iRev Forecast, un modello inedito di forecasting alberghiero

Algoritmo per creare un calendario previsionale per Revenue Manager

Edoardo Caldari

7 anni fa

In questo articolo sono orgoglioso di condividere il mio ultimo algoritmo per la creazione di un calendario previsionale per il Revenue Management. Ti presento un modello inedito per il Forecasting Alberghiero.

Tutti noi Revenue Manager sappiamo che una delle più noiose parti del Revenue Management è la predisposizione della previsione della domanda per la stagione futura. Inoltre, siamo tutti ben consapevoli che la costruzione di questo previsionale è al tempo stesso estremamente importante.

I Pilastri del Revenue Management

Credo che, prima di ogni cosa, chiunque si approcci a questo argomento dovrebbe prima conoscere e ricordare quali sono i due pilastri su cui si fonda il Revenue Management:

Previsione della domanda.
Ottimizzazione tariffaria

In questo post parleremo di uno degli aspetti del primo pilastro, la creazione del calendario per la stagione futura.

La creazione del calendario per la prossima stagione

Devo fare una piccola premessa: questo modello per la creazione del calendario è assolutamente inedito, l’inventore è il sottoscritto insieme al team di HotelPro360, per cui non potrai trovare su nessun libro questa tecnica di forecasting. Possiamo dire che questo sia il mio modo di fare “Revenue Management”, potrebbe non piacerti ma in realtà sono certo che ne rimarrai entusiasta.

L’obiettivo a cui arriveremo è la creazione di un calendario previsionale. Per ogni giorno di questo calendario futuro avremo un valore qualitativo sintetico che ho chiamato “Potenzialità della data” con la sua relativa tariffa di partenza, cioè la bottom rate relativa, e con il suo relativo algoritmo di ottimizzazione tariffaria cioè l’iRev International.

La potenzialità della data in ottica forecasting

Il concetto di potenzialità della data è fondamentale ed estremamente utile in ottica di forecasting. Con questo indicatore si può capire in modo molto semplice quanto sarà potente quella specifica data nel futuro. Tutto deve essere all’insegna dell’usabilità e dell’immediatezza, quindi questo indicatore avrà un valore compreso tra 0 e 10.

Perché ho scelto questo intervallo? Beh, ho pensato che tutti noi conosciamo la tabellina e la pagella e che quindi questi numeri dovrebbero risultare molto familiare a tutti! Il numero 0, infatti, corrisponderà ad una potenzialità molto bassa e il numero 10 corrisponderà ad una potenzialità molto alta.

Esempio di potenzialità della data

Per capire bene di cosa stiamo parlando, arriveremo ad una situazione in cui ogni giorno dell’anno avrà un vero e proprio voto che corrisponderà ad un valore compreso tra “0” e “10”. Questo voto indicherà la potenza della data e sarà un tassello molto importante all’interno del mio algoritmo per il Revenue Management.

Grazie a questo valore si potrà applicare per ogni data del calendario che stiamo costruendo, un modello di ottimizzazione tariffaria e una bottom rate differenti. Siamo passati al secondo pilastro del Revenue Management, l’ottimizzazione tariffaria, appunto.

Tutto ciò sarà possibile in modo semi-automatico! Nel mio algoritmo avrò almeno 10 modelli di ottimizzazione tariffaria differenti, ognuno dei quali sarà applicato ad ogni specifico giorno del calendario, appunto caratterizzato per una determinata potenzialità della data.

Introduzione all’accademia del Revenue Management

Ma prima di parlare dei modelli di ottimizzazione tariffaria vorrei introdurre in modo pratico e passo passo il concetto di “dare un voto ad ogni giorno dell’anno“. Per poterlo introdurre nel modo più chiaro possibile ho pensato di spiegare nel dettaglio tutti i passaggi.

Il concetto di dare un voto ad ogni giorno dell’anno, come dicevamo, sta all’interno del primo pilastro del Revenue Management ed è strettamente connesso al concetto di Forecasting. Possiamo definirlo come un modello inedito per la creazione del forecasting. In realtà si tratta di un “ibrido” difficilmente etichettabile, in quanto anch’esso utilizza alcuni modelli di forecasting presenti in letteratura, in particolare utilizza gli historical model e tra questi (per semplicità di spiegazione) il primo modello studiato in questo ambito: il modello “stesso giorno anno precedente“.

Spero di essere riuscito ad inquadrare di cosa sto parlando e di aver suscitato un po’ di curiosità!

Dopo l’invenzione del Revenue Management questo modello inedito targato Hotel Guru può essere considerato come una bella ventata d’aria fresca all’interno dell’aula parecchio stantia della scuola di Revenue Management. Siamo alle porte dell’avvento dell’intelligenza artificiale che con i suoi modelli innovativi di deep learning alla portata di quasi tutti, rivoluzionerà finalmente questa disciplina impolverata e bloccata sugli scaffali di qualche libreria. È probabile che tra pochi giorni – mesi o anni? – questo modello farà sorridere rispetto ai modelli basati su reti neurali di ultima generazione.

Ho intenzione di spiegartie passo passo come creare questo vero e proprio codice sorgente per RMS (Revenue Management System) utilizzando Excel oppure Numbers, per farlo sto pensando di fare qualche sessione live sul Gruppo Facebook Revenue Management, poiché un articolo del blog forse non ha sufficienti funzionalità per permettere di capire appieno il suo funzionamento.

Iscriviti al gruppo Facebook Revenue Management

Anche per questo motivo mi piacerebbe creare una sorta Accademia di Revenue Management, una specie di laboratorio in cui condividere le migliori tecniche per far progredire gli studi sul Revenue Management. Cosa ne pensi? Ti potrebbe interessare? Fammi sapere tramite il gruppo oppure nei commenti qui sotto!

Ad ogni modo, per il momento ho pensato di partire con la spiegazione del codice sorgente di questo modello innovativo e progressivamente arriveremo alla spiegazione della creazione di un algoritmo complesso per il Revenue Management. Si tratta comunque di un progetto pilota e in divenire, inizialmente sarà per un livello medio, poi si aprirà con corsi base anche per principianti e per tutti coloro che si vorranno avvicinare alla materia.

Creazione Potenziale della data

Preparazione dello storico

Di solito i PMS dovrebbero darti la possibilità di estrarre i dati dal loro database, anche in Excel possibilmente. Ad ogni modo ti spiego nel dettaglio come dovrebbe funzionare l’estrazione di questi dati.

Per elaborare i dati passati ed effettuare la previsione della domanda, lo storico deve essere rielaborato in modo da evidenziare i dati più importanti. Essenzialmente bisogna rielaborare i dati delle singole prenotazioni per fare una tabella con i dati cumulati, ordinati in base alla data di calendario. Il database dello storico deve avere i seguenti campi compilati:

Per ottenere questi dati è necessario fare la sommatoria delle singole prenotazioni registrate per ogni giorno dell’anno di riferimento. Ti spiego passo passo il significato della colonna “Descrizione”:

Data (calendario anno passato): è il calendario dell’anno preso in esame.
Giorno della settimana (lun, mar, merc): è il giorno della settimana del calendario preso in esame.
Ricavi totali della data – REVENUE DELLA GIORNATA: si ricava dalla sommatoria di REVENUE DAY corrispondente alla data del calendario presa in esame:
Tariffa media della data – ADR DELLA GIORNATA: si ricava dal rapporto tra “Ricavi totali della data” e “QUANTITÀ’”, oppure facendo la media dei REVENUE DAY di ogni prenotazione.
Occupazione % della data – OCC DELLA GIORNATA: si ricava facendo la sommatoria di QUANTITÀ di ogni data del calendario preso in esame, una volta ottenute il numero di camere occupate lo si deve confrontare con il numero di camere disponibili nell’hotel.Il dato deve essere espresso in %.

Creazione della potenzialità della domanda

Una volta che abbiamo compilato tutti i dati della tabella dello storico, avremo una tabella simile a questa:

Adesso dobbiamo aggiungere 4 nuove righe dove inseriremo la funzione INC.PERCENT.RANGO .Questa funzione permette di dare il rango per ogni valore del nostro set di dati. Dobbiamo applicare questa funzione a:

Il valore elaborato dalla funzione INC.PERCENT.RANGO per una maggiore leggibilità deve essere moltiplicato per 10.

Nella quarta riga dobbiamo semplicemente applicare la funziona MEDIANA (attenzione non è la MEDIA) alle tre righe precedenti.

Con Press (che starebbe per “pressione”) si fa riferimento alla Potenzialità della data.

Una volta che avremo fatto questo avremo la tabella così composta:

Con questi semplici passaggi siamo riusciti a dare il valore della “Press“ di ogni data del calendario dell’anno preso in esame. Il valore è compreso all’interno della scala che va da 0 a 10, per cui è facilmente intuibile che il risultato del 01/01/15=8 sia migliore del risultato del 02/01/15=6. Inoltre è facile intendere che il primo gennaio sia una data in cui vi era più “Pressione – Potenziale” della domanda, ovvero le performance del primo gennaio sono state migliori di quelle del due gennaio. Grazie a questi semplici passaggi ho potuto creare la riga “Potenziale della data” per ogni giorno del mio storico. La riga “Potenziale della data” mi permette di poter fare delle previsioni per l’anno futuro.

Utilizzare i dati in ottica previsionale

Una volta che ho creato il dato della “Pressione – Potenziale” dello storico dovrò utilizzare questa serie di dati per fare la previsione dell’anno prossimo. Poniamo come esempio di aver calcolato la pressione di tutti i 365 giorni dell’anno 2015, ora dobbiamo utilizzare questi dati per fare la pressione del 2016.

Creazione del forecast della pressione

Grazie ai semplici calcoli del capitolo precedente siamo riusciti a trovare la pressione di ogni giorno del 2015. Adesso dobbiamo utilizzare questi dati per fare la previsione della pressione del 2016. Per fare questa previsione utilizzeremo il modello stesso giorno anno precedente.

Questo modello di previsione utilizza il dato passato e lo riporta per la stessa data dell’anno successivo. Questo è il più semplice dei modelli di previsione presenti in letteratura, ma non per questo è quello che dà i risultati peggiori. In ogni caso la ratio sottostante a questo modello è quella di ritenere che la domanda (noi la chiameremo potenzialità della data) si ripeta in modo costante nel tempo.

Operazioni preliminari per la previsione della pressione

Essenzialmente si tratta di usare i dati del 2015 e metterli all’interno del calendario del 2016 ma per rendere maggiormente affidabili i dati sulla pressione futura, è necessario effettuare alcune operazioni preliminari:

Sincronizzare i calendari per giorno della settimana. Per esempio il 01/01/15 era giovedì ma il 01/01/16 era venerdì, pertanto bisogna sincronizzare i dati con il primo giorno della settimana dell’anno in cui si vuole fare la previsione. In questo esempio bisogna sincronizzare i dati di venerdì 02/01/15 con venerdì 01/01/16. Questo esempio ti farà capire in modo semplice:

Come si può notare da questa tabella abbiamo semplicemente fatto slittare in su di un giorno il calendario del 2015 per fare in modo che il giorno della settimana combaci con quello dell’anno successivo. In questo caso abbiamo sincronizzato con il primo gennaio 2016 che era un venerdì. Prendilo come esempio, sappiamo tutti che per il periodo di Capodanno non è necessario fare questo slittamento poiché sarà il numero del calendario a “comandare”, non il giorno della settimana.
Creare una tabella delle festività e degli eventi. In questo caso è necessario creare una tabella per sincronizzare gli eventi e le festività dei due calendari. Questo passaggio è necessario e fondamentale ed è facilmente intuibile il motivo. Se pensiamo alla Pasqua per esempio, tutti sappiamo che la Pasqua è una festa che ha un certo richiamo turistico e indubbiamente la potenzialità/pressione dei giorni in cui cade la Pasqua sarà alterata. Inoltre, la Pasqua non è sempre lo stesso giorno né lo stesso periodo, per cui sarà necessario creare una tabella per fare il “match” tra l’evento del 2015 e l’evento del 2016. Sempre nella stessa tabella saranno inclusi tutti gli eventi di richiamo della destinazione. Per spiegare meglio faccio una tabella con poche date importanti per il 2015 e il 2016

Guardando attentamente la tabella di esempio vedrete che il comportamento dell’evento non è sempre regolare. Bisognerà prevedere 3 diverse classi di evento/festività: Festività riconosciute legalmente, Festività non riconosciute e Eventi. Una lista completa e aggiornata delle festività la potrete trovare QUI. Una lista completa e aggiornata delle festività riconosciute legalmente la potrete trovare QUI.

Tornando al nostro esempio, in ordine commentiamo:
1. Capodanno: il Capodanno è sempre nelle stesse date (in questo caso comanda il numero non il giorno della settimana), per cui semplicemente si devono sovrascrivere i dati dal 01/01/15 al 03/01/15 e i dati dal 30/012/15 al 31/12/15, nelle rispettive date del 2016 a prescindere dal giorno della settimana. Quindi nessun problema, molto semplice;
2. San Valentino: San Valentino è la festa degli innamorati e cade sempre nelle stesse date (14/02) ma a differenza del capodanno è una festività sensibile al giorno della settimana poiché non è una festività riconosciuta legalmente. Quindi, è una festività di richiamo poiché influisce sulla pressione della data ma questa pressione è legata solo al fine settimana, poiché non essendo una festa riconosciuta legalmente la gente non può andare in vacanza quel giorno. In questo caso bisogna sovrascrivere i dati del ven-sab-dom (week-end) a prescindere dalla data in cui cadono;
3. Fiera del Vino: La fiera del vino è uno degli eventi più importanti (lo potete vedere a colpo d’occhio leggendo pressione=10) per la città presa in esame, ma come quasi tutti gli eventi non cade regolarmente negli anni. Infatti, come possiamo vedere dall’esempio, nel 2015 è stata fatta dal 21 al 25 marzo e nel 2016 è stata fatta dal 9 al 13 aprile. In questo caso si dovrà sovrascrivere i dati delle date del 2015 su quelle del 2016, come nell’esempio in tabella.

Spostare i dati 2015 su 2016

Dopo aver applicato tutte le regole preliminari sulle festività e sugli eventi, possiamo procedere all’inserimento dei dati 2015 sul 2016. Se le regole preliminari sono state applicate correttamente il calendario sarà stato sovrascritto con i dati sincronizzati delle festività e degli eventi dell’anno passato ma non è ancora sufficiente, poiché si dovrà procedere anche alla rimozione dei dati “errati” ovvero i dati di festività o eventi che hanno cambiato data. Per eliminare i dati “errati” dovremo sovrascriverli con quelli corretti. I dati corretti sono:

Quelli dell’anno precedente ancora (nel nostro caso avremo bisogno del database del 2014). In mancanza del 2014, potremo approssimare l’andamento del 2016 utilizzando i dati della settimana precedente.

Per spiegare meglio questa operazione faccio questo esempio:

Come potete vedere dall’esempio, i dati della Pasqua, evidenziati in verde, sono stati traslati correttamente per via dell’applicazione delle regole di sincronizzazione delle feste, ma i giorni in cui vi era la fiera sono rimasti con il punto interrogativo poiché sarebbe stato sbagliato trascrivere i dati corrispondenti del 2015 (10,10,10,10,6).

In questo caso possiamo riempire i dati con il punto interrogativo in due modi:

Con i dati dei giorni della settimana corrispondenti del 2014.
Con i dati della settimana precedente.

Se non avete i dati del 2014 allora bisognerà compilare i dati mancanti con il punto di domanda con i dati della settimana precedente.

Fatto queste operazioni preliminari per la sincronizzazione dei calendari, degli eventi e delle festività, possiamo passare al capitolo che riguarda la creazione del prezzo suggerito.

Scarica il file “iRev Forecast”

Come tutte le cose di questo Blog, anche questo file è gratis, ma se ti piace e se lo scarichi perché non supportare questa causa condividendo la pagina sui tuoi social preferiti? 😉

Scarica il file gratuito iRev Forecast

Dopo alcune segnalazioni aggiungo una tabella in cui vengono esplicitate le sigle di come dovrebbe essere completato il database: