顾客预订行为演进中的大数据收益管理需求预测

郭 鹏

(贵阳学院 经济管理学院，贵州 贵阳 550005)

顾客预订行为演进中的大数据收益管理需求预测

郭 鹏

(贵阳学院 经济管理学院，贵州 贵阳 550005)

在线旅行社的出现让顾客预订产品的方式和时间发生了巨大转变，造成顾客短期预订数据的可用性受到较大影响。为了在“互联网+旅游”背景下精确实施大数据收益管理即时需求预测，需要将来自于外部数据源中基于Web数据抽取、顾客查询与搜索、以及行业网络营销的短期预订大数据同收益管理即时需求预测相整合。通过分析顾客预订行为演进及其对收益管理需求预测影响的基础上，对上述商务智能开发和应用过程中所面临的挑战进行了探讨。

收益管理；需求预测；顾客预订行为；大数据；在线旅行社

收益管理(Revenue Management, RM)理论和方法被看作是管理科学和计算机技术在现代服务行业实际应用中最为成功的研究领域之一，作为运筹学(Operations Research, OR)中快速发展的重要分支，RM在对微观市场层面顾客需求进行预测的基础上，通过优化产品的存量可用性和价格来制定精细化的定价和营销策略，并最终达到最大化公司收入的目的。[1]自从RM诞生以来，需求预测为更复杂的数学优化模型输入了无约束需求数据(unconstrained demand data)[2]222-228，它既包括对顾客预订需求的预测，又包括对顾客no-show率的预测；同时，在收益管理系统(Revenue Management System, RMS)实施过程中，它是确定产品订购限制(booking limits)数量、定价策略(pricing)和超售(overbookings)水平的重要输入，从而在很大程度上决定了公司从每个产品中所获得的利润。

RM需求预测方法从产生到发展至今已有58年的历史(1958年～2016年)，包括增量法(pickup, PU)、指数平滑(exponential smoothing, ES)、移动平均(moving average, MA)、自回归积分移动平均模型(autoregressive integrated moving average model, ARIMA)、线性回归(linear regression, LR)、对数线性回归、多元回归、神经网络(neural networks)、小波分析、主成分分析(principal component analysis)、自适应模型(adaptive model)、顾客选择行为模型(passenger choice model)、Q-forecasting、以及混合预测(hybrid forecasting, HF)和票价调节(fare adjustment, FA)等启发式方法，涉及到航空客运、酒店、汽车租赁、游轮和铁路客运等行业，Weatherford[3]212-111对其研究作了详细的文献综述。

近年来，随着国内外在线旅行社(Online Travel Agencies, OTAs)的快速发展，相较于数年前需要通过旅行社代理商(travel agents)来完成旅行服务产品预订的整个过程，如今的顾客越来越多地选择通过互联网对服务产品进行预订。网上预订的便捷性对传统的顾客预订行为造成了巨大冲击，其变化主要表现在两方面：预订方式和预订时间。这些变化不能被低估，因为对顾客预订行为信息的准确掌握直接决定了RM需求预测方法的实施效果，从而影响企业在整个市场环境中的竞争力。为了取得更高的预测精度，公司不仅需要将内部数据源中的顾客需求信息作为预测模型的数据输入，更至关重要的是收集来自于竞争对手的短期商业情报，即顾客对竞争者产品的短期预订选择行为和相关当期总需求量等信息，这已直接关系到整个RMS的实施成败。

在大数据时代背景下，考虑到RMS需求预测需要即时、准确地对外部市场环境作出反映，而现有的RM需求预测方法均是基于公司内部数据源中的历史顾客需求信息而建立，不符合“互联网+旅游”背景下旅游服务行业的应用要求，有必要考虑基于外部数据源短期竞争情报的需求预测方法的开发和应用。为此，笔者首先讨论了OTAs发展的历史，以及它们对顾客预订行为和RM需求预测的影响，在此基础上，对大数据RM需求知识挖掘、以及需求预测商务智能(Business Intelligence, BI)开发应用过程中所面临的挑战进行了探讨。

一、在线旅行社的出现与发展

上世纪九十年代末以前，顾客预订方式主要表现为面对面、或者依靠旅行社代理商来完成。顾客在当时还缺乏相应的技术、信息和提前预订的能力，旅行社的出现填补了这三方面的能力空缺，并使得旅行更加的容易。虽然改进了预订效率，但在缺乏产品可用性和价格等信息的情况下，休闲顾客通常选择提前预订；同时，由于商务环境等原因，商务顾客往往临近出发或入住前才展开预订。预订时间上的不同为公司制定产品定价和RM策略提供了机会。现如今，诸如航空客运、酒店、旅行代理商及其合作伙伴等服务业均通过互联网来推销他们各自的产品，互联网成为一种全球性的玻璃橱窗。如各种全球分销系统(global distribution systems, GDS)、中央预订系统(central reservation systems, CRS)和OTAs的经营者，他们在其专属网站上能提供被用于公开收集的可用信息，生成大量可被BI所用的数据，并且可将相似产品的各种报价以直观的方式提供可视化呈现和比较。

OTAs的发展兴起于上世纪九十年代中期，具有代表性的是微软公司于1996年在美国推出Expedia①，并于1997年在欧洲成立Priceline②，紧接着，国内的携程旅行网③于1999年在上海创立，去哪儿网④总部2005年设立于北京。这些网站在运营初期就允许顾客对旅行产品进行在线购买，避免了直接以面对面、或依靠旅行社的方式预订产品。除此之外，旅游大数据平台的搭建为新的在线旅游服务平台的建设创造了条件，并催生出了各种旅游服务新模式，如携程网投资组建众荟⑤，前者除扮演OTAs外又多了一个新角色——大数据提供商；同时，阿里旅行·去啊⑥的“未来酒店”战略，其中的“信用住”酒店预订服务模式则被看作是大数据提供商对传统OTAs的挑战。

虽然发展相对比较缓慢，但由于获取信息的便利性、价格的透明以及通过各种可选项进行搜索的能力，这些都推动OTAs成为了旅行相关活动的优势资源。自从OTAs出现以来，随着对传统旅行社依赖的下降，旅行行业从业者普遍认为互联网将在未来的旅游市场中扮演重要的角色，而这一预测早已成为现实。现如今，OTAs在旅行服务行业中所扮演的角色几乎与RM相当，劲旅咨询[4]和艾瑞咨询[5]在针对中国在线旅游服务商的市场发展研究报告中公布的数据分别显示，2015年中国OTAs市场交易规模达4672亿元，同比增长39.9%，其中携程旅行网和去哪儿网分别占整个OTAs市场总交易额的比例为36.8%和28.7%，两家的交易额之和占中国整个OTAs市场交易规模超过六成的市场份额。同时，CNNIC于2016年7月发布的《第38次中国互联网络发展状况统计报告》显示，截至2016年6月，网上预订旅行服务产品的网民规模达到2.64亿，较2015年底增长406万人，增长率为1.6%，其中预订火车票、机票、酒店和旅游度假产品的网民分别占比28.9%、14.4%、15.5%和6.1%；同时，手机网民规模达到2.32亿，较2015年底增长2236万人，增长率为10.7%，而使用手机在线旅行预订的网民比例由33.9%提升至35.4%。[6]

总之，互联网已在过去的20年中彻底改变了旅行行业，这种改变在很大程度上归因于产品预订的便利性，以及对于无形产品信息桥梁的搭建，这些因素在任何时候都是十分重要的。虽然OTAs的出现对于顾客来讲有诸多好处，但它对于企业和RM实践者的意义却更大，笔者接下来将主要论述顾客预订行为的演进及其对大数据环境下RM需求预测的影响。

二、顾客预订行为的演进及其影响

(一)顾客预订行为的演进

随着互联网越来越多地被普通顾客所使用，顾客预订行为的改变是不可逆转的趋势。新技术弥补了以往顾客预订效率方面的不足，新的顾客预订方式也应运而生。在线旅游服务平台为RM应用行业提供了另一种选择，即以额外曝光产品价格和存量信息的方式来销售一些比较棘手的库存，将以前只为少数机构掌握的产品信息直接提供给终端顾客，后者通过电话或者电脑、手机等方式可直接预订和付款，顾客预订用时大为缩减，交易效率则大幅度提升。

同时，OTAs以透明的方式为顾客提供了产品价格、存量可用性以及它们随时间动态变化的信息，这造成了顾客在预订时间上与面对传统旅行代理商时有很大的不同。顾客通过对价格波动的判断来确定最佳购买时机，当对旅行产品进行评估的时候，他们既可以预订一个产品，也可以选择等待合适的价格而继续搜索，甚至能够通过搜索而预订竞争对手的产品，这就最终形成了一套交易寻求文化(deal-seeking culture)，这是顾客实用(utilitarian)和享乐(hedonic)动机共同驱动的结果[7]，即“策略型顾客(strategic customer)”所表现出来的“跨期替代行为(inter-temporal substitution behavior)”[8]。

(二)对收益管理需求预测的影响

在基于各细分市场顾客支付意愿来制定价格决策的前提下，RMS的成功与否取决于预测的好坏。一般来讲，一个好的预测系统会同时利用当期(短期)和历史(长期)数据。顾客预订行为的改变对传统RM造成了显著的负面效应，因为OTAs网站和智能手机APP允许顾客进行搜索和等待，直到旅行日期到来当天再进行购买，这严重阻碍了传统RM的定价结构，导致旅行服务产品价值误判，购买行为在很大程度上不是由产品属性所决定，而是价格；同时，低需求时期的价格很可能被拉低，以匹配较低价值的产品。由于现在的休闲顾客有能力推迟预订，这使得预售时间窗缩短，需求开始变得十分不确定，定价决策也变得复杂。

有很多因素会影响顾客的选择，比如提前期时间、搜索成本、对售罄风险的预期、未来折扣价格的概率、以及取消预订的惩罚等等。[9]-[10]因此，在RM需求预测过程中有必要对影响顾客预订行为的各种因素进行考虑。同时，上述交易寻求文化造成了短期需求数据的可用性与过去有本质的不同，由于缺乏顾客当期的预订信息，在过去具有稳健表现的传统方法可能会低估需求水平，预测效果会因此受到影响，并给使用或基于这些方法的组合预测技术带来了计算误差。[11]

三、大数据收益管理需求预测所面临的挑战

(一)大数据收益管理需求预测

RMS中传统的动态定价、存量控制和超售等策略的实施质量依赖于准确的需求预测，虽然已有学者针对无完备需求预测信息下的鲁棒优化策略进行了研究[12]，但预测仍然是RMS中不可缺少的重要组成部分。传统的RMS站在目标细分市场的角度对产品剩余存量和需求预测值进行对比，并依靠预测的需求值和评估计算得到的概率值来进行决策。传统的RM需求预测涉及到多种因素，如表1所示；同时，要在RMS中获得理想的预测结果，需要在进行预测以前确定和解决一系列问题，如表2所示。另外，RM需求预测还需考虑O-D (origin-destination)网络预测、预测过程中的人工调整以及低票价限制环境(less-restricted fare environments)中的混合预测等问题。[3]212-221

表1 传统RM需求预测所考虑的因素[13]

表2 传统RMS需求预测所涉及的问题[14]-[15]

除了需要考虑和解决上述因素与问题外，基于大数据的RM需求预测关键在于从外部数据源中获取顾客的短期预订信息，结合公司内部数据源实现对有关顾客需求信息的实时和动态访问。这些信息是由与预订直接或间接相关的在线活动组成的，通过与其他潜在的未来顾客预订请求信息相结合，大数据就有可能支持即时需求预测。当具有对每位顾客的真实需求、偏好和支付意愿进行即时评估能力的时候，真实的目标和最有效的优化策略就能够达成。这可用经济理论来解释，即大数据将支持淘汰目前行业中普遍应用的、低效率的三级价格歧视模型(third-degree price discrimination model)，并转变到使用一级价格歧视模型(first-degree price discrimination model)或完全价格歧视模型，公司能够依靠后者获取绝大多数的消费者剩余。[16]

(二)面临的挑战

考虑到顾客预订行为的演进对短期需求数据可用性的影响，为了提高企业在大数据环境中的BI实时决策竞争力，大数据RM需求预测面临着如下四个方面的挑战：

1. 基于Web数据抽取的RM需求预测

在基于互联网的易逝性服务产品商务市场发展早期，顾客需求数据是可从OTAs网站上直接获取的，因为互联网旅行公司为了促进网上平台中产品的销售，开放和公开数据是符合其利益的。但现如今这一景象却迅速地发生着改变，互联网上的信息不再免费，并且不再容易收集。为了跟踪和检查相关网站、相同竞争集合中顾客对公司正在进行销售和接受预订产品的短期需求信息，最简单的方式是签订一份基于OTAs利益而商业化运作的API (Application Programming Interface，应用程序编程接口)合同，公司可通过该API来访问OTAs的网站引擎并获取商业数据。另一种更为复杂的方式是通过仿真模拟旅行者的预订行为从HTTP (Hyper Text Transfer Protocol, 超文本传输协议)中来获取信息，即使用Web机器人或网络爬虫在OTAs网站中定期运行，以提取到最新的顾客短期预订更新数据。[17]

无论通过哪种Web数据抽取技术来获取外部数据源中的需求信息，不仅所获数据量是巨大的，而且会同时包括结构化(structured)和非结构化(unstructured)的数据。非结构化的短期需求数据提供了以往从内部数据源中无法获取的额外竞争情报，比如顾客对产品和服务进行评价的文本、图像和视频数据，如何通过非结构化短期需求信息来与真实的历史顾客需求建立联系，以及如何通过情感分析或意见挖掘技术判断顾客的积极和消极观点对最终预订行为的影响，并在此基础上结合人工智能算法进行实时的需求预测，这些都是大数据RM今后的发展趋势。

2. 基于顾客查询数据的RM需求预测

RM实践公司除了通过Web数据抽取方法从外部数据源中获取顾客短期需求信息，也能够以直接购买等方式从第三方大数据提供商获取GDS和CRS中的顾客查询日志。已有研究表明，上述顾客查询日志数据相较于内部数据源中的实时客流数据更具预知性，对比历史客运数据，它们的敏感性和准确性更高[18]，这为实时的大数据RM需求预测创造了条件。因此，有必要结合顾客选择模型探索基于顾客查询日志数据的需求预测方法，在充分考虑顾客选择行为的基础上提高即时预测的速度和精度。

3. 基于网络搜索数据的RM需求预测

如果无法采用Web数据抽取和购买顾客查询日志等方法来获取顾客短期需求信息，基于在线环境的网络搜索数据也将有利于RMS对实际需求和无约束需求(unconstrained demand)的预测，比如谷歌趋势(Google Trends)和百度指数。Pan[19]等、Yang[20]-[21]等、Bangwayo-Skeete和Skeete[22]、马丽君等[23]、龙茂兴等[24]、黄先开等[25]、王炼等[26]、陈涛等[27]的研究均验证了网络搜索数据对旅游需求量时空动态变化的解释能力。但是，现有的研究仅在针对社会经济活动的预测模型和方法中开展了网络搜索数据研究，并未站在RM需求预测的角度考虑问题和建模，比如未涉及顾客网络搜索数据与历史无约束需求量之间的相关关系，而后者是任何形式RM需求预测的数据基础。[2]222-228因此，有必要利用这些数据建立针对RM的预测模型。

4. 基于行业网络营销大数据的RM需求预测

除了传统的航空客运、酒店业和汽车租赁行业外，RM的应用还涉及到铁路客运和运输、空运、货运、班轮运输以及互联网服务和零售等行业。在大数据时代背景下，各行业开始重视使用大数据深入开展精准化、个性化营销，通过对大数据的整合，可以实现跨平台、跨终端的广告推送。如顾客可以借助PC、智能手机、平板电脑、穿戴式设备和互联网电视等终端设备，访问和接收来自于搜索引擎、社交网络、电商和门户网站、微博和视频网站等渠道的营销信息。在此情况下，需要在RM需求预测机制和方法创新中考虑对这类即时大数据营销需求数据的抽取、整合、存储和更新。

四、结论

RM理论和方法的应用环境已在过去二十年间发生了巨大变化，RM从业者的工作比以往任何时候都更具挑战性，因为OTAs的出现为旅行者通过透明的产品价格不断寻求交易提供了平台。随着大数据时代旅行服务行业的营销模式、平台、终端和技术的不断发展，顾客预订行为也将持续地发生改变，RM策略也将被迫作出调整。为了精确地实施和开展大数据RM即时需求预测工作，需要更好地了解顾客预订行为，研究的重点应放在如何将顾客短期预订需求数据整合到预测的整个过程当中，比如基于Web数据抽取、顾客查询和搜索数据以及行业网络营销大数据的RM需求预测。大数据技术的发展和应用将有可能跟踪顾客预订行为和支付意愿，公司对这些行为的识别将有助于真正提高预测精度并优化收入，从而更好地了解他们的顾客。总之，大数据时代顾客预订行为的演变对RM研究领域造成了持续的影响，并会不断地为需求预测带来新的挑战和机遇。正因为如此，相信大数据RM需求预测在长久的未来都将会是富有成果的研究领域。

[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]劲旅网. 劲旅咨询：2015年中国旅行社市场在线渗透率为20.1% [EB/OL]. (2016-02-04) [2016-10-31] http://www.ctcnn.com/html/2016-02-04/15569314.html.

[5]艾瑞咨询. 2016年中国在线旅游行业监测报告[EB/OL]. (2016-05-10) [2016-10-31] http://www.iresearch.com.cn/report/2585.html.

[6]中国互联网络信息中心. 第38次中国互联网络发展状况统计报告[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]周岳骞. 面向民航需求建模的用户查询日志大数据分析方法研究与实现[D]. 北京: 北京交通大学, 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]马丽君, 孙根年, 黄云玛, 等. 城市国内客流量与游客网络关注度时空相关分析[J]. 经济地理, 2011, 31(4): 680-685.

[24]龙茂兴, 孙根年, 马丽君, 等. 区域旅游网络关注度与客流量时空动态比较分析——以四川为例[J]. 地域研究与开发, 2011, 30(3): 93-97.

[25]黄先开, 张丽峰, 丁于思. 百度指数与景区游客量的关系及预测研究——以北京故宫为例[J]. 旅游学刊, 2013, 28(11): 93-100.

[26]王炼, 贾建民. 基于网络信息搜索的旅游需求预测——来自黄金周的证据[J]. 系统管理学报, 2014, 23(3): 362-368.

[27]陈涛, 刘庆龙. 智慧旅游背景下的大数据应用研究: 以旅游需求预测为例 [J]. 电子政务, 2015, 153(9): 6-13.

[责任编辑 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

国家社科基金一般项目：“网络环境下的收益管理鲁棒无约束估计方法研究”(项目编号：15BGL198)；贵州省教育厅高校人文社会科学研究自筹项目：“大数据背景下基于乘客实名记录的航空客运收益管理网络无约束估计方法研究”(项目编号：2016ZC021)阶段性成果。

郭 鹏(1984-)，男，四川宜宾人，贵阳学院讲师、博士。主要研究方向：收益管理，需求无约束估计和预测。

C931

A

1673-6133(2016)06-0030-05