在編製星期二的排班表之前，就知道星期四會非常繁忙。

酒店需求預測是預測一間物業在未來數天至數週內，每個部門每個小時將要服務的客人數量：前台的抵達與離店、客房部的離店房與續住房、每個餐飲出口的人次。HotelCadence 以物業系統的訂房、訂房進度和歷史數據，加上假期和活動建立預測，每日重新預測，並用它來確定排班規模。

人工試算表預測的典型誤差（MAPE）為提前 7 天 8%、30 天 15%、90 天 28%。在 HotelCadence 的示例中，部門層面的準確度從使用單一人工數字的約 71% 提升至使用實時訂房進度驅動預測的約 94%，足以按曲線配置人手。準確度每週對照您自己的實際數據追蹤。

一個只讀取您物業系統數據的安全連接：訂房和訂房進度、抵達和離店、入住率、房價和客源組合，以及餐飲人次（如有）。OPERA Cloud、Mews 和 Cloudbeds 各自直接連接，HotelCadence 從不更改您物業系統內的任何內容。模型將這些內部數據（歷史加實時訂房）與天氣、星期幾和公眾假期等外部信號結合。不需要客人的付款數據。

可以。如果您載入預算或現有預測，HotelCadence 會按部門將實際數據和 AI 預測與之並列顯示，讓差異在還有時間採取行動時就清晰可見。沒有預算的情況下，議定的基準會扮演這個角色。

RMS 預測客房以制定價格。HotelCadence 預測營運以配置人手：按部門、按小時，前台的入住、客房部的客房周轉、早餐的人次。兩者並行運作；反正只有 28% 的酒店使用專門的 RMS（Skift Research, 2026），兩者亦互不取代。

每當您物業系統中的訂房進度變化就會更新：星期四晚上預訂的旅行團會出現在星期五早上的預測中。已發佈的排班表在不再符合更新後的預測時會被標記，讓主管在班次之前作出調整。

可以。團體預訂和國籍組合直接來自物業系統；假期日曆（黃金週、農曆新年、潑水節）和本地活動模式在導入期間按物業設定。這些正是人工預測誤差最大的日子。

理想情況是 12-24 個月的物業系統歷史數據以作季節校準；模型也可以用較少的數據運作。我們在導入期間透過同一個只讀取數據的安全連接提取歷史數據，並先對照您自己最近幾個月的數據驗證預測，然後才有排班表依賴它。