تحلیل کسب‌وکار اجاره اقامتگاه بر پایه داده‌ها

تحلیل داده‌محور یعنی هر تصمیم مهم اقامتگاه (قیمت، سرمایه‌گذاری، حذف یک کانال) از یک سؤال مشخص شروع شود، با داده‌ی پاک جواب بگیرد و به یک اقدام قابل‌آزمایش برسد. چهار پرسش پشت آن است: چه شد؟ چرا شد؟ چه می‌شود؟ و حالا چه کنیم؟ صاحب اقامتگاه برای شروع نه به نرم‌افزار گران نیاز دارد نه به علم داده؛ یک جدول رزرو تمیز و عادت پرسیدن سؤال درست کافی است.

این درس سومین قدم از بخش «داده و تصمیم» سری مدیریت علمی اقامتگاه است. ابزارهای آماری (میانگین، پراکندگی، همبستگی) در درس قبل، آمار و احتمال در کسب‌وکار اجاره اقامتگاه، آمده و اینجا فرض می‌شوند. فرمول شاخص‌ها هم در شاخص‌های عملکرد اقامتگاه و گزارش سود هر واحد در هوش تجاری و سود و زیان هر واحد هست؛ این درس به‌جای تکرار آن‌ها، چارچوب فکری را می‌دهد که تعیین می‌کند کدام گزارش را کی و چرا بسازید. آخرین بازبینی: ۲ آبان ۱۴۰۵. همه‌ی اعداد مثال‌ها فرضی و گردشده‌اند و آمار بازار ایران نیستند.

هدف‌های یادگیری این درس

پس از این درس باید بتوانید:

1. یک سؤال مبهم («چرا درآمد پایین است؟») را به سؤال تحلیلی قابل‌اندازه‌گیری تبدیل کنید.

2. پنج مرحله‌ی فرایند تحلیل را روی داده‌ی رزرو خودتان اجرا کنید.

3. هر گزارش یا تصمیم را در یکی از چهار سطح توصیفی، تشخیصی، پیش‌بینانه یا تجویزی جا بدهید.

4. خطاهای رایج داده‌ی رزرو (لغوشده، تکراری، شب مسدود) را پیش از محاسبه پاک کنید.

5. یک داشبورد حداکثر هفت‌شاخصی با شاخص‌های پیش‌رو و پسرو طراحی کنید.

تعریف و ریشه‌ی علمی: تحلیل کسب‌وکار چیست؟

«تحلیل کسب‌وکار» (business analytics) استفاده‌ی نظام‌مند از داده، مدل آماری و ریاضی و استدلال مبتنی بر واقعیت برای تصمیم‌گیری است. در مدیریت، این واژه با مقاله‌ی «رقابت با تحلیل» توماس داونپورت در هاروارد بیزنس ریویو (ژانویه‌ی ۲۰۰۶) شناخته‌شده است. او نشان داد شرکت‌هایی که موفقیتشان را بر جمع‌آوری، تحلیل و عمل بر اساس اطلاعات بنا کرده‌اند، فناوری را از نقش پشتیبان به «سلاح استراتژیک» ارتقا داده‌اند؛ مثال‌هایی مثل سیستم رزرواسیون آمریکن ایرلاینز. داونپورت در ۲۰۱۳ دوره‌بندی تازه‌ای هم داد: دوران «پیش از کلان‌داده» و «پس از کلان‌داده»، که دومی را بازسازی اساسی اولی می‌داند. مک‌آفی و برینیولفسون (۲۰۱۲) در همان مجله استدلال کردند اندازه‌گیری دقیق‌تر به مدیریت و پیش‌بینی دقیق‌تر می‌انجامد.

در آموزش مدیریت، تحلیل را معمولاً در چهار سطح می‌گذارند (مثلاً در توضیح هاروارد آنلاین): توصیفی (چه شد؟)، تشخیصی (چرا شد؟)، پیش‌بینانه (چه ممکن است بشود؟) و تجویزی (چه کنیم؟). سه‌گانه‌ی توصیفی، پیش‌بینانه و تجویزی را انجمن INFORMS (تحقیق در عملیات) هم به کار می‌برد: صفحه‌ی توضیحی دانشگاه ردفورد که آن را از INFORMS نقل می‌کند، توصیفی را مرور آنچه رخ داده، پیش‌بینانه را برآورد آنچه خواهد شد و تجویزی را توصیه‌ی گام‌های مشخص برای تصمیم می‌داند (سطح «تشخیصی» در آن سه‌گانه نیست و افزوده‌ی آموزشی است). این دسته‌بندی را گاهی به مدل «پلکان تحلیل» گارتنر نسبت می‌دهند؛ ما صفحه‌ی گارتنر را نتوانستیم باز کنیم و فقط به منبع هاروارد تکیه می‌کنیم. تعریف‌ها در منابع کمی فرق دارند (بعضی «تشخیصی» را زیرمجموعه‌ی توصیفی می‌دانند)، اما منطق ثابت است: هر پله به داده‌ی بهتر و قضاوت بیشتری نیاز دارد.

فرایند تحلیل: از سؤال تا تصمیم

استاندارد صنعتی معروف داده‌کاوی، CRISP-DM، حدود ۱۹۹۶ تا ۱۹۹۹ با پروژه‌ای اروپایی و با مشارکت شرکت‌هایی مثل دایملر، NCR و Teradata شکل گرفت (ویکی‌پدیا). مقاله‌ی دسترسی‌آزاد فروغی و لوکش (۲۰۱۸، دانشگاه روستوک، arXiv) آن را چرخه‌ای از شش فاز سطح‌بالا می‌داند که در ۱۹۹۶ توسط SPSS و Teradata و با همکاری NCR، دایملر و OHRA شکل گرفت؛ یعنی فهرست شرکت‌ها در منابع یکسان نیست و فقط هسته‌ی ماجرا (۱۹۹۶، چند شرکت اروپایی/آمریکایی) تکرار می‌شود. فازها: فهم کسب‌وکار، فهم داده، آماده‌سازی داده، مدل‌سازی، ارزیابی و استقرار. همان مقاله تصریح می‌کند ترتیب این فازها سخت‌گیرانه نیست، و در مقایسه‌اش با فرایند KDD می‌گوید KDD فازهای «فهم کسب‌وکار» و «استقرار» را ندارد؛ یعنی برتری CRISP-DM همان است که ما به آن اتکا کرده‌ایم، شروع از مسئله‌ی کسب‌وکار. نظرسنجی‌های KDnuggets (۲۰۰۲ تا ۲۰۱۴) آن را رایج‌ترین روش بین داده‌کاوان نشان داده‌اند. نکته‌ی آموزشی‌اش برای ما سه چیز است: فرایند از کسب‌وکار شروع می‌شود نه از داده، حلقه‌ای است نه خطی، و تا «استقرار» (تصمیم واقعی) ادامه دارد. برای اقامتگاه آن را به پنج گام ساده کرده‌ایم:

1. سؤال: دقیق و قابل‌پاسخ. «چرا درآمد کم است؟» سؤال نیست؛ «چرا اشغال شب‌های وسط هفته‌ی پاییز نصف آخر هفته است؟» سؤال است.

2. جمع‌آوری: چه داده‌ای جواب را می‌دهد و کجاست؟ (رزرو، قیمت، لغو، هزینه، نظر مهمان، تماس‌ها)

3. پاک‌سازی: حذف تکراری، تعیین تعریف‌ها، پر یا حذف خالی‌ها.

4. تحلیل: برش، مقایسه، نمودار، آزمون ساده.

5. تصمیم و پایش: یک اقدام مشخص با معیار موفقیت و تاریخ بازبینی.

مثال اقامتگاهی: فرض کنید یک ویلا ۳۶۵ شب در سال ظرفیت دارد و صاحبش می‌گوید «پاییز و زمستان ضعیف است». این هنوز سؤال تحلیلی نیست. بعد از گام اول، سؤال می‌شود: «در پاییز، اشغال کدام شب‌ها (آخر هفته یا وسط هفته) پایین است و اگر قیمت آن شب‌ها را ۱۰٪ کم کنم، سود خالص بالا می‌رود یا نه؟» حالا مشخص است چه داده‌ای لازم است (رزرو هر شب پاییز با قیمت) و تصمیم چیست (قیمت وسط هفته). بدون این بازنویسی، تحلیل به نمودارهای بی‌نتیجه ختم می‌شود.

خطای رایج: شروع از داده («ببینیم چه چیزی پیدا می‌شود»). گاهی مفید است، ولی بدون سؤال تصمیم، گزارشی می‌گیرید که همه می‌خوانند و کسی کاری نمی‌کند.

داده‌های یک اقامتگاه: چه چیزی در دست دارید؟

سه خانواده داده دارید و هر کدام سؤال‌های خودش را جواب می‌دهد:

داده‌ی تراکنشی «چه شد» را می‌گوید و داده‌ی بازخورد «چرا». ضعف رایج میزبان‌ها این است که فقط اولی را حساب می‌کنند. داده‌ی متنی را می‌شود دستی به شمارش تبدیل کرد (کدگذاری)، که برای چند ده نظر کاملاً شدنی است.

مثال اقامتگاهی: فرض کنید از ۶۰ نظر ثبت‌شده‌ی یک سال، برای هر نظر برچسب موضوع می‌زنید. نتیجه: ۱۸ نظر از سرمای خانه شکایت دارند، ۹ نظر از صدای همسایه، ۶ نظر از سرعت اینترنت. سهم سرما ۱۸ تقسیم بر ۶۰ یعنی ۳۰٪ است. اگر همان ۱۸ نظر همگی مربوط به آذر تا اسفند باشند، سرما احتمالاً دلیل ضعف زمستان است؛ این یک فرضیه‌ی تشخیصی است که بعداً با داده‌ی دیگری باید امتحانش کنید (مقاله‌ی نظر مثبت گرفتن مدیریت خود نظرات را می‌گوید).

سطح اول: تحلیل توصیفی، یک سال رزرو در یک جدول

توصیفی یعنی خلاصه‌سازی گذشته با چند عدد. ساده‌ترین قالب: جدول فصلی با شب فروخته‌شده، میانگین نرخ (ADR)، درآمد و RevPAR (درآمد تقسیم بر کل شب‌های موجود؛ تعریف کامل در شاخص‌های عملکرد).

مثال اقامتگاهی: فرض کنید رزروهای یک ویلا در یک سال به این صورت جمع شده است (مبالغ به میلیون تومان):

محاسبه‌ی ردیف سال: اشغال ۲۲۰ ÷ ۳۶۵ ≈ ۰٫۶۰۳؛ ADR برابر ۹۰۴ ÷ ۲۲۰ ≈ ۴٫۱۱؛ RevPAR برابر ۹۰۴ ÷ ۳۶۵ ≈ ۲٫۴۸ که با ضرب اشغال در ADR (۰٫۶۰۳ × ۴٫۱۱) هم همین می‌شود. اولین چیزی که جدول می‌گوید: پاییز و زمستان با ۱۸۱ شب موجود (حدود نیمی از سال) فقط ۲۵۸ از ۹۰۴ میلیون، یعنی حدود ۲۸٫۵٪ درآمد را می‌سازند. ضعف از همین‌جاست؛ اما جدول نمی‌گوید چرا.

خطای رایج: اکتفا به میانگین سالانه. اشغال ۶۰٪ سالانه هم تابستان ۸۵٪ را در خود دارد هم زمستان ۳۷٪ را (نکته‌ی میانگین و پراکندگی از درس آمار).

سطح دوم: تحلیل تشخیصی، دنبال علت‌ها

تشخیصی یعنی برش دادن عدد کل به اجزایی که مقایسه‌شان معنادار است: روز هفته، کانال، مدت اقامت، تعداد نفرات، پنجره‌ی رزرو. قاعده‌ی کار: هر بار یک متغیر را برش بزنید و ببینید تفاوت از کجا می‌آید. هشدار مهم: برش خودش «علت» را اثبات نمی‌کند، فقط محل مشکل را نشان می‌دهد. برای اثبات علیت باید آزمایش کنید (بخش تجویزی).

مثال اقامتگاهی: فصل پاییز همان ویلا را به شب‌های آخر هفته (پنجشنبه و جمعه) و وسط هفته تقسیم می‌کنیم. فرض کنید ۲۶ شب آخر هفته و ۶۵ شب وسط هفته داشتیم:

درآمد جمع ۹۶ + ۶۳ = ۱۵۹ و ADR برابر ۱۵۹ ÷ ۴۵ ≈ ۳٫۵۳ است. تشخیص: «پاییز ضعیف است» نادرست بود؛ آخر هفته‌های پاییز تقریباً پر است و مشکل ۴۴ شب خالی وسط هفته است (۶۵ − ۲۱). حتی بد نیست بپرسیم آیا آخر هفته‌ها ارزان فروخته نمی‌شوند (اشغال ۹۲٪ ممکن است نشانه‌ی قیمت پایین باشد؛ قیمت‌گذاری پویا را ببینید).

خطای رایج: برش زیاد با داده‌ی کم. اگر هر خانه‌ی جدول چند رزرو دارد، تفاوت‌ها ممکن است تصادفی باشند؛ قاعده‌ی عملی: قبل از تصمیم، ببینید الگو در دو سال یا چند دوره‌ی مشابه تکرار می‌شود.

سطح سوم: تحلیل پیش‌بینانه، روش ساده‌ی «سرعت رزرو»

پیش‌بینی لازم نیست پیچیده باشد. یک روش کاربردی در مدیریت درآمد، مقایسه‌ی سرعت رزرو (pickup) است: در فاصله‌ی معین تا شروع فصل، این سال چقدر رزرو دارد نسبت به سال قبل در همان فاصله؟ ویدرفورد و کایمز (۲۰۰۳، International Journal of Forecasting؛ دسترسی از طریق Cornell eCommons) روش‌های پیش‌بینی ورود مهمان را برای مدیریت درآمد هتل مقایسه کردند: در داده‌ی هتل‌های Choice، روش‌های پیکاپ (pickup) و رگرسیون کمترین خطا را داشتند و منحنی رزرو و ترکیب روش‌ها ضعیف بودند؛ در تحلیل دقیق‌تر داده‌ی Marriott، هموارسازی نمایی، پیکاپ و میانگین متحرک پایدارترین بودند (از روی چکیده‌ی رکورد eCommons؛ متن کامل مقاله باز نشد). این پشتوانه‌ی تجربی برای پیکاپ است، ولی روی داده‌ی زنجیره‌های هتلی بزرگ، نه اقامتگاه‌های کوچک. کایمز (۲۰۱۷، Cornell Hospitality Report ۱۷(۱)) در پیمایش حدود ۴۰۰ متخصص مدیریت درآمد می‌بیند این حوزه راهبردی‌تر و متمرکزتر شده ولی تغییرات از پیش‌بینی‌های شش سال پیش کندتر بوده (چکیده‌ی VTechWorks). روش زیر یک تقریب آموزشی است.

مثال اقامتگاهی: فرض کنید ۳۰ روز مانده به شروع تابستان، سال قبل ۳۹ شب از ۷۸ شب نهایی فصل (۵۰٪) رزرو شده بود. امسال در همین فاصله ۴۲ شب رزرو دارید. اگر الگو تکرار شود، پیش‌بینی نهایی ۴۲ ÷ ۰٫۵۰ = ۸۴ شب است، یعنی حدود ۹۱٪ اشغال (۸۴ ÷ ۹۲)، از ۷۸ شب سال قبل بالاتر. نتیجه‌ی تصمیمی: قیمت شب‌های باقی‌مانده‌ی تابستان را بالا ببرید و تخفیف را قطع کنید. اما اگر امسال ۳۰ شب بود، پیش‌بینی ۶۰ شب می‌شد و زنگ خطر.

محدودیت‌ها: یک سال داده الگو نیست؛ رویدادهایی مثل تعطیلات متغیر نوروز یا بحران‌ها (ببینید فصل‌بندی تقاضا و داده‌های قیمت و اشغال بازار ایران) الگو را می‌شکنند. پیش‌بینی بدون بازه‌ی خطا، ادعای بیش از حد است: همیشه یک بازه (مثلاً ۷۵ تا ۹۰ شب) بنویسید.

سطح چهارم: تحلیل تجویزی، تبدیل داده به آزمایش

تجویزی یعنی انتخاب اقدام. در عمل برای میزبان کوچک، تجویزی = آزمایش کنترل‌شده‌ی کوچک + محاسبه‌ی سود خالص (نه فقط درآمد). قاعده‌ی تصمیم: اقدام وقتی خوب است که «افزایش درآمد − هزینه‌ی متغیر شب‌های اضافه» مثبت باشد.

مثال اقامتگاهی: ادامه‌ی ویلای بالا: وسط هفته‌ی پاییز ۲۱ شب با نرخ ۳٫۰ فروخته شده. فرض کنید قیمت را ۱۰٪ کم می‌کنیم (به ۲٫۷) و حدس می‌زنیم فروش به ۳۰ شب برسد (این حدس است و باید آزمون شود). درآمد وسط هفته از ۲۱ × ۳٫۰ = ۶۳ به ۳۰ × ۲٫۷ = ۸۱ می‌رسد، یعنی ۱۸ میلیون بیشتر. فرض کنید هزینه‌ی متغیر هر شب فروخته‌شده (نظافت، مصرف، تعویض ملافه) ۰٫۵ میلیون باشد: ۹ شب اضافه × ۰٫۵ = ۴٫۵. سود خالص افزوده ۱۸ − ۴٫۵ = ۱۳٫۵ میلیون تومان است. اگر فروش فقط به ۲۴ شب برسد: درآمد ۲۴ × ۲٫۷ = ۶۴٫۸ (فقط ۱٫۸ بیشتر) و هزینه‌ی ۳ شب اضافه ۱٫۵؛ سود افزوده فقط ۰٫۳ میلیون! یعنی تصمیم به شدت به همان حدس حساس است. پس اول چهار هفته آزمایش کنید، بعد کل فصل را تغییر دهید. (حساسیت به فرض‌ها موضوع درس بعدی است: سناریوپردازی و تحلیل حساسیت.)

خطای رایج: قضاوت با «درآمد بیشتر» به‌جای «سود خالص بیشتر»؛ و تغییر هم‌زمان چند چیز (قیمت، عکس، توضیح آگهی) که پس از آن نمی‌دانید کدام اثر داشت.

پاک‌سازی داده‌ی رزرو: قبل از هر محاسبه

داده‌ی خام رزرو تقریباً همیشه آلوده است. چهار آلودگی رایج و راه‌حل:

مثال اقامتگاهی: در ویلای مثال بالا فرض کنید مالک ۱۰ شب را برای استفاده‌ی شخصی مسدود کرده بود. اگر این شب‌ها را از ظرفیت کم کنید، ظرفیت می‌شود ۳۶۵ − ۱۰ = ۳۵۵ و اشغال ۲۲۰ ÷ ۳۵۵ ≈ ۶۲٫۰٪ (به‌جای ۶۰٫۳٪)، و RevPAR برابر ۹۰۴ ÷ ۳۵۵ ≈ ۲٫۵۵ می‌شود (به‌جای ۲٫۴۸). هیچ‌کدام غلط نیست؛ غلط یعنی تعریف را عوض کنید و مقایسه کنید. تعریف را یک بار بنویسید و ثابت نگه دارید، به‌خصوص اگر می‌خواهید با بنچ‌مارک مقایسه کنید.

KPI و داشبورد: کمتر، ولی درست

داشبورد خوب با سؤال طراحی می‌شود نه با نمودار. سه اصل:

• حداکثر پنج تا هفت شاخص که هر کدام یک تصمیم را هدایت می‌کنند (قیمت، پر کردن شب خالی، کیفیت، هزینه).

• ترکیب شاخص پیش‌رو و پسرو: درآمد ماه گذشته پسرو است؛ تعداد رزرو ثبت‌شده برای ماه بعد، تعداد درخواست‌های بی‌پاسخ، و زمان پاسخ به پیام پیش‌رو. تصمیم را پیش‌رو‌ها هدایت می‌کنند.

• هر شاخص: هدف، آستانه‌ی هشدار و صاحب. شاخص بدون آستانه فقط عدد است.

مثال اقامتگاهی: فرض کنید داشبورد ماهانه‌ی ویلا هفت ردیف دارد: اشغال، ADR، RevPAR، نرخ لغو، امتیاز میانگین مهمان، شب‌های رزروشده برای ۳۰ روز آینده (پیش‌رو)، و هزینه به‌ازای شب فروخته‌شده. برای شاخص ششم، آستانه‌ی هشدار می‌گذارید: «اگر تا ۳۰ روز مانده از ۵۰٪ ظرفیت ماه بعد کمتر رزرو شد، قیمت و آگهی را بازنگری کن». این یک قاعده‌ی تصمیم است، نه فقط یک عدد.

مطالعه‌ی موردی (فرضی): آیا ۶۰ میلیون برای گرمایش و عایق‌بندی زمستان بصرفد؟

سؤال (گام ۱): آیا هزینه‌ی ۶۰ میلیون تومان برای بهبود گرمایش ویلا زمستان را نجات می‌دهد؟

• توصیفی: زمستان ۹۰ شب موجود، ۳۳ شب فروش با ADR برابر ۳٫۰ و درآمد ۹۹ میلیون (جدول بالا).

• تشخیصی: از ۴۰ نظر زمستانی، ۱۲ نظر (۳۰٪) شکایت از سرما دارند؛ وسط هفته اشغال بسیار کم است. (سرما یک علت محتمل است، نه تنها علت؛ ممکن است زمستان کلاً تقاضا کم باشد. برای جدا کردن اثر، اشغال را با واحد رقیب مقایسه کنید، بنچ‌مارکینگ.)

• پیش‌بینانه (بر پایه‌ی فرض): اگر شکایت سرما رفع شود، فروش زمستان از ۳۳ به ۴۵ شب برسد.

• تجویزی: ۱۲ شب اضافه × ۳٫۰ = ۳۶ میلیون درآمد؛ منهای هزینه‌ی متغیر ۱۲ × ۰٫۵ = ۶، سود افزوده ۳۰ میلیون در سال. دوره‌ی بازگشت ۶۰ ÷ ۳۰ = ۲ سال (روش بازگشت سرمایه در امکان‌سنجی و ROI آمده است).

• تصمیم و پایش: با فرض سه سال عمر مفید بصرفد، اما چون فرض «۴۵ شب» حدس است، ابتدا نیمی از اقدامات ارزان‌تر (بخاری کمکی، نشت‌گیری) را انجام دهید و دو ماه شاخص و نظرات را بسنجید؛ جزئیات فنی در مراقبت فصلی سرمایش و گرمایش.

نکته: حدس ۴۵ شب سست‌ترین حلقه‌ی زنجیره است و تحلیل حساسیت (درس بعد) دقیقاً برای آزمودن همین حلقه است.

تمرین برای شما

1. سؤال‌سازی: سه جمله‌ی مبهم درباره‌ی کسب‌وکار خودتان بنویسید («فروش کم است»…) و هر کدام را به سؤال قابل‌اندازه‌گیری تبدیل کنید. راهنما: سؤال خوب یک بازه‌ی زمانی، یک معیار و یک تصمیم دارد.

2. جدول فصلی: رزروهای یک سال را در اکسل بریزید و جدول فصلی مثال را بسازید. راهنما: ابتدا لغوشده‌ها را حذف کنید و تعریف ظرفیت را بنویسید.

3. تشخیص: اشغال را به آخر هفته و وسط هفته تقسیم کنید. اگر اختلاف بیش از ۳۰ واحد درصد بود، کدام تصمیم قیمتی را پیشنهاد می‌کنید؟ راهنما: قیمت وسط هفته یا بسته‌های چندشبه.

4. آزمایش: برای یک تخفیف ۱۰٪ وسط هفته، سود خالص را با سه فرض فروش (۲۴، ۲۷، ۳۰ شب) حساب کنید و «شب سربه‌سر» را پیدا کنید. راهنما: با پایه‌ی ۲۱ شب، نرخ ۳٫۰ و ۲٫۷ و هزینه‌ی ۰٫۵، سود افزوده برای n شب = n × ۲٫۷ − ۶۳ − (n − ۲۱) × ۰٫۵. نتیجه: ۲۴ شب ۰٫۳؛ ۲۷ شب ۶٫۹؛ ۳۰ شب ۱۳٫۵ میلیون. سربه‌سر: ۲٫۲n = ۵۲٫۵، یعنی حدود ۲۳٫۹ شب؛ پس تخفیف فقط وقتی می‌صرفد که فروش وسط هفته دست‌کم از ۲۱ به ۲۴ شب برسد.

5. داشبورد: هفت شاخص و آستانه‌ی هشدار هرکدام را بنویسید.

جمع‌بندی درس

• تحلیل با سؤال تصمیم شروع می‌شود، نه با داده.

• پنج گام: سؤال، جمع‌آوری، پاک‌سازی، تحلیل، تصمیم و پایش، و حلقه‌ای تکرار می‌شود.

• چهار سطح تحلیل (توصیفی، تشخیصی، پیش‌بینانه، تجویزی) به‌ترتیب پیچیدگی‌اند؛ بیشتر ارزش میزبان کوچک در دو سطح اول و آزمایش ساده‌ی سطح چهارم است.

• پیش از محاسبه، داده را پاک کنید و تعریف ظرفیت و اشغال را مکتوب و ثابت نگه دارید.

• برش فقط محل مشکل را نشان می‌دهد؛ علیت را آزمایش اثبات می‌کند.

• داشبورد: حداکثر هفت شاخص، پیش‌رو و پسرو، با آستانه و صاحب.

• فرض‌های سست (مثل «فروش به ۴۵ شب می‌رسد») را صریح بنویسید و حساسیتشان را بسنجید.

درس بعدی

عدم قطعیت پیش‌بینی را در درس بعد جدی می‌گیریم: سناریوپردازی و تحلیل حساسیت در تصمیم‌های اقامتگاه. نقشه‌ی کل مسیر در مدیریت علمی کسب‌وکار اجاره اقامتگاه؛ نقشه راه آمده است.

شاه‌کلید در این مسیر

شاه‌کلید رزروها، هزینه‌ها و تسویه‌ها را در یک جا نگه می‌دارد و داشبورد و بخش مالی دارد؛ پس منبع داده‌ی تمیز برای گام‌های اول و دوم را فراهم می‌کند. مدل پیش‌بینی یا تحلیل تجویزی خودکار ندارد؛ آن بخش‌ها با اکسل و قضاوت خودتان انجام می‌شود.

سؤال‌های پرتکرار

برای شروع چه حداقل داده‌ای لازم است؟

یک جدول رزرو با ستون‌های تاریخ ورود، خروج، کانال، قیمت هر شب، وضعیت و هزینه‌ی متغیر. حتی شش ماه داده برای توصیفی کافی است؛ برای پیش‌بینی حداقل یک سال کامل لازم دارید.

تحلیل پیش‌بینانه بدون علم داده امکان‌پذیر است؟

بله، در حد مقایسه‌ی سرعت رزرو با سال قبل. ولی بازه‌ی خطا بنویسید و رویدادهای غیرتکرارشونده را کنار بگذارید.

آمار بازار را از کجا بیاورم؟

منبع رسمی ایرانی‌ای برای اشغال اقامتگاه‌های کوچک ندیدیم؛ برای مقایسه از داده‌ی واحدهای مشابه خودتان یا خلاصه‌ی داده‌های قیمت و اشغال استفاده کنید و در برداشت احتیاط کنید.

تفاوت داشبورد و گزارش چیست؟

گزارش گذشته را شرح می‌دهد؛ داشبورد برای تصمیم‌های مکرر است و آستانه‌ی هشدار دارد.

منابع

• Davenport, T. H. (2006). Competing on Analytics. Harvard Business Review, January 2006 — صفحه‌ی خلاصه‌ی ناشر (متن کامل را نخواندیم).

• Davenport, T. H. (2013). Analytics 3.0. Harvard Business Review, December 2013 — صفحه‌ی خلاصه‌ی ناشر.

• McAfee, A. & Brynjolfsson, E. (2012). Big Data: The Management Revolution. Harvard Business Review, October 2012 — صفحه‌ی خلاصه‌ی ناشر.

• Harvard Business School Online — Types of Data Analysis (توصیفی، تشخیصی، پیش‌بینانه، تجویزی).

• Cross-industry standard process for data mining (CRISP-DM) — Wikipedia (تاریخچه و شش فاز؛ مرجع دست‌دوم).

• Kimes, S. E. (2017). The Future of Hotel Revenue Management. Cornell Hospitality Report, 17(1), 3–10 — رکورد VTechWorks با چکیده (متن کامل را نخواندیم).

• Weatherford, L. R., & Kimes, S. E. (2003). A comparison of forecasting methods for hotel revenue management. International Journal of Forecasting, 19(3), 401–415 — رکورد Cornell eCommons با چکیده.

• Foroughi, F., & Luksch, P. (2018). Data Science Methodology for Cybersecurity Projects — مقاله‌ی دسترسی‌آزاد arXiv (بخش CRISP-DM).

• Radford University — Analytics Explained (سه نوع تحلیل به نقل از INFORMS).

آنچه نتوانستیم تأیید کنیم

• صفحه‌ی گارتنر درباره‌ی مدل پلکان تحلیل باز نشد (۴۰۳)؛ نسبت‌دادن چهار سطح به گارتنر تأییدنشده است. سه‌گانه‌ی INFORMS را فقط از یک صفحه‌ی دانشگاهی که آن را نقل می‌کند دیدیم، چون صفحه‌ی INFORMS خودش بسته بود (۴۰۳)؛ سطح «تشخیصی» از توضیح هاروارد آنلاین آمده است.

• متن کامل مقاله‌های هاروارد بیزنس ریویو (داونپورت، مک‌آفی و برینیولفسون) پشت پرداخت است و فقط خلاصه‌ی ناشر خوانده شد.

• متن کامل راهنمای اصلی CRISP-DM (۲۰۰۰) در دو نسخه‌ی میزبانی‌شده باز نشد (۴۰۳ و ۴۰۴)؛ فازها و تاریخ را از ویکی‌پدیا و یک مقاله‌ی آزاد دیگر داریم و فهرست شرکت‌های بنیان‌گذار در این دو فرق دارد.

• مقاله‌ی ویدرفورد و کایمز (۲۰۰۳) و گزارش کایمز (۲۰۱۷) فقط از روی چکیده‌ی رکورد مخزن خوانده شد (فایل PDF باز نشد). ادعای پیشین ما درباره‌ی «انتظار اثر بیشتر تحلیل داده بر قیمت‌گذاری» از یک خلاصه‌ی خبری بود و در چکیده‌ی رسمی نیامده؛ حذفش کردیم.

• پژوهش بازی درباره‌ی سرعت رزرو در اقامتگاه‌های کوچک یا شاخص‌های پیش‌رو برای میزبان ایرانی نیافتیم؛ منبع رسمی آمار اشغال اقامتگاه‌های کوچک ایران هم پیدا نشد. همه‌ی اعداد مثال‌ها فرضی‌اند.