酒店需求預測：完整指南
酒店需求預測，是指根據已有的訂房、訂房進度、季節性和活動，按部門、按小時預測入住率、抵達、離店和餐廳人次。按小時、按部門進行並每日更新的預測，把以數據建立的排班表與憑直覺建立的排班表區分開來，在典型情況下也帶來首批收回的 6–12% 人力成本。
HotelCadence 是酒店人力軟件。它讀取您物業系統中已有的訂房資料，按小時預測各部門的繁忙程度，據此編排班表，記錄實際工時並準備薪酬資料。每份班表均由部門主管審批。每位排班員工每月6美元起。
預測準確度決定人力成本
人力是酒店最大的可控成本，約佔收入的 32.4%（CBRE，美國基準），每一個百分點的預測誤差都會變成人手配置誤差：需求被低估的地方出現加班，被高估的地方出現閒置的付薪工時。排班表的品質，繼承自預測的品質。
酒店目前如何預測需求
去年同日：照抄去年的數字，憑感覺調整。免費，但看不到團體預訂的變化、新增供應和活動日程。
試算表模型：按星期幾計算的入住率平均值，再加人工調整，是亞太區的預設做法。它們隨預測期迅速衰減（見下圖），而且止步於物業層面的入住率，無法為早餐班次配置人手。
基於訂房進度的模型：追蹤訂房相對歷史進度曲線的累積情況，在進度偏離時重新預測。30 天內表現強勁；自動化從這裡開始產生回報。
基於實時訂房數據的機器學習：以您物業的歷史、訂房進度、客源組合、活動和取消行為訓練的模型，產生按小時、按部門的預測，隨訂房變化更新。這正是閉環連接到需求匹配排班表所需要的。
各預測期的準確度
圖表背後的數據
| 預測期 | 典型誤差（MAPE %） |
|---|---|
| 7 days | 8 |
| 14 days | 11 |
| 30 days | 15 |
| 60 days | 22 |
| 90 days | 28 |
兩個實際後果。第一，任何提前兩星期以上鎖定的排班表，都建立在雙位數的誤差之上。第二，排班窗口內的準確度才是關鍵：就人手配置而言，每日以 7 天預測期重新預測的模型，每次都勝過一份每季只做一次的完美預測。
預測如何轉化為排班表
三次換算，在好的系統中每一次都是明確的：需求 → 工作量（抵達換算為入住交易，離店換算為客房周轉，人次換算為服務分鐘數）；工作量 → 工時，透過人力標準（「每次客房周轉 28 分鐘」）；工時 → 班次，在技能、合同、休息規則、服務下限等實際約束之下。跳過任何一步，得到的只是一份背後沒有排班表的預測簡報。HotelCadence 的運作方式 →
選擇預測軟件應注意什麼
- 按小時、按部門的輸出；單靠物業入住率無法為一個班次配置人手。
- 實時的物業系統連接（OPERA Cloud、Mews、Cloudbeds），每日重新預測。
- 對照實際數據的準確度報告；不願意展示 MAPE 的供應商，本身已說明了一些事情。
- 從預測到排班表的路徑；從不改變今晚排班表的洞察只是裝飾。
收益及營運經理常問的問題
什麼是酒店需求預測？
酒店需求預測，是指根據已有的訂房、訂房進度、季節性、活動和客源組合，預測未來的酒店需求（入住率、抵達、離店和人次）。對營運有用的預測涵蓋每個部門的每個小時，比一個月度入住率數字更細。
酒店需求預測有多準確？
準確度取決於預測期：典型人工方法在 7 天時的誤差（MAPE）約為 8%，30 天時約 15%，90 天時約 28%。每日重新預測的訂房進度驅動模型，可將排班窗口內的誤差保持在個位數。
需求預測需要哪些數據？
至少需要：已有的訂房、按星期幾和客源劃分的歷史訂房進度曲線，以及活動日程。OPERA Cloud、Mews 或 Cloudbeds 等物業系統都已掌握這些數據，HotelCadence 透過只讀取、不寫入的安全連接讀取。
收益預測和營運預測有什麼分別？
收益預測回答「我們會以什麼價格賣出多少」；營運預測回答「星期六早餐需要多少員工工時」。數據相同，顆粒度不同：營運版本必須按小時、按部門，才能以此建立排班表。
或實時查看預測如何驅動排班表：AI 需求預測。