顧客預(yù)訂行為演進(jìn)中的大數(shù)據(jù)收益管理需求預(yù)測(cè)

郭 鵬

(貴陽(yáng)學(xué)院 經(jīng)濟(jì)管理學(xué)院，貴州 貴陽(yáng) 550005)

顧客預(yù)訂行為演進(jìn)中的大數(shù)據(jù)收益管理需求預(yù)測(cè)

郭 鵬

(貴陽(yáng)學(xué)院 經(jīng)濟(jì)管理學(xué)院，貴州 貴陽(yáng) 550005)

在線旅行社的出現(xiàn)讓顧客預(yù)訂產(chǎn)品的方式和時(shí)間發(fā)生了巨大轉(zhuǎn)變，造成顧客短期預(yù)訂數(shù)據(jù)的可用性受到較大影響。為了在“互聯(lián)網(wǎng)+旅游”背景下精確實(shí)施大數(shù)據(jù)收益管理即時(shí)需求預(yù)測(cè)，需要將來自于外部數(shù)據(jù)源中基于Web數(shù)據(jù)抽取、顧客查詢與搜索、以及行業(yè)網(wǎng)絡(luò)營(yíng)銷的短期預(yù)訂大數(shù)據(jù)同收益管理即時(shí)需求預(yù)測(cè)相整合。通過分析顧客預(yù)訂行為演進(jìn)及其對(duì)收益管理需求預(yù)測(cè)影響的基礎(chǔ)上，對(duì)上述商務(wù)智能開發(fā)和應(yīng)用過程中所面臨的挑戰(zhàn)進(jìn)行了探討。

收益管理；需求預(yù)測(cè)；顧客預(yù)訂行為；大數(shù)據(jù)；在線旅行社

收益管理(Revenue Management, RM)理論和方法被看作是管理科學(xué)和計(jì)算機(jī)技術(shù)在現(xiàn)代服務(wù)行業(yè)實(shí)際應(yīng)用中最為成功的研究領(lǐng)域之一，作為運(yùn)籌學(xué)(Operations Research, OR)中快速發(fā)展的重要分支，RM在對(duì)微觀市場(chǎng)層面顧客需求進(jìn)行預(yù)測(cè)的基礎(chǔ)上，通過優(yōu)化產(chǎn)品的存量可用性和價(jià)格來制定精細(xì)化的定價(jià)和營(yíng)銷策略，并最終達(dá)到最大化公司收入的目的。[1]自從RM誕生以來，需求預(yù)測(cè)為更復(fù)雜的數(shù)學(xué)優(yōu)化模型輸入了無約束需求數(shù)據(jù)(unconstrained demand data)[2]222-228，它既包括對(duì)顧客預(yù)訂需求的預(yù)測(cè)，又包括對(duì)顧客no-show率的預(yù)測(cè)；同時(shí)，在收益管理系統(tǒng)(Revenue Management System, RMS)實(shí)施過程中，它是確定產(chǎn)品訂購(gòu)限制(booking limits)數(shù)量、定價(jià)策略(pricing)和超售(overbookings)水平的重要輸入，從而在很大程度上決定了公司從每個(gè)產(chǎn)品中所獲得的利潤(rùn)。

RM需求預(yù)測(cè)方法從產(chǎn)生到發(fā)展至今已有58年的歷史(1958年～2016年)，包括增量法(pickup, PU)、指數(shù)平滑(exponential smoothing, ES)、移動(dòng)平均(moving average, MA)、自回歸積分移動(dòng)平均模型(autoregressive integrated moving average model, ARIMA)、線性回歸(linear regression, LR)、對(duì)數(shù)線性回歸、多元回歸、神經(jīng)網(wǎng)絡(luò)(neural networks)、小波分析、主成分分析(principal component analysis)、自適應(yīng)模型(adaptive model)、顧客選擇行為模型(passenger choice model)、Q-forecasting、以及混合預(yù)測(cè)(hybrid forecasting, HF)和票價(jià)調(diào)節(jié)(fare adjustment, FA)等啟發(fā)式方法，涉及到航空客運(yùn)、酒店、汽車租賃、游輪和鐵路客運(yùn)等行業(yè)，Weatherford[3]212-111對(duì)其研究作了詳細(xì)的文獻(xiàn)綜述。

近年來，隨著國(guó)內(nèi)外在線旅行社(Online Travel Agencies, OTAs)的快速發(fā)展，相較于數(shù)年前需要通過旅行社代理商(travel agents)來完成旅行服務(wù)產(chǎn)品預(yù)訂的整個(gè)過程，如今的顧客越來越多地選擇通過互聯(lián)網(wǎng)對(duì)服務(wù)產(chǎn)品進(jìn)行預(yù)訂。網(wǎng)上預(yù)訂的便捷性對(duì)傳統(tǒng)的顧客預(yù)訂行為造成了巨大沖擊，其變化主要表現(xiàn)在兩方面：預(yù)訂方式和預(yù)訂時(shí)間。這些變化不能被低估，因?yàn)閷?duì)顧客預(yù)訂行為信息的準(zhǔn)確掌握直接決定了RM需求預(yù)測(cè)方法的實(shí)施效果，從而影響企業(yè)在整個(gè)市場(chǎng)環(huán)境中的競(jìng)爭(zhēng)力。為了取得更高的預(yù)測(cè)精度，公司不僅需要將內(nèi)部數(shù)據(jù)源中的顧客需求信息作為預(yù)測(cè)模型的數(shù)據(jù)輸入，更至關(guān)重要的是收集來自于競(jìng)爭(zhēng)對(duì)手的短期商業(yè)情報(bào)，即顧客對(duì)競(jìng)爭(zhēng)者產(chǎn)品的短期預(yù)訂選擇行為和相關(guān)當(dāng)期總需求量等信息，這已直接關(guān)系到整個(gè)RMS的實(shí)施成敗。

在大數(shù)據(jù)時(shí)代背景下，考慮到RMS需求預(yù)測(cè)需要即時(shí)、準(zhǔn)確地對(duì)外部市場(chǎng)環(huán)境作出反映，而現(xiàn)有的RM需求預(yù)測(cè)方法均是基于公司內(nèi)部數(shù)據(jù)源中的歷史顧客需求信息而建立，不符合“互聯(lián)網(wǎng)+旅游”背景下旅游服務(wù)行業(yè)的應(yīng)用要求，有必要考慮基于外部數(shù)據(jù)源短期競(jìng)爭(zhēng)情報(bào)的需求預(yù)測(cè)方法的開發(fā)和應(yīng)用。為此，筆者首先討論了OTAs發(fā)展的歷史，以及它們對(duì)顧客預(yù)訂行為和RM需求預(yù)測(cè)的影響，在此基礎(chǔ)上，對(duì)大數(shù)據(jù)RM需求知識(shí)挖掘、以及需求預(yù)測(cè)商務(wù)智能(Business Intelligence, BI)開發(fā)應(yīng)用過程中所面臨的挑戰(zhàn)進(jìn)行了探討。

一、在線旅行社的出現(xiàn)與發(fā)展

上世紀(jì)九十年代末以前，顧客預(yù)訂方式主要表現(xiàn)為面對(duì)面、或者依靠旅行社代理商來完成。顧客在當(dāng)時(shí)還缺乏相應(yīng)的技術(shù)、信息和提前預(yù)訂的能力，旅行社的出現(xiàn)填補(bǔ)了這三方面的能力空缺，并使得旅行更加的容易。雖然改進(jìn)了預(yù)訂效率，但在缺乏產(chǎn)品可用性和價(jià)格等信息的情況下，休閑顧客通常選擇提前預(yù)訂；同時(shí)，由于商務(wù)環(huán)境等原因，商務(wù)顧客往往臨近出發(fā)或入住前才展開預(yù)訂。預(yù)訂時(shí)間上的不同為公司制定產(chǎn)品定價(jià)和RM策略提供了機(jī)會(huì)。現(xiàn)如今，諸如航空客運(yùn)、酒店、旅行代理商及其合作伙伴等服務(wù)業(yè)均通過互聯(lián)網(wǎng)來推銷他們各自的產(chǎn)品，互聯(lián)網(wǎng)成為一種全球性的玻璃櫥窗。如各種全球分銷系統(tǒng)(global distribution systems, GDS)、中央預(yù)訂系統(tǒng)(central reservation systems, CRS)和OTAs的經(jīng)營(yíng)者，他們?cè)谄鋵倬W(wǎng)站上能提供被用于公開收集的可用信息，生成大量可被BI所用的數(shù)據(jù)，并且可將相似產(chǎn)品的各種報(bào)價(jià)以直觀的方式提供可視化呈現(xiàn)和比較。

OTAs的發(fā)展興起于上世紀(jì)九十年代中期，具有代表性的是微軟公司于1996年在美國(guó)推出Expedia①，并于1997年在歐洲成立Priceline②，緊接著，國(guó)內(nèi)的攜程旅行網(wǎng)③于1999年在上海創(chuàng)立，去哪兒網(wǎng)④總部2005年設(shè)立于北京。這些網(wǎng)站在運(yùn)營(yíng)初期就允許顧客對(duì)旅行產(chǎn)品進(jìn)行在線購(gòu)買，避免了直接以面對(duì)面、或依靠旅行社的方式預(yù)訂產(chǎn)品。除此之外，旅游大數(shù)據(jù)平臺(tái)的搭建為新的在線旅游服務(wù)平臺(tái)的建設(shè)創(chuàng)造了條件，并催生出了各種旅游服務(wù)新模式，如攜程網(wǎng)投資組建眾薈⑤，前者除扮演OTAs外又多了一個(gè)新角色——大數(shù)據(jù)提供商；同時(shí)，阿里旅行·去?、薜摹拔磥砭频辍睉?zhàn)略，其中的“信用住”酒店預(yù)訂服務(wù)模式則被看作是大數(shù)據(jù)提供商對(duì)傳統(tǒng)OTAs的挑戰(zhàn)。

雖然發(fā)展相對(duì)比較緩慢，但由于獲取信息的便利性、價(jià)格的透明以及通過各種可選項(xiàng)進(jìn)行搜索的能力，這些都推動(dòng)OTAs成為了旅行相關(guān)活動(dòng)的優(yōu)勢(shì)資源。自從OTAs出現(xiàn)以來，隨著對(duì)傳統(tǒng)旅行社依賴的下降，旅行行業(yè)從業(yè)者普遍認(rèn)為互聯(lián)網(wǎng)將在未來的旅游市場(chǎng)中扮演重要的角色，而這一預(yù)測(cè)早已成為現(xiàn)實(shí)?，F(xiàn)如今，OTAs在旅行服務(wù)行業(yè)中所扮演的角色幾乎與RM相當(dāng)，勁旅咨詢[4]和艾瑞咨詢[5]在針對(duì)中國(guó)在線旅游服務(wù)商的市場(chǎng)發(fā)展研究報(bào)告中公布的數(shù)據(jù)分別顯示，2015年中國(guó)OTAs市場(chǎng)交易規(guī)模達(dá)4672億元，同比增長(zhǎng)39.9%，其中攜程旅行網(wǎng)和去哪兒網(wǎng)分別占整個(gè)OTAs市場(chǎng)總交易額的比例為36.8%和28.7%，兩家的交易額之和占中國(guó)整個(gè)OTAs市場(chǎng)交易規(guī)模超過六成的市場(chǎng)份額。同時(shí)，CNNIC于2016年7月發(fā)布的《第38次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2016年6月，網(wǎng)上預(yù)訂旅行服務(wù)產(chǎn)品的網(wǎng)民規(guī)模達(dá)到2.64億，較2015年底增長(zhǎng)406萬(wàn)人，增長(zhǎng)率為1.6%，其中預(yù)訂火車票、機(jī)票、酒店和旅游度假產(chǎn)品的網(wǎng)民分別占比28.9%、14.4%、15.5%和6.1%；同時(shí)，手機(jī)網(wǎng)民規(guī)模達(dá)到2.32億，較2015年底增長(zhǎng)2236萬(wàn)人，增長(zhǎng)率為10.7%，而使用手機(jī)在線旅行預(yù)訂的網(wǎng)民比例由33.9%提升至35.4%。[6]

總之，互聯(lián)網(wǎng)已在過去的20年中徹底改變了旅行行業(yè)，這種改變?cè)诤艽蟪潭壬蠚w因于產(chǎn)品預(yù)訂的便利性，以及對(duì)于無形產(chǎn)品信息橋梁的搭建，這些因素在任何時(shí)候都是十分重要的。雖然OTAs的出現(xiàn)對(duì)于顧客來講有諸多好處，但它對(duì)于企業(yè)和RM實(shí)踐者的意義卻更大，筆者接下來將主要論述顧客預(yù)訂行為的演進(jìn)及其對(duì)大數(shù)據(jù)環(huán)境下RM需求預(yù)測(cè)的影響。

二、顧客預(yù)訂行為的演進(jìn)及其影響

(一)顧客預(yù)訂行為的演進(jìn)

隨著互聯(lián)網(wǎng)越來越多地被普通顧客所使用，顧客預(yù)訂行為的改變是不可逆轉(zhuǎn)的趨勢(shì)。新技術(shù)彌補(bǔ)了以往顧客預(yù)訂效率方面的不足，新的顧客預(yù)訂方式也應(yīng)運(yùn)而生。在線旅游服務(wù)平臺(tái)為RM應(yīng)用行業(yè)提供了另一種選擇，即以額外曝光產(chǎn)品價(jià)格和存量信息的方式來銷售一些比較棘手的庫(kù)存，將以前只為少數(shù)機(jī)構(gòu)掌握的產(chǎn)品信息直接提供給終端顧客，后者通過電話或者電腦、手機(jī)等方式可直接預(yù)訂和付款，顧客預(yù)訂用時(shí)大為縮減，交易效率則大幅度提升。

同時(shí)，OTAs以透明的方式為顧客提供了產(chǎn)品價(jià)格、存量可用性以及它們隨時(shí)間動(dòng)態(tài)變化的信息，這造成了顧客在預(yù)訂時(shí)間上與面對(duì)傳統(tǒng)旅行代理商時(shí)有很大的不同。顧客通過對(duì)價(jià)格波動(dòng)的判斷來確定最佳購(gòu)買時(shí)機(jī)，當(dāng)對(duì)旅行產(chǎn)品進(jìn)行評(píng)估的時(shí)候，他們既可以預(yù)訂一個(gè)產(chǎn)品，也可以選擇等待合適的價(jià)格而繼續(xù)搜索，甚至能夠通過搜索而預(yù)訂競(jìng)爭(zhēng)對(duì)手的產(chǎn)品，這就最終形成了一套交易尋求文化(deal-seeking culture)，這是顧客實(shí)用(utilitarian)和享樂(hedonic)動(dòng)機(jī)共同驅(qū)動(dòng)的結(jié)果[7]，即“策略型顧客(strategic customer)”所表現(xiàn)出來的“跨期替代行為(inter-temporal substitution behavior)”[8]。

(二)對(duì)收益管理需求預(yù)測(cè)的影響

在基于各細(xì)分市場(chǎng)顧客支付意愿來制定價(jià)格決策的前提下，RMS的成功與否取決于預(yù)測(cè)的好壞。一般來講，一個(gè)好的預(yù)測(cè)系統(tǒng)會(huì)同時(shí)利用當(dāng)期(短期)和歷史(長(zhǎng)期)數(shù)據(jù)。顧客預(yù)訂行為的改變對(duì)傳統(tǒng)RM造成了顯著的負(fù)面效應(yīng)，因?yàn)镺TAs網(wǎng)站和智能手機(jī)APP允許顧客進(jìn)行搜索和等待，直到旅行日期到來當(dāng)天再進(jìn)行購(gòu)買，這嚴(yán)重阻礙了傳統(tǒng)RM的定價(jià)結(jié)構(gòu)，導(dǎo)致旅行服務(wù)產(chǎn)品價(jià)值誤判，購(gòu)買行為在很大程度上不是由產(chǎn)品屬性所決定，而是價(jià)格；同時(shí)，低需求時(shí)期的價(jià)格很可能被拉低，以匹配較低價(jià)值的產(chǎn)品。由于現(xiàn)在的休閑顧客有能力推遲預(yù)訂，這使得預(yù)售時(shí)間窗縮短，需求開始變得十分不確定，定價(jià)決策也變得復(fù)雜。

有很多因素會(huì)影響顧客的選擇，比如提前期時(shí)間、搜索成本、對(duì)售罄風(fēng)險(xiǎn)的預(yù)期、未來折扣價(jià)格的概率、以及取消預(yù)訂的懲罰等等。[9]-[10]因此，在RM需求預(yù)測(cè)過程中有必要對(duì)影響顧客預(yù)訂行為的各種因素進(jìn)行考慮。同時(shí)，上述交易尋求文化造成了短期需求數(shù)據(jù)的可用性與過去有本質(zhì)的不同，由于缺乏顧客當(dāng)期的預(yù)訂信息，在過去具有穩(wěn)健表現(xiàn)的傳統(tǒng)方法可能會(huì)低估需求水平，預(yù)測(cè)效果會(huì)因此受到影響，并給使用或基于這些方法的組合預(yù)測(cè)技術(shù)帶來了計(jì)算誤差。[11]

三、大數(shù)據(jù)收益管理需求預(yù)測(cè)所面臨的挑戰(zhàn)

(一)大數(shù)據(jù)收益管理需求預(yù)測(cè)

RMS中傳統(tǒng)的動(dòng)態(tài)定價(jià)、存量控制和超售等策略的實(shí)施質(zhì)量依賴于準(zhǔn)確的需求預(yù)測(cè)，雖然已有學(xué)者針對(duì)無完備需求預(yù)測(cè)信息下的魯棒優(yōu)化策略進(jìn)行了研究[12]，但預(yù)測(cè)仍然是RMS中不可缺少的重要組成部分。傳統(tǒng)的RMS站在目標(biāo)細(xì)分市場(chǎng)的角度對(duì)產(chǎn)品剩余存量和需求預(yù)測(cè)值進(jìn)行對(duì)比，并依靠預(yù)測(cè)的需求值和評(píng)估計(jì)算得到的概率值來進(jìn)行決策。傳統(tǒng)的RM需求預(yù)測(cè)涉及到多種因素，如表1所示；同時(shí)，要在RMS中獲得理想的預(yù)測(cè)結(jié)果，需要在進(jìn)行預(yù)測(cè)以前確定和解決一系列問題，如表2所示。另外，RM需求預(yù)測(cè)還需考慮O-D (origin-destination)網(wǎng)絡(luò)預(yù)測(cè)、預(yù)測(cè)過程中的人工調(diào)整以及低票價(jià)限制環(huán)境(less-restricted fare environments)中的混合預(yù)測(cè)等問題。[3]212-221

表1 傳統(tǒng)RM需求預(yù)測(cè)所考慮的因素[13]

表2 傳統(tǒng)RMS需求預(yù)測(cè)所涉及的問題[14]-[15]

除了需要考慮和解決上述因素與問題外，基于大數(shù)據(jù)的RM需求預(yù)測(cè)關(guān)鍵在于從外部數(shù)據(jù)源中獲取顧客的短期預(yù)訂信息，結(jié)合公司內(nèi)部數(shù)據(jù)源實(shí)現(xiàn)對(duì)有關(guān)顧客需求信息的實(shí)時(shí)和動(dòng)態(tài)訪問。這些信息是由與預(yù)訂直接或間接相關(guān)的在線活動(dòng)組成的，通過與其他潛在的未來顧客預(yù)訂請(qǐng)求信息相結(jié)合，大數(shù)據(jù)就有可能支持即時(shí)需求預(yù)測(cè)。當(dāng)具有對(duì)每位顧客的真實(shí)需求、偏好和支付意愿進(jìn)行即時(shí)評(píng)估能力的時(shí)候，真實(shí)的目標(biāo)和最有效的優(yōu)化策略就能夠達(dá)成。這可用經(jīng)濟(jì)理論來解釋，即大數(shù)據(jù)將支持淘汰目前行業(yè)中普遍應(yīng)用的、低效率的三級(jí)價(jià)格歧視模型(third-degree price discrimination model)，并轉(zhuǎn)變到使用一級(jí)價(jià)格歧視模型(first-degree price discrimination model)或完全價(jià)格歧視模型，公司能夠依靠后者獲取絕大多數(shù)的消費(fèi)者剩余。[16]

(二)面臨的挑戰(zhàn)

考慮到顧客預(yù)訂行為的演進(jìn)對(duì)短期需求數(shù)據(jù)可用性的影響，為了提高企業(yè)在大數(shù)據(jù)環(huán)境中的BI實(shí)時(shí)決策競(jìng)爭(zhēng)力，大數(shù)據(jù)RM需求預(yù)測(cè)面臨著如下四個(gè)方面的挑戰(zhàn)：

1. 基于Web數(shù)據(jù)抽取的RM需求預(yù)測(cè)

在基于互聯(lián)網(wǎng)的易逝性服務(wù)產(chǎn)品商務(wù)市場(chǎng)發(fā)展早期，顧客需求數(shù)據(jù)是可從OTAs網(wǎng)站上直接獲取的，因?yàn)榛ヂ?lián)網(wǎng)旅行公司為了促進(jìn)網(wǎng)上平臺(tái)中產(chǎn)品的銷售，開放和公開數(shù)據(jù)是符合其利益的。但現(xiàn)如今這一景象卻迅速地發(fā)生著改變，互聯(lián)網(wǎng)上的信息不再免費(fèi)，并且不再容易收集。為了跟蹤和檢查相關(guān)網(wǎng)站、相同競(jìng)爭(zhēng)集合中顧客對(duì)公司正在進(jìn)行銷售和接受預(yù)訂產(chǎn)品的短期需求信息，最簡(jiǎn)單的方式是簽訂一份基于OTAs利益而商業(yè)化運(yùn)作的API (Application Programming Interface，應(yīng)用程序編程接口)合同，公司可通過該API來訪問OTAs的網(wǎng)站引擎并獲取商業(yè)數(shù)據(jù)。另一種更為復(fù)雜的方式是通過仿真模擬旅行者的預(yù)訂行為從HTTP (Hyper Text Transfer Protocol, 超文本傳輸協(xié)議)中來獲取信息，即使用Web機(jī)器人或網(wǎng)絡(luò)爬蟲在OTAs網(wǎng)站中定期運(yùn)行，以提取到最新的顧客短期預(yù)訂更新數(shù)據(jù)。[17]

無論通過哪種Web數(shù)據(jù)抽取技術(shù)來獲取外部數(shù)據(jù)源中的需求信息，不僅所獲數(shù)據(jù)量是巨大的，而且會(huì)同時(shí)包括結(jié)構(gòu)化(structured)和非結(jié)構(gòu)化(unstructured)的數(shù)據(jù)。非結(jié)構(gòu)化的短期需求數(shù)據(jù)提供了以往從內(nèi)部數(shù)據(jù)源中無法獲取的額外競(jìng)爭(zhēng)情報(bào)，比如顧客對(duì)產(chǎn)品和服務(wù)進(jìn)行評(píng)價(jià)的文本、圖像和視頻數(shù)據(jù)，如何通過非結(jié)構(gòu)化短期需求信息來與真實(shí)的歷史顧客需求建立聯(lián)系，以及如何通過情感分析或意見挖掘技術(shù)判斷顧客的積極和消極觀點(diǎn)對(duì)最終預(yù)訂行為的影響，并在此基礎(chǔ)上結(jié)合人工智能算法進(jìn)行實(shí)時(shí)的需求預(yù)測(cè)，這些都是大數(shù)據(jù)RM今后的發(fā)展趨勢(shì)。

2. 基于顧客查詢數(shù)據(jù)的RM需求預(yù)測(cè)

RM實(shí)踐公司除了通過Web數(shù)據(jù)抽取方法從外部數(shù)據(jù)源中獲取顧客短期需求信息，也能夠以直接購(gòu)買等方式從第三方大數(shù)據(jù)提供商獲取GDS和CRS中的顧客查詢?nèi)罩尽Ｒ延醒芯勘砻?，上述顧客查詢?nèi)罩緮?shù)據(jù)相較于內(nèi)部數(shù)據(jù)源中的實(shí)時(shí)客流數(shù)據(jù)更具預(yù)知性，對(duì)比歷史客運(yùn)數(shù)據(jù)，它們的敏感性和準(zhǔn)確性更高[18]，這為實(shí)時(shí)的大數(shù)據(jù)RM需求預(yù)測(cè)創(chuàng)造了條件。因此，有必要結(jié)合顧客選擇模型探索基于顧客查詢?nèi)罩緮?shù)據(jù)的需求預(yù)測(cè)方法，在充分考慮顧客選擇行為的基礎(chǔ)上提高即時(shí)預(yù)測(cè)的速度和精度。

3. 基于網(wǎng)絡(luò)搜索數(shù)據(jù)的RM需求預(yù)測(cè)

如果無法采用Web數(shù)據(jù)抽取和購(gòu)買顧客查詢?nèi)罩镜确椒▉慝@取顧客短期需求信息，基于在線環(huán)境的網(wǎng)絡(luò)搜索數(shù)據(jù)也將有利于RMS對(duì)實(shí)際需求和無約束需求(unconstrained demand)的預(yù)測(cè)，比如谷歌趨勢(shì)(Google Trends)和百度指數(shù)。Pan[19]等、Yang[20]-[21]等、Bangwayo-Skeete和Skeete[22]、馬麗君等[23]、龍茂興等[24]、黃先開等[25]、王煉等[26]、陳濤等[27]的研究均驗(yàn)證了網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)旅游需求量時(shí)空動(dòng)態(tài)變化的解釋能力。但是，現(xiàn)有的研究?jī)H在針對(duì)社會(huì)經(jīng)濟(jì)活動(dòng)的預(yù)測(cè)模型和方法中開展了網(wǎng)絡(luò)搜索數(shù)據(jù)研究，并未站在RM需求預(yù)測(cè)的角度考慮問題和建模，比如未涉及顧客網(wǎng)絡(luò)搜索數(shù)據(jù)與歷史無約束需求量之間的相關(guān)關(guān)系，而后者是任何形式RM需求預(yù)測(cè)的數(shù)據(jù)基礎(chǔ)。[2]222-228因此，有必要利用這些數(shù)據(jù)建立針對(duì)RM的預(yù)測(cè)模型。

4. 基于行業(yè)網(wǎng)絡(luò)營(yíng)銷大數(shù)據(jù)的RM需求預(yù)測(cè)

除了傳統(tǒng)的航空客運(yùn)、酒店業(yè)和汽車租賃行業(yè)外，RM的應(yīng)用還涉及到鐵路客運(yùn)和運(yùn)輸、空運(yùn)、貨運(yùn)、班輪運(yùn)輸以及互聯(lián)網(wǎng)服務(wù)和零售等行業(yè)。在大數(shù)據(jù)時(shí)代背景下，各行業(yè)開始重視使用大數(shù)據(jù)深入開展精準(zhǔn)化、個(gè)性化營(yíng)銷，通過對(duì)大數(shù)據(jù)的整合，可以實(shí)現(xiàn)跨平臺(tái)、跨終端的廣告推送。如顧客可以借助PC、智能手機(jī)、平板電腦、穿戴式設(shè)備和互聯(lián)網(wǎng)電視等終端設(shè)備，訪問和接收來自于搜索引擎、社交網(wǎng)絡(luò)、電商和門戶網(wǎng)站、微博和視頻網(wǎng)站等渠道的營(yíng)銷信息。在此情況下，需要在RM需求預(yù)測(cè)機(jī)制和方法創(chuàng)新中考慮對(duì)這類即時(shí)大數(shù)據(jù)營(yíng)銷需求數(shù)據(jù)的抽取、整合、存儲(chǔ)和更新。

四、結(jié)論

RM理論和方法的應(yīng)用環(huán)境已在過去二十年間發(fā)生了巨大變化，RM從業(yè)者的工作比以往任何時(shí)候都更具挑戰(zhàn)性，因?yàn)镺TAs的出現(xiàn)為旅行者通過透明的產(chǎn)品價(jià)格不斷尋求交易提供了平臺(tái)。隨著大數(shù)據(jù)時(shí)代旅行服務(wù)行業(yè)的營(yíng)銷模式、平臺(tái)、終端和技術(shù)的不斷發(fā)展，顧客預(yù)訂行為也將持續(xù)地發(fā)生改變，RM策略也將被迫作出調(diào)整。為了精確地實(shí)施和開展大數(shù)據(jù)RM即時(shí)需求預(yù)測(cè)工作，需要更好地了解顧客預(yù)訂行為，研究的重點(diǎn)應(yīng)放在如何將顧客短期預(yù)訂需求數(shù)據(jù)整合到預(yù)測(cè)的整個(gè)過程當(dāng)中，比如基于Web數(shù)據(jù)抽取、顧客查詢和搜索數(shù)據(jù)以及行業(yè)網(wǎng)絡(luò)營(yíng)銷大數(shù)據(jù)的RM需求預(yù)測(cè)。大數(shù)據(jù)技術(shù)的發(fā)展和應(yīng)用將有可能跟蹤顧客預(yù)訂行為和支付意愿，公司對(duì)這些行為的識(shí)別將有助于真正提高預(yù)測(cè)精度并優(yōu)化收入，從而更好地了解他們的顧客。總之，大數(shù)據(jù)時(shí)代顧客預(yù)訂行為的演變對(duì)RM研究領(lǐng)域造成了持續(xù)的影響，并會(huì)不斷地為需求預(yù)測(cè)帶來新的挑戰(zhàn)和機(jī)遇。正因?yàn)槿绱?，相信大?shù)據(jù)RM需求預(yù)測(cè)在長(zhǎng)久的未來都將會(huì)是富有成果的研究領(lǐng)域。

[1]Cross R G. Revenue Management: Hard-Core Tactics for Market Domination [M]. Cassel, New York, NY, 1997: 50-86.

[2]Weatherford L. The history of unconstraining models in revenue management [J]. Journal of Revenue and Pricing Management, 2016, 15(3): 222-228.

[3]Weatherford L. The history of forecasting models in revenue management [J]. Journal of Revenue and Pricing Management, 2016, 15(3): 212-221.

[4]勁旅網(wǎng). 勁旅咨詢：2015年中國(guó)旅行社市場(chǎng)在線滲透率為20.1% [EB/OL]. (2016-02-04) [2016-10-31] http://www.ctcnn.com/html/2016-02-04/15569314.html.

[5]艾瑞咨詢. 2016年中國(guó)在線旅游行業(yè)監(jiān)測(cè)報(bào)告[EB/OL]. (2016-05-10) [2016-10-31] http://www.iresearch.com.cn/report/2585.html.

[6]中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心. 第38次中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告[EB/OL]. (2016-08-03) [2016-10-31] http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201608/t20160803_54392.htm.

[7]Schwartz Z, Chen C C. Hedonic motivations and the effectiveness of risk perceptions - Oriented revenue management policies [J]. Journal of Hospitality and Tourism Research, 2012, 36(2): 232-250.

[8]Shen Z J M, Su X. Customer behavior modeling in revenue management and auctions: A review and new research opportunities [J]. Production and Operations Management, 2007, 16(6): 713-728.

[9]Schwartz Z. Advanced booking and revenue management: Room rates and the consumers’ strategic zones [J]. International Journal of Hospitality Management, 2006, 25(3): 447-462.

[10]Schwartz Z. Time, price, and advanced booking of hotel rooms [J]. International Journal of Hospitality & Tourism Administration, 2008, 9(2): 128-146.

[11]Webb T. From travel agents to OTAs: How the evolution of consumer booking behavior has affected revenue management [J]. Journal of Revenue and Pricing Management, 2016, 15(3): 276-282.

[12]Gabrel V, Murat C, Thiele A. Recent advances in robust optimization: An overview [J]. European Journal of Operational Research, 2014, 235(3): 471-483.

[13]McGill J I, van Ryzin G J. Revenue management: Research overview and prospects [J]. Transportation Science, 1999, 33(2): 233-256.

[14]Weatherford L R, Kimes S E, Scott D A. Forecasting for hotel revenue management: Testing aggregation against disaggregation [J]. The Cornell Hotel and Restaurant Administration Quarterly, 2001, 42(4): 53-64.

[15]Weatherford L R, Kimes S E. A comparison of forecasting methods for hotel revenue management [J]. International Journal of Forecasting, 2003, 19(3): 401-415.

[16]Xuan L W, Heo C Y, Schwartz Z, et al. Revenue management: Progress, challenges, and research prospects [J]. Journal of Travel & Tourism Marketing, 2015, 32(7):797-811.

[17]Ferrara E, De Meo P, Fiumara G, et al. Web data extraction, applications and techniques: A survey [J]. Knowledge-based Systems, 2014, 70: 301-323.

[18]周岳騫. 面向民航需求建模的用戶查詢?nèi)罩敬髷?shù)據(jù)分析方法研究與實(shí)現(xiàn)[D]. 北京: 北京交通大學(xué), 2016.

[19]Pan B, Chenguang Wu D, Song H. Forecasting hotel room demand using search engine data [J]. Journal of Hospitality and Tourism Technology, 2012, 3(3): 196-210.

[20]Yang Y, Pan B, Song H. Predicting hotel demand using destination marketing organization’s web traffic data [J]. Journal of Travel Research, 2014, 53(4): 433-447.

[21]Yang X, Pan B, Evans J A, et al. Forecasting chinese tourist volume with search engine Data [J]. Tourism Management, 2015, 46(2015): 386-397.

[22]Bangwayo-Skeete P F, Skeete R W. Can Google Data improve the forecastingperformance of tourist arrivals? mixed-data sampling approach [J]. Tourism Management, 2015, 46(2015): 454-464.

[23]馬麗君, 孫根年, 黃云瑪, 等. 城市國(guó)內(nèi)客流量與游客網(wǎng)絡(luò)關(guān)注度時(shí)空相關(guān)分析[J]. 經(jīng)濟(jì)地理, 2011, 31(4): 680-685.

[24]龍茂興, 孫根年, 馬麗君, 等. 區(qū)域旅游網(wǎng)絡(luò)關(guān)注度與客流量時(shí)空動(dòng)態(tài)比較分析——以四川為例[J]. 地域研究與開發(fā), 2011, 30(3): 93-97.

[25]黃先開, 張麗峰, 丁于思. 百度指數(shù)與景區(qū)游客量的關(guān)系及預(yù)測(cè)研究——以北京故宮為例[J]. 旅游學(xué)刊, 2013, 28(11): 93-100.

[26]王煉, 賈建民. 基于網(wǎng)絡(luò)信息搜索的旅游需求預(yù)測(cè)——來自黃金周的證據(jù)[J]. 系統(tǒng)管理學(xué)報(bào), 2014, 23(3): 362-368.

[27]陳濤, 劉慶龍. 智慧旅游背景下的大數(shù)據(jù)應(yīng)用研究: 以旅游需求預(yù)測(cè)為例 [J]. 電子政務(wù), 2015, 153(9): 6-13.

[責(zé)任編輯 何志玉]

Demand Forecasting for Big Data Revenue Management in the Evolution of Customer Booking Behavior

GUO Peng

(School of Economics and Management, Guiyang University, Guiyang 550005, Guizhou, China)

The emergence of online travel agencies has changed the way and the time of customer booking products substantially, which also has had great effects on the availability of short-term booking data. In order to accurately implement instant demand forecasting of big data revenue management under the background of Internet plus tourism, it is necessary to integrate instant demand forecasting of revenue management with short-term booking big data, which based on Web data extraction, customer query and search, as well as network marketing of industries, from the external data sources. At first, this paper analyzes the evolution of customer booking behavior and its impact on revenue management demand forecasting and then discusses the challenges of the development and application of the business intelligence mentioned above.

revenue management; demand forecasting; customer booking behavior; big data; online travel agencies

2016-11-02

國(guó)家社科基金一般項(xiàng)目：“網(wǎng)絡(luò)環(huán)境下的收益管理魯棒無約束估計(jì)方法研究”(項(xiàng)目編號(hào)：15BGL198)；貴州省教育廳高校人文社會(huì)科學(xué)研究自籌項(xiàng)目：“大數(shù)據(jù)背景下基于乘客實(shí)名記錄的航空客運(yùn)收益管理網(wǎng)絡(luò)無約束估計(jì)方法研究”(項(xiàng)目編號(hào)：2016ZC021)階段性成果。

郭 鵬(1984-)，男，四川宜賓人，貴陽(yáng)學(xué)院講師、博士。主要研究方向：收益管理，需求無約束估計(jì)和預(yù)測(cè)。

C931

A

1673-6133(2016)06-0030-05