同上半年比业务量差不多，所以，这个平均值也就是下半年的平均客房销售量。这个方法只适用于没有明显波动或较大增减变化的事件的预测。简单平均预测法还可以分为加法预测模式、乘法预测模式和加权平均预测模式三种。下面分别予以说明。

a．加法预测模式（Additive Forecasting Model）

从加法预测模式表4-2可以看到，某饭店过去5天在离入住日不同天数时的预订情况。以1月15日这天为例，离入住日还有一周的时候，饭店已经卖出180个房间，四周的时候，饭店卖出60间。入住日的结果是300间，这是指入住日1月15日晚上12点时，饭店最终被占用的客房数。可见，在入住日前7天内，该饭店卖掉了120间客房；在住日前28天内，该饭店卖掉了240间客房。依次类推，算出入住日若干天内饭店卖掉的房间数，即获得的新订房数。可见，在入住日7天内，该饭店平均能卖掉106间房，14天内能卖掉181间房，21天内能卖掉218间房，28天内能卖掉255间房。假设现在离入住日还有14天，该饭店已经卖掉了98间房，有人问在入住当晚，该饭店能卖掉多少间客房？答案是279间，即181与98之和。

表4-2　　　　加法预测模式表

b．乘法预测模式（Multiplicative Forecasting Model）

乘法模式与加法模式很相似，不同的地方是在算出平均数后，再算不同时段内已经出售的客房数占入住日实际客房销售数的百分比。例如，在离入住当日还有7天时，某饭店已经获得其最终销售客房数的64%的预订；还有14天时，该饭店已经获得其最终销售客房数的38%的预订（参见表4-3）。利用这些数据，可以推算出饭店最终能卖出多少客房。例如，如果知道饭店在离入住当日还有7天时已经有199间客房被预订，那么，到入住当日时，该饭店能出售的客房总数为311间（=199/64%）。当然，利用这些百分比，也可以掌握和控制饭店客房售卖的进度和节奏。例如，如果在离入住当日还有14天的时候，如果饭店已经被预订的房间数还没有达到预订目标的38%，饭店应当采取一些措施增加预订量，如维持较低的价格，或者开放多一些销售渠道，或者进行特价促销，否则很可能实现不了预订的目标。

表4-3　　　　乘法预测模式表

应当指出的是，使用平均预测法必须注意被选择的数据要有相同或相似的季节属性。例如，上述例子中选择的5天应当同属于旺季或者淡季，而不是有的日期反映旺季的情况，有的日期反映淡季的情况。数据的属性越相近，使用平均预测法得出的结果越准确，否则会有比较大的偏差（Bias）。

c．加权平均预测模式（Weighted Average Forecasting Model）

加权平均预测模式是预测时同时考虑长期和短期的平均数，但给予它们不同的重视程度，即“权”或比重，并据此作出最后的预测。离入住时间越近时，对短期的平均数给予越大的比重。相反，离入住时间越远时，对长期的平均数给予越大的比重。

例如，假设离入住时间还有7天，按照历年数据计算出来的入住日出售的客房数是289，按照最近几星期的数据计算出来的入住日出售的客房数是302。如果30%的比重给前者，70%的比重给后者，那么得出的结果是298（=302×70%+289×30%）。

使用这种方法的好处是能同时考虑到短期的变化情况和长期的变动趋势，因而能减少误差。但是，使用这种方法的挑战是如何合理确定给予短期预测情况和长期预测情况的比重。表4-4是一个比重分配表，读者应当认识到不同饭店或者不同的市场，细分市场的构成和消费者预订行为模式是不同的，因此，饭店获得预订的进度情况也不同，所以，比重分配应当也是不同的。因此，收益管理人员的责任是在实际工作中摸索出适合本饭店情况的比重分配。

表4-4　　　　　比重分配表

（3）移动平均预测法

如果用来做预测的数据具有随机性，也就是说它们没有代表性，它们不会重复出现，这种数据的随机性使得预测出现偏差。为了减少偏差，必须想办法消除这些随机性的影响。移动平均法因此而产生了。移动平均法是计算不断向前移动的若干个数据的平均值的方法，它通过引用越来越近的新数据，不断修改平均值作为预测值，这样可以尽量消除随机性的影响，减少偏差，得出反映变化趋势的数值。

移动平均预测法的数学公式是：

其中N是这些时段的值的个数。

下面用一个例子来说明如何使用这种方法进行预测。假设我们知道一个饭店过去12个星期每个星期二的客房销售量，现在预测第13周星期二，即2007年2月27日的客房销售量。有关数据请见表4-5。

表4-5　　　　过去12周每周星期二客房销售量

如果使用3周的数据来计算移动平均值，那么第13周星期二的客房销售量将为271，这个数值是通过计算第10周、第11周和第12周的平均数得到的：

假设该饭店在第13周的星期二实际的客房销售量为269间，那么在预测第14周的星期二的客房销售量时，将用最近的数值取代最远的数值，即第10周的数值，通过计算第11周、第12周和第13周的平均数得到。

可见，使用这种方法计算平均数，时间段不是固定的，而是不断向前移动的，被采用的数值是最近的时段的数值，离现在比较远的数字被最近的数值取代。

当然，也可以根据需要将移动的时段定为12周，每12个周移动一次。那么，得到的第13周的预测客房销售量为前12周的算术平均数，即271间。

值得注意的是，用来计算平均数的时段越多，越能降低随机性造成的偏差。

通常认为移动平均法比幼稚预测法准确得多，但是移动平均法也存在一定的局限性，即这种方法给予各个时期的数据同样的比重。其实，很多人认为，越靠近现在的数据越能反映未来的情况，所以，在预测时，应当给予靠近现在的数据更大的比重，离现在越远的数据给予较小的比重。另外，移动平均数的局限性还表现在需要搜集和保存很多数据，很费时也很费人力。下面将介绍的指数平滑法能很好地克服这两个局限性，提高预测的准确性。

（4）指数平滑法

指数平滑法是根据本期的实际值和过去对本期的预测值，预测下一期数值的方法，它反映了最近时期实际的数值对预测值的影响。这是一种在移动平均法的基础上发展起来的特殊的加权平均法。这种方法在企业管理领域很受欢迎。指数平滑法的基本思想是：对某个特定的时段的预测如果过高，在下一个阶段预测时要降低它；如果预测过低，就提高它。使用这种方法的一个主要好处是预测时只需要两个时段的数据，不需要太多的数据，因而无需储存太多的数据，从而可节约时间和人力。下面举例说明。

使用平滑指数法首先要获得两个阶段的三个数据，即第一阶段的预测结果（例如，假设前文介绍移动平均法所举的例子中第12周的预测结果为279）、第一阶段的实际结果（前文中第12周的实际结果是276）以及第二阶段的预测结果（假设第13周为275），然后利用这三个数据计算平滑常数（Smoothing Constant）。下面是其计算公式：

把数值代入公式（5），求得该饭店客房销售量的平滑常数为1.33。

下面是利用平滑常数进行预测的公式：

代入有关数据，第14周星期二的客房销售数量为267。

其中275是第13周的预测值，269是第13周的实际结果，1.33是平滑常数。

需要指出的是，平滑指数的计算方法有很多种，此处介绍的只是其中的一种。平滑指数法在进行短期的预测时很有帮助，其预测的结果相当准确可靠——当然不是精确。

通过对幼稚预测法、简单平均预测法、移动平均预测法和指数平滑预测法四种预测方法的介绍，相信读者对时间序列预测法有了相当的认识。时间序列法从本质上来说，是把预测建立在历史的基础上，用历史推断未来，即认为“过去发生的事情将来也会发生”。这种方法通常是很有效的，因为很多事物的变化和发展都循序渐进、是有规律可循的，并常呈现周期性和季节性变化的特点，突变的情况并不多见。但是，时间序列预测法没有考虑由于出现一些新的因素的影响，未来未必与历史一模一样。例如，过去几年某家饭店的客房出租率都不高，今年该饭店决定增加投入，进行广告促销，或者当地主要的竞争对手有一家关门装修，今年12月该饭店的客房出租率很可能会前所未有的高。所以，在使用时间序列法的时候，必须要把未来的变化因素考虑在内。

另外，虽然因果预测法及时间序列预测法相当有用，在使用因果预测法和时间序列预测法时我们都应当意识到它们存在一定的局限性。首先，利用这两种方法预测，对历史数据的依赖性很强，如果没有历史数据或者数据不足，它们就变得没有用。例如，新开业的饭店没有什么历史数据，使用这些方法显然行不通。其次，这两种方法都建立在“过去发生的事情将来必定会发生”的假设基础上，但是，事实上将来的情况未必如此，因为定量分析法没有把未来不可预知的事件的影响考虑进去。例如，第二次海湾战争和美国“9·11事件”等突发事件对过去几年美国旅游业和饭店业的影响等等是很多人当时所无法预见到的。所以，仅仅依靠定量预测法是不够的，也是不全面的。

（二）定性 （Qualitative Forecasting Methods）

当缺乏数据资料或者难以取得足够的数据资料时，定性预测法就派上用场了。定性预测法强调依靠人的判断，主要运用个人的经验、知识和感觉进行预测。当然，这些判断需要调查研究和收集信息来支持。收集的信息要符合逻辑，有系统性，没有偏见。常见的定性预测方法有市场调查法、高层管理人员意见综合法、销售人员估算法以及德尔菲法等。

1．市场调查法

市场调查法要求系统地收集、记录和分析与饭店产品服务密切相关的信息，以掌握市场需求情况和市场竞争情况，以确定产品、价格、细分市场、销售渠道等的定位和组合，并据此预测饭店的销售情况。本书前面的章节对这些内容已有详细的介绍，这里不再重复。

在这里要特别指出的是，饭店收益的优化很大程度上建立在预测的市场需求与剩余的空房数量的关系上，因此饭店应该把竞争对手的情况考虑在内。饭店可以通过打电话给竞争对手饭店，以订房客人的身份获知竞争对手的价格情况。当然，由于互联网的使用，竞争对手的价格很容易在网上查得到。当然值得注意的是，有的饭店在互联网上公布的价格与在其他销售渠道的价格不一致。所以，比较稳妥的办法是打电话去了解和在网上查询相结合。

饭店在通过电话或互联网了解到竞争对手的价格后，可以立即作出反应，及时调整价格。如果竞争对手的某种预订模式的价格比你的饭店高，会使它们的一部分需求流往你的饭店。值得注意的是，现在的客人很聪明，他们也学会到处了解价格情况，“货比三家”，“价也比三家”。例如，如果你的饭店的房价是219美元，而你的竞争对手是299美元，那么对某些潜在市场来说，他们会认为你的饭店很便宜，并乐意来你的饭店住。

在上述情况下，如果把你的饭店的价格提高到269美元，虽然增加了50美元，却未必会使你的饭店需求减少，因为该价格仍然比竞争对手的低。

2．管理人员意见综合法

这种方法要求饭店经营管理部门的负责人，如财务总监、销售总监、收益管理总监、客务部总监、饮食部总监等独立地进行销售情况的预测，然后开会讨论，汇总所有人的预测结果，反复进行讨论和调整，最后就销售情况的预测结果达成一致的意见。在他们独立进行预测时，需要给他们提供关于市场情况的展望报告，例如明年本地旅游市场的趋势预测报告，以及饭店产品和服务变化情况的报告。市场情况的展望报告通常从专业的饭店管理公司或行业管理机构处购买得到，这些公司和机构通常专门组织人力和财力对市场进行深入细致的研究，他们提供的信息弥补了饭店自身所获信息的不足。

3．销售人员意见综合法

销售人员意见综合法是召集负责各细分市场和销售渠道的销售人员对顾客的购买量、市场需求变化趋势、竞争对手动向等问题进行分析，然后对预测结果进行汇总，达成共识的预测方法。

饭店的销售部门通常有若干个销售经理，他们分别负责不同细分市场和销售渠道的管理工作。例如，有的销售经理专门负责管理公司协议账号，负责与有关公司客户沟通和联络，签订协议。他们除了要维持现有的客户外，还要争取获得更多的新客户。在更为成熟的市场，公司协议账号还可以根据行业细分为医疗保健业、生产制造业、金融保险业、能源供应业等等，由不同经理进行对口管理。还有一些销售经理负责政府部门或非营利性行业的市场的管理和开拓，如教育科研、慈善、体育和宗教等。另外还有一些经理专门负责团体市场的管理和开拓，如各种展览会、研讨会、联欢会、婚宴、寿宴和大中型文体活动等等。这些经理有不同的分工和专长，还有实际的工作经验，直接接触客户和了解市场，所以，能对各细分市场的历史、现状和发展趋势有比较深入的认识，所以，让他们对各自所负责领域的情况进行预测，然后对他们的意见加以讨论和汇总，能取得较可靠的预测结果。

4．德尔菲法（Delphie）

这是由美国著名咨询公司兰德公司发展的一种新型专家预测方法。它通过寄发调查表的形式征求专家的意见，专家提出意见后以不记名的方式反馈回来；组织者将得到的初步结果进行综合整理，然后反馈给各位专家，请他们重新考虑后再次提出意见；经过若干轮的匿名反馈过程，专家意见基本趋向一致；组织者依此得出预测结果。这种预测方法成本较高，通常被用于比较长远的宏观的预测，如某地区未来五年旅游市场的前景等等，比较少用于一个饭店的经营管理情况的预测。

（三）根据 订进度来 （Booking Pace）

例如，假设现在是1月15日，某饭店1月份的预算客房销售量是6,200间，现在该饭店已经销售了2,800间，另外还预订了3,200间。可见，本月头15天该饭店已经销售和即将销售的客房总数完成了预算的96.8%，在剩下的16天里，只要平均每天能卖出13间客房，该饭店就能实现预算指标。从历史资料来看，该饭店在1月份后半个月，平均每天能卖出23间房，因此，进度是喜人的，收益管理经理应当不要只满足于把剩下的房间卖出去，而是要适当提高房价，把握好房间销售的时机，尽量把房间卖给平均价格高、毛利高的细分市场。

预订进度分析的一个重要内容是把今年的预订情况与去年同期的预订情况相比较。例如，在上面的例子中，如果去年1月份头15天该饭店已经销售和获得的预订的客房数量是5,600间，比今年1月同期的6,000间少了400间，可见今年1月份头15天预订进度比去年同期好，后16天的压力比去年同期小。这也许是因为今年市场需求情况比去年同期好，也可能是因为今年的收益管理策略比去年同期好。

为了便于与历史同期比较，收益管理经理每周至少要记录一次饭店预订的情况。如果饭店的收益管理系统能自动记录这些数据则最好，如果没有收益管理系统或者系统没有这项功能，饭店收益管理人员应当作人工记录。预订进度的例子请见表4-6与图4-7。

表4-6　　　某饭店2006年2月预订进度表

某饭店2006年2月预订进度曲线图

图4-7　某饭店2006年2月 订进度曲线图

掌握了预订进度情况，可以利用它来准确预测一个月的月末实际客房销售量和客房销售收入情况。以下是计算公式。

应该指出的是，如果出现超额预订的情况，在预测月底实际客房销售量或销售收入时，应当减去超额预订的客房间数或因超额预订得到的客房销售收入。

表4-7　　　　　某饭店2006年2月份 订情况进度表（根据2006年1月31日统计数据）

本月实际是指本月已经过去的日子里的实际结果。预订指现在已经获得的本月未来日子的预订结果。

本月预测是指在1月底重新预测时认为2月末能得到的结果。

表4-8　　　　某饭店2006年2月份客房销售 入 表

（根据2006年1月及2005年1月统计数据）

从表4-7与4-8可推算出，从2005年2月1日到28日，该饭店获得的在2月预订并且在2月入住的客房预订间数为684（=4,665-3,981），相应的客房销售收入为$213,833（=$1,143,998-$930,165）。对于2006年2月而言，只要获得2005年2月当月预订入住的客房销售量的64.8%（=443/684）和销售收入的90.0%（=$192,416/$213,833），就可实现当月的预测目标。由于预测的目标比预算的目标高，所以，完成预算也不成问题。这些情况都表明从2006年2月1日到28日，只要该饭店的市场需求与2005年同期相当，实现预算和预测目标是没有问题的。

除了同预算、预测以及去年同期比较之外，对月末情况要获得比较全面的认识，还需要与竞争对手的预订进度进行比较。但是，要完全获得竞争对手现在和去年同期已经预订了多少房间，获得了多少客房收入，以及它们的预算和预测是多少等信息是不现实的。但是，可以利用第三者提供的报告了解某些重要分销渠道竞争对手的预订进度情况。例如，在美国Travelclick公司有技术优势，它可以获取某地区的某些饭店通过全球分销系统获得的客房销售数量和销售收入的情况，只要一家饭店向它交费，并告诉它需要哪些竞争对手饭店的情况，它就会每周编制一份报告，告诉付费饭店那些饭店每周从全球分销系统获得的预订的总量和销售收入等。这个报告还将列出这家饭店与竞争对手饭店比较，在全球分销系统得到的销售量和销售收入是否达到应得的市场份额。由于全球分销系统带来的业务量通常占一家饭店总业务量的20%～30%，所以，这个报告是很有价值的。

此外，大部分网络营销网站也能给它们的合作饭店提供类似的分析报告。例如Expedia.com会每周提供一份报告，告诉饭店本地区哪20家饭店在该网站的销售量最大，在一定时期，有多少旅客预订了这个地区的饭店，平均房价多少，平均住几晚，本饭店获得多少房晚，获得多少客房收入，市场份额如何等等。又如Priceline.com每周会给与它合作的饭店一份报告，这份报告会告诉这些饭店过去一周有多少客人在该网站上预订客房，有多少顾客查看某饭店的信息，愿意支付多少钱预订该饭店，愿意住多少晚，该饭店实际从该网站得到了多少预订，有多少间房本来可以卖掉，因价格太高或别的原因没有卖掉。这些信息无疑对饭店分析预订进度、调整价格策略是很有帮助的。

（四）根据细 市场 产品销售数量 价格来

根据细分市场来预测的方法最初是用在航空业。这种方法普遍运用于旅客对不同票价需求的预测^[1]。飞机票价的设定其实事先是针对不同细分市场来决定的。票价通常带有某些附加条件或称限制，例如提前14天订票或者是搭乘早上7点钟前或傍晚7点钟后的航班。这些限制，也称为栅栏，目的是防止一个本来可以购买另一个更高价格的飞机票的细分市场涌入购买低价的细分市场的机票，避免“稀释”了整体的平均票价和整体机票收入。

现在，有越来越多的饭店模仿航空公司的这种做法，把饭店客房的公共价格细分^[2]，加上限制条件，形成不同的价格产品。例如，有的饭店把公共价格分为无限制的公共价格（即公共价格1，英文代码为PR1），最优公共价格（即公共价格2，英文代码为PR2）和热销公共价格（即公共价格3，英文代码为PR3）。无限制的公共价格规定客人订房后最迟可以在入住当日傍晚6时前取消，不用支付取消订房费。最优公共价格规定客人订房后最迟可以在入住当日前一天傍晚6时前取消，即提前24小时取消，不用支付取消订房费。热销公共价格则规定客人订房时饭店立即收取所有房费，而且一旦订了房，客人不能取消订房、不能更改入住日期、也不能要求退还房费。可见三种价格的限制从PR1到PR3逐渐变得严格，越来越对饭店有利。当然，三种价格的收费也逐渐减少，PR1最贵，PR2其次，PR3最低。这三种价格是饭店所有价格中毛利最高的价格，因此饭店如果想提高整体收益和利润率，当下功夫提高以公共价格销售的房间的比例及其收入的比例。

使用根据细分市场的客房销售数量和平均价格来预测的方法，要求分析未来一段时间内，如一天、一星期或者一个月等，各细分市场的需求情况，然后估算以不同的价格在不同细分市场销售饭店客房，能得到的产品销售量以及单位产品的平均销售价格。然后，根据细分市场需求的情况，按照价格从高到低的顺序，把一定数量的客房预留给销售价格最高的细分市场，满足了最高价的市场的需要之后剩余的客房预留给价格次高的细分市场，依次类推，如果最后还剩客房，那么这些客房将卖给价格较低的细分市场。例如，如果预计能把20间客房按照$340美元的平均价格卖给愿意支付PR1价格的细分市场，就应该把20间客房预留给这个价格水平的市场。如果不预留，那么在需求很大的情况下，这些房间可能早被出低价的别的细分市场买走了，饭店的收入无疑减少了，中间的差价是饭店损失的收入。

在计算预留多少客房时，不仅要考虑尽量提高单位客房的平均销售价格，还要考虑尽量提高客房出租率，考虑一些细分市场的特殊需求，以决定预留给各细分市场的产品数量，然后算出每天的销售收入、平均房价和客房出租率。在这个计算过程中，往往需要借助饭店管理信息系统软件和收益管理软件获取历史数据和资料，并综合利用前面介绍的各种定量预测或定性预测的方法，进行分析预测，并进行优化组合，使每天的细分市场组合和价格组合达到最优化。

运用按照细分市场的产品销售量和销售价格来预测的方法能达到相当高的预测准确率，而且由于采用了“预留”房间给高价的细分市场，防止这些房间被贱卖给低价的细分市场，可以有效提高饭店的收益。这些预留的房间又可以称为“被保护的房间”，意思是它们被保护起来，只卖给理想的市场，而不是随便什么市场都行。可见使用这种方法进行预测的过程是分析和统筹规划、“做一手好牌”的过程。下面举例说明。

某饭店某年1月份的客房销售情况逐天预测如表4-9，汇总得出这个月的整体情况，并将其与预算和去年同月的情况进行比较。

表4-9　　　　　客房销售情况表

续表

从表4-9可以看出，1月份预测情况与预算及去年1月的实际情况相比，在客房出租率方面相差不大，但是，由于在预测中，更多的客房将销售给平均价格较高的公共价和公司协议价细分市场，而价格相对较低的政府客市场和团体客市场的客房销售量相对减少，预测得到的客房总收入和平均房价比预算和去年实际情况提高了很多。可见结构性的较小的差异导致了客房平均价格和客房总收入的巨大差异。

应该指出的是，使用这种方法进行预测有两个特点：第一，预测的过程其实也是决定饭店收益管理策略的过程。预测完成时，收益管理的策略也制定好了，接下来的则是实施，即努力将饭店客房按照预留给各个细分市场的数目和价格销售出去，以取得预订的目标。第二，预测的过程是动态的过程，不断更新的过程。从理论上来说，如果时间允许，每天当重新预测。随着时间的推移，本月的一些时间已经过去，就要将这些已经过去的日子的数据改成实际取得的结果的数据，此外，对未来的日子的数据要重新进行预测。例如，假设1月份已经过去两周，那么从1月1日到14日的数据应该改成实际结果数据，从15日到31日的数据是重新预测的数据。1月份过去后，就可以把上个月底的预测的情况同实际结果相比较，看预测是否准确。

在介绍完以上各种预测方法之后，大家需要注意的是，各种预测方法各有长短，在实际工作中，预测工作是上述预测方法的综合应用，很少仅仅使用一种预测方法。另外，预测工作所需要的数据和优化组合的计算，可以借助收益管理软件来进行。关于使用收益管理软件来辅助预测的内容，将在第六章详细阐述。