顧客預訂行為演進中的大數據收益管理需求預測

郭 鵬

(貴陽學院 經濟管理學院，貴州 貴陽 550005)

顧客預訂行為演進中的大數據收益管理需求預測

郭 鵬

(貴陽學院 經濟管理學院，貴州 貴陽 550005)

在線旅行社的出現讓顧客預訂產品的方式和時間發生了巨大轉變，造成顧客短期預訂數據的可用性受到較大影響。為了在“互聯網+旅游”背景下精確實施大數據收益管理即時需求預測，需要將來自于外部數據源中基于Web數據抽取、顧客查詢與搜索、以及行業網絡營銷的短期預訂大數據同收益管理即時需求預測相整合。通過分析顧客預訂行為演進及其對收益管理需求預測影響的基礎上，對上述商務智能開發和應用過程中所面臨的挑戰進行了探討。

收益管理；需求預測；顧客預訂行為；大數據；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和計算機技術在現代服務行業實際應用中最為成功的研究領域之一，作為運籌學(Operations Research, OR)中快速發展的重要分支，RM在對微觀市場層面顧客需求進行預測的基礎上，通過優化產品的存量可用性和價格來制定精細化的定價和營銷策略，并最終達到最大化公司收入的目的。[1]自從RM誕生以來，需求預測為更復雜的數學優化模型輸入了無約束需求數據(unconstrained demand data)[2]222-228，它既包括對顧客預訂需求的預測，又包括對顧客no-show率的預測；同時，在收益管理系統(Revenue Management System, RMS)實施過程中，它是確定產品訂購限制(booking limits)數量、定價策略(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產品中所獲得的利潤。

RM需求預測方法從產生到發展至今已有58年的歷史(1958年～2016年)，包括增量法(pickup, PU)、指數平滑(exponential smoothing, ES)、移動平均(moving average, MA)、自回歸積分移動平均模型(autoregressive integrated moving average model, ARIMA)、線性回歸(linear regression, LR)、對數線性回歸、多元回歸、神經網絡(neural networks)、小波分析、主成分分析(principal component analysis)、自適應模型(adaptive model)、顧客選擇行為模型(passenger choice model)、Q-forecasting、以及混合預測(hybrid forecasting, HF)和票價調節(fare adjustment, FA)等啟發式方法，涉及到航空客運、酒店、汽車租賃、游輪和鐵路客運等行業，Weatherford[3]212-111對其研究作了詳細的文獻綜述。

近年來，隨著國內外在線旅行社(Online Travel Agencies, OTAs)的快速發展，相較于數年前需要通過旅行社代理商(travel agents)來完成旅行服務產品預訂的整個過程，如今的顧客越來越多地選擇通過互聯網對服務產品進行預訂。網上預訂的便捷性對傳統的顧客預訂行為造成了巨大沖擊，其變化主要表現在兩方面：預訂方式和預訂時間。這些變化不能被低估，因為對顧客預訂行為信息的準確掌握直接決定了RM需求預測方法的實施效果，從而影響企業在整個市場環境中的競爭力。為了取得更高的預測精度，公司不僅需要將內部數據源中的顧客需求信息作為預測模型的數據輸入，更至關重要的是收集來自于競爭對手的短期商業情報，即顧客對競爭者產品的短期預訂選擇行為和相關當期總需求量等信息，這已直接關系到整個RMS的實施成敗。

在大數據時代背景下，考慮到RMS需求預測需要即時、準確地對外部市場環境作出反映，而現有的RM需求預測方法均是基于公司內部數據源中的歷史顧客需求信息而建立，不符合“互聯網+旅游”背景下旅游服務行業的應用要求，有必要考慮基于外部數據源短期競爭情報的需求預測方法的開發和應用。為此，筆者首先討論了OTAs發展的歷史，以及它們對顧客預訂行為和RM需求預測的影響，在此基礎上，對大數據RM需求知識挖掘、以及需求預測商務智能(Business Intelligence, BI)開發應用過程中所面臨的挑戰進行了探討。

一、在線旅行社的出現與發展

上世紀九十年代末以前，顧客預訂方式主要表現為面對面、或者依靠旅行社代理商來完成。顧客在當時還缺乏相應的技術、信息和提前預訂的能力，旅行社的出現填補了這三方面的能力空缺，并使得旅行更加的容易。雖然改進了預訂效率，但在缺乏產品可用性和價格等信息的情況下，休閑顧客通常選擇提前預訂；同時，由于商務環境等原因，商務顧客往往臨近出發或入住前才展開預訂。預訂時間上的不同為公司制定產品定價和RM策略提供了機會?，F如今，諸如航空客運、酒店、旅行代理商及其合作伙伴等服務業均通過互聯網來推銷他們各自的產品，互聯網成為一種全球性的玻璃櫥窗。如各種全球分銷系統(global distribution systems, GDS)、中央預訂系統(central reservation systems, CRS)和OTAs的經營者，他們在其專屬網站上能提供被用于公開收集的可用信息，生成大量可被BI所用的數據，并且可將相似產品的各種報價以直觀的方式提供可視化呈現和比較。

OTAs的發展興起于上世紀九十年代中期，具有代表性的是微軟公司于1996年在美國推出Expedia①，并于1997年在歐洲成立Priceline②，緊接著，國內的攜程旅行網③于1999年在上海創立，去哪兒網④總部2005年設立于北京。這些網站在運營初期就允許顧客對旅行產品進行在線購買，避免了直接以面對面、或依靠旅行社的方式預訂產品。除此之外，旅游大數據平臺的搭建為新的在線旅游服務平臺的建設創造了條件，并催生出了各種旅游服務新模式，如攜程網投資組建眾薈⑤，前者除扮演OTAs外又多了一個新角色——大數據提供商；同時，阿里旅行·去?、薜摹拔磥砭频辍睉鹇裕渲械摹靶庞米　本频觐A訂服務模式則被看作是大數據提供商對傳統OTAs的挑戰。

雖然發展相對比較緩慢，但由于獲取信息的便利性、價格的透明以及通過各種可選項進行搜索的能力，這些都推動OTAs成為了旅行相關活動的優勢資源。自從OTAs出現以來，隨著對傳統旅行社依賴的下降，旅行行業從業者普遍認為互聯網將在未來的旅游市場中扮演重要的角色，而這一預測早已成為現實。現如今，OTAs在旅行服務行業中所扮演的角色幾乎與RM相當，勁旅咨詢[4]和艾瑞咨詢[5]在針對中國在線旅游服務商的市場發展研究報告中公布的數據分別顯示，2015年中國OTAs市場交易規模達4672億元，同比增長39.9%，其中攜程旅行網和去哪兒網分別占整個OTAs市場總交易額的比例為36.8%和28.7%，兩家的交易額之和占中國整個OTAs市場交易規模超過六成的市場份額。同時，CNNIC于2016年7月發布的《第38次中國互聯網絡發展狀況統計報告》顯示，截至2016年6月，網上預訂旅行服務產品的網民規模達到2.64億，較2015年底增長406萬人，增長率為1.6%，其中預訂火車票、機票、酒店和旅游度假產品的網民分別占比28.9%、14.4%、15.5%和6.1%；同時，手機網民規模達到2.32億，較2015年底增長2236萬人，增長率為10.7%，而使用手機在線旅行預訂的網民比例由33.9%提升至35.4%。[6]

總之，互聯網已在過去的20年中徹底改變了旅行行業，這種改變在很大程度上歸因于產品預訂的便利性，以及對于無形產品信息橋梁的搭建，這些因素在任何時候都是十分重要的。雖然OTAs的出現對于顧客來講有諸多好處，但它對于企業和RM實踐者的意義卻更大，筆者接下來將主要論述顧客預訂行為的演進及其對大數據環境下RM需求預測的影響。

二、顧客預訂行為的演進及其影響

(一)顧客預訂行為的演進

隨著互聯網越來越多地被普通顧客所使用，顧客預訂行為的改變是不可逆轉的趨勢。新技術彌補了以往顧客預訂效率方面的不足，新的顧客預訂方式也應運而生。在線旅游服務平臺為RM應用行業提供了另一種選擇，即以額外曝光產品價格和存量信息的方式來銷售一些比較棘手的庫存，將以前只為少數機構掌握的產品信息直接提供給終端顧客，后者通過電話或者電腦、手機等方式可直接預訂和付款，顧客預訂用時大為縮減，交易效率則大幅度提升。

同時，OTAs以透明的方式為顧客提供了產品價格、存量可用性以及它們隨時間動態變化的信息，這造成了顧客在預訂時間上與面對傳統旅行代理商時有很大的不同。顧客通過對價格波動的判斷來確定最佳購買時機，當對旅行產品進行評估的時候，他們既可以預訂一個產品，也可以選擇等待合適的價格而繼續搜索，甚至能夠通過搜索而預訂競爭對手的產品，這就最終形成了一套交易尋求文化(deal-seeking culture)，這是顧客實用(utilitarian)和享樂(hedonic)動機共同驅動的結果[7]，即“策略型顧客(strategic customer)”所表現出來的“跨期替代行為(inter-temporal substitution behavior)”[8]。

(二)對收益管理需求預測的影響

在基于各細分市場顧客支付意愿來制定價格決策的前提下，RMS的成功與否取決于預測的好壞。一般來講，一個好的預測系統會同時利用當期(短期)和歷史(長期)數據。顧客預訂行為的改變對傳統RM造成了顯著的負面效應，因為OTAs網站和智能手機APP允許顧客進行搜索和等待，直到旅行日期到來當天再進行購買，這嚴重阻礙了傳統RM的定價結構，導致旅行服務產品價值誤判，購買行為在很大程度上不是由產品屬性所決定，而是價格；同時，低需求時期的價格很可能被拉低，以匹配較低價值的產品。由于現在的休閑顧客有能力推遲預訂，這使得預售時間窗縮短，需求開始變得十分不確定，定價決策也變得復雜。

有很多因素會影響顧客的選擇，比如提前期時間、搜索成本、對售罄風險的預期、未來折扣價格的概率、以及取消預訂的懲罰等等。[9]-[10]因此，在RM需求預測過程中有必要對影響顧客預訂行為的各種因素進行考慮。同時，上述交易尋求文化造成了短期需求數據的可用性與過去有本質的不同，由于缺乏顧客當期的預訂信息，在過去具有穩健表現的傳統方法可能會低估需求水平，預測效果會因此受到影響，并給使用或基于這些方法的組合預測技術帶來了計算誤差。[11]

三、大數據收益管理需求預測所面臨的挑戰

(一)大數據收益管理需求預測

RMS中傳統的動態定價、存量控制和超售等策略的實施質量依賴于準確的需求預測，雖然已有學者針對無完備需求預測信息下的魯棒優化策略進行了研究[12]，但預測仍然是RMS中不可缺少的重要組成部分。傳統的RMS站在目標細分市場的角度對產品剩余存量和需求預測值進行對比，并依靠預測的需求值和評估計算得到的概率值來進行決策。傳統的RM需求預測涉及到多種因素，如表1所示；同時，要在RMS中獲得理想的預測結果，需要在進行預測以前確定和解決一系列問題，如表2所示。另外，RM需求預測還需考慮O-D (origin-destination)網絡預測、預測過程中的人工調整以及低票價限制環境(less-restricted fare environments)中的混合預測等問題。[3]212-221

表1 傳統RM需求預測所考慮的因素[13]

表2 傳統RMS需求預測所涉及的問題[14]-[15]

除了需要考慮和解決上述因素與問題外，基于大數據的RM需求預測關鍵在于從外部數據源中獲取顧客的短期預訂信息，結合公司內部數據源實現對有關顧客需求信息的實時和動態訪問。這些信息是由與預訂直接或間接相關的在線活動組成的，通過與其他潛在的未來顧客預訂請求信息相結合，大數據就有可能支持即時需求預測。當具有對每位顧客的真實需求、偏好和支付意愿進行即時評估能力的時候，真實的目標和最有效的優化策略就能夠達成。這可用經濟理論來解釋，即大數據將支持淘汰目前行業中普遍應用的、低效率的三級價格歧視模型(third-degree price discrimination model)，并轉變到使用一級價格歧視模型(first-degree price discrimination model)或完全價格歧視模型，公司能夠依靠后者獲取絕大多數的消費者剩余。[16]

(二)面臨的挑戰

考慮到顧客預訂行為的演進對短期需求數據可用性的影響，為了提高企業在大數據環境中的BI實時決策競爭力，大數據RM需求預測面臨著如下四個方面的挑戰：

1. 基于Web數據抽取的RM需求預測

在基于互聯網的易逝性服務產品商務市場發展早期，顧客需求數據是可從OTAs網站上直接獲取的，因為互聯網旅行公司為了促進網上平臺中產品的銷售，開放和公開數據是符合其利益的。但現如今這一景象卻迅速地發生著改變，互聯網上的信息不再免費，并且不再容易收集。為了跟蹤和檢查相關網站、相同競爭集合中顧客對公司正在進行銷售和接受預訂產品的短期需求信息，最簡單的方式是簽訂一份基于OTAs利益而商業化運作的API (Application Programming Interface，應用程序編程接口)合同，公司可通過該API來訪問OTAs的網站引擎并獲取商業數據。另一種更為復雜的方式是通過仿真模擬旅行者的預訂行為從HTTP (Hyper Text Transfer Protocol, 超文本傳輸協議)中來獲取信息，即使用Web機器人或網絡爬蟲在OTAs網站中定期運行，以提取到最新的顧客短期預訂更新數據。[17]

無論通過哪種Web數據抽取技術來獲取外部數據源中的需求信息，不僅所獲數據量是巨大的，而且會同時包括結構化(structured)和非結構化(unstructured)的數據。非結構化的短期需求數據提供了以往從內部數據源中無法獲取的額外競爭情報，比如顧客對產品和服務進行評價的文本、圖像和視頻數據，如何通過非結構化短期需求信息來與真實的歷史顧客需求建立聯系，以及如何通過情感分析或意見挖掘技術判斷顧客的積極和消極觀點對最終預訂行為的影響，并在此基礎上結合人工智能算法進行實時的需求預測，這些都是大數據RM今后的發展趨勢。

2. 基于顧客查詢數據的RM需求預測

RM實踐公司除了通過Web數據抽取方法從外部數據源中獲取顧客短期需求信息，也能夠以直接購買等方式從第三方大數據提供商獲取GDS和CRS中的顧客查詢日志。已有研究表明，上述顧客查詢日志數據相較于內部數據源中的實時客流數據更具預知性，對比歷史客運數據，它們的敏感性和準確性更高[18]，這為實時的大數據RM需求預測創造了條件。因此，有必要結合顧客選擇模型探索基于顧客查詢日志數據的需求預測方法，在充分考慮顧客選擇行為的基礎上提高即時預測的速度和精度。

3. 基于網絡搜索數據的RM需求預測

如果無法采用Web數據抽取和購買顧客查詢日志等方法來獲取顧客短期需求信息，基于在線環境的網絡搜索數據也將有利于RMS對實際需求和無約束需求(unconstrained demand)的預測，比如谷歌趨勢(Google Trends)和百度指數。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]的研究均驗證了網絡搜索數據對旅游需求量時空動態變化的解釋能力。但是，現有的研究僅在針對社會經濟活動的預測模型和方法中開展了網絡搜索數據研究，并未站在RM需求預測的角度考慮問題和建模，比如未涉及顧客網絡搜索數據與歷史無約束需求量之間的相關關系，而后者是任何形式RM需求預測的數據基礎。[2]222-228因此，有必要利用這些數據建立針對RM的預測模型。

4. 基于行業網絡營銷大數據的RM需求預測

除了傳統的航空客運、酒店業和汽車租賃行業外，RM的應用還涉及到鐵路客運和運輸、空運、貨運、班輪運輸以及互聯網服務和零售等行業。在大數據時代背景下，各行業開始重視使用大數據深入開展精準化、個性化營銷，通過對大數據的整合，可以實現跨平臺、跨終端的廣告推送。如顧客可以借助PC、智能手機、平板電腦、穿戴式設備和互聯網電視等終端設備，訪問和接收來自于搜索引擎、社交網絡、電商和門戶網站、微博和視頻網站等渠道的營銷信息。在此情況下，需要在RM需求預測機制和方法創新中考慮對這類即時大數據營銷需求數據的抽取、整合、存儲和更新。

四、結論

RM理論和方法的應用環境已在過去二十年間發生了巨大變化，RM從業者的工作比以往任何時候都更具挑戰性，因為OTAs的出現為旅行者通過透明的產品價格不斷尋求交易提供了平臺。隨著大數據時代旅行服務行業的營銷模式、平臺、終端和技術的不斷發展，顧客預訂行為也將持續地發生改變，RM策略也將被迫作出調整。為了精確地實施和開展大數據RM即時需求預測工作，需要更好地了解顧客預訂行為，研究的重點應放在如何將顧客短期預訂需求數據整合到預測的整個過程當中，比如基于Web數據抽取、顧客查詢和搜索數據以及行業網絡營銷大數據的RM需求預測。大數據技術的發展和應用將有可能跟蹤顧客預訂行為和支付意愿，公司對這些行為的識別將有助于真正提高預測精度并優化收入，從而更好地了解他們的顧客?？傊?，大數據時代顧客預訂行為的演變對RM研究領域造成了持續的影響，并會不斷地為需求預測帶來新的挑戰和機遇。正因為如此，相信大數據RM需求預測在長久的未來都將會是富有成果的研究領域。

[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. 勁旅咨詢：2015年中國旅行社市場在線滲透率為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年中國在線旅游行業監測報告[EB/OL]. (2016-05-10) [2016-10-31] http://www.iresearch.com.cn/report/2585.html.

[6]中國互聯網絡信息中心. 第38次中國互聯網絡發展狀況統計報告[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日志大數據分析方法研究與實現[D]. 北京: 北京交通大學, 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. 城市國內客流量與游客網絡關注度時空相關分析[J]. 經濟地理, 2011, 31(4): 680-685.

[24]龍茂興, 孫根年, 馬麗君, 等. 區域旅游網絡關注度與客流量時空動態比較分析——以四川為例[J]. 地域研究與開發, 2011, 30(3): 93-97.

[25]黃先開, 張麗峰, 丁于思. 百度指數與景區游客量的關系及預測研究——以北京故宮為例[J]. 旅游學刊, 2013, 28(11): 93-100.

[26]王煉, 賈建民. 基于網絡信息搜索的旅游需求預測——來自黃金周的證據[J]. 系統管理學報, 2014, 23(3): 362-368.

[27]陳濤, 劉慶龍. 智慧旅游背景下的大數據應用研究: 以旅游需求預測為例 [J]. 電子政務, 2015, 153(9): 6-13.

[責任編輯 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

國家社科基金一般項目：“網絡環境下的收益管理魯棒無約束估計方法研究”(項目編號：15BGL198)；貴州省教育廳高校人文社會科學研究自籌項目：“大數據背景下基于乘客實名記錄的航空客運收益管理網絡無約束估計方法研究”(項目編號：2016ZC021)階段性成果。

郭 鵬(1984-)，男，四川宜賓人，貴陽學院講師、博士。主要研究方向：收益管理，需求無約束估計和預測。

C931

A

1673-6133(2016)06-0030-05