พยากรณ์ยอดจองโรงแรมอย่างไรให้แม่นยำ?

พยากรณ์ยอดจองโรงแรมอย่างไรให้แม่นยำและนำไปใช้ได้จริง?

การพยากรณ์ยอดจองโรงแรมให้แม่นยำต้องเริ่มจากข้อมูลการจองในอดีตที่สะอาด แยกความต้องการตามวันที่เข้าพัก กลุ่มลูกค้า ประเภทห้อง และช่องทางขาย จากนั้นวิเคราะห์ Booking Pace (ความเร็วในการรับจอง), Pickup (ยอดจองที่เพิ่มขึ้น), Cancellation (การยกเลิก) และเหตุการณ์ในตลาด เพื่อคาดการณ์ Final Demand (ความต้องการสุดท้าย) ของแต่ละวัน โรงแรมควรวัดความคลาดเคลื่อนของ Forecast ทุกสัปดาห์และปรับสมมติฐานอย่างต่อเนื่อง เพราะ Forecast ที่ดีไม่ใช่ตัวเลขที่ทำครั้งเดียวแล้วจบ แต่เป็นระบบตัดสินใจที่เรียนรู้จากข้อมูลใหม่ทุกวัน

ในงาน Revenue Management (การบริหารรายได้) คำว่า Forecast ไม่ได้หมายถึงการเดาว่าโรงแรมจะขายได้กี่ห้องเท่านั้น แต่หมายถึงการประมาณระดับความต้องการของตลาด รายได้ ราคาขายเฉลี่ย รูปแบบการยกเลิก จำนวนแขก จำนวนอาหารเช้า และภาระงานที่โรงแรมจะต้องรองรับ หาก Forecast บอกว่าอีก 21 วันข้างหน้าโรงแรมจะมี Occupancy (อัตราเข้าพัก) 88% ผู้จัดการรายได้อาจขึ้นราคา ปิดส่วนลดบางรายการ หรือจำกัดจำนวนห้องที่เปิดขายผ่านช่องทางต้นทุนสูง ขณะที่ฝ่ายปฏิบัติการสามารถเตรียมพนักงาน อาหาร และอุปกรณ์ได้เหมาะสม

ตัวอย่างเช่น โรงแรมสมมติขนาด 160 ห้องมี On the Books หรือ OTB (ยอดจองที่มีอยู่ในระบบแล้ว) สำหรับคืนวันเสาร์จำนวน 112 ห้อง เหลือเวลาอีก 14 วันก่อนเข้าพัก ข้อมูลย้อนหลังของวันเสาร์ที่มีรูปแบบใกล้เคียงกันแสดงว่าโรงแรมมักได้รับ Gross Pickup (ยอดจองเพิ่มก่อนหักยกเลิก) อีก 38 ห้อง และมีการยกเลิกประมาณ 10 ห้อง Forecast จำนวนห้องขายสุดท้ายจึงเท่ากับ 112 บวก 38 ลบ 10 หรือ 140 ห้อง คิดเป็น Occupancy 87.5% จากห้องพร้อมขาย 160 ห้อง

ข้อควรระวังคือ Forecast 140 ห้องไม่ได้แปลว่าโรงแรมควรหยุดขายเมื่อยอดจองแตะ 140 ห้อง เพราะ Forecast เป็นค่าคาดการณ์ ไม่ใช่ Capacity Limit (เพดานความจุ) ผู้บริหารต้องพิจารณา Unconstrained Demand (ความต้องการที่ไม่ถูกจำกัดด้วยจำนวนห้อง) การจองที่อาจยกเลิก ห้องที่อาจเสียจากปัญหาซ่อมบำรุง และความเสี่ยงจาก No Show (ลูกค้าไม่มาเข้าพัก) ร่วมด้วย การใช้ Forecast อย่างถูกต้องจึงต้องเชื่อมตัวเลขเข้ากับการตัดสินใจ ไม่ใช่มองเป็นเพียงรายงานประจำวัน

Hotel Demand Forecast คืออะไรและต่างจาก Budget อย่างไร?

Hotel Demand Forecast (การพยากรณ์ความต้องการโรงแรม) คือประมาณการล่าสุดว่าลูกค้าจะต้องการซื้อห้องพักในแต่ละวันเท่าใดภายใต้ข้อมูลที่มีอยู่ในขณะนั้น ส่วน Budget (งบประมาณ) คือเป้าหมายทางธุรกิจที่กำหนดไว้ล่วงหน้าเพื่อใช้จัดสรรทรัพยากรและประเมินผล Forecast จึงควรเปลี่ยนตามสถานการณ์จริงได้ ขณะที่ Budget มักถูกกำหนดเป็นรอบปีและเปลี่ยนไม่บ่อย

อีกคำหนึ่งที่มักทำให้สับสนคือ Target (เป้าหมาย) ตัวอย่างเช่น โรงแรมอาจมี Budget Occupancy เดือนตุลาคมที่ 75% มี Target Occupancy ที่ 80% แต่ Forecast ล่าสุดอยู่ที่ 68% ตัวเลขทั้งสามไม่ได้ขัดแย้งกัน Budget บอกสิ่งที่วางแผนไว้ Target บอกสิ่งที่ทีมต้องการทำให้ได้ ส่วน Forecast บอกสิ่งที่มีแนวโน้มเกิดขึ้นจริง หากทีมแก้ Forecast ให้เท่ากับ Target เพียงเพื่อให้รายงานดูดี โรงแรมจะสูญเสียสัญญาณเตือนที่จำเป็นต่อการแก้ปัญหา

Forecast ที่มีประโยชน์ควรตอบอย่างน้อยสี่ระดับ ได้แก่ Occupancy Forecast (ประมาณการอัตราเข้าพัก), Room Nights Forecast (ประมาณการจำนวนห้องคืน), ADR Forecast (ประมาณการราคาขายเฉลี่ย) และ Revenue Forecast (ประมาณการรายได้ห้องพัก) สูตรพื้นฐานคือ Occupancy เท่ากับจำนวนห้องขายหารด้วยจำนวนห้องพร้อมขายคูณ 100 ส่วน ADR เท่ากับรายได้ห้องพักหารด้วยจำนวนห้องที่ขายได้ หากคาดว่าจะขาย 120 ห้องจาก 150 ห้อง Occupancy จะเท่ากับ 80% และถ้ารายได้ห้องพักรวมเป็นดัชนี 300,000 หน่วย ADR จะเท่ากับ 2,500 หน่วยต่อห้อง

ขั้นตอนปฏิบัติที่สำคัญคือจัดทำ Forecast อย่างน้อยสามมุมมอง ได้แก่ Daily Forecast (รายวัน) สำหรับ 30 ถึง 90 วันข้างหน้า Monthly Forecast (รายเดือน) สำหรับ 6 ถึง 12 เดือน และ Rolling Forecast (ประมาณการแบบเลื่อนไปข้างหน้า) ที่อัปเดตทุกสัปดาห์ โรงแรมขนาดเล็กอาจเริ่มด้วยตารางคำนวณ ส่วนโรงแรมที่มีหลายกลุ่มตลาดควรดึงข้อมูลจาก PMS (ระบบบริหารจัดการโรงแรม), CRS (ระบบสำรองห้องพักส่วนกลาง) และ RMS (ระบบบริหารรายได้) เพื่อให้เห็นข้อมูลระดับวันที่เข้าพักอย่างครบถ้วน

ต้องเตรียมข้อมูลอะไรบ้างก่อนเริ่มพยากรณ์ยอดจอง?

ข้อมูลขั้นต่ำสำหรับการพยากรณ์ประกอบด้วย Stay Date (วันที่เข้าพัก), Booking Date (วันที่ทำรายการจอง), Room Type (ประเภทห้อง), Market Segment (กลุ่มตลาด), Channel (ช่องทางขาย), Rate Plan (แผนราคา), จำนวนห้อง รายได้ สถานะการจอง วันที่ยกเลิก และ Lead Time (ระยะเวลาตั้งแต่จองถึงเข้าพัก) หากขาด Booking Date โรงแรมจะวิเคราะห์ Booking Pace ไม่ได้ และหากไม่เก็บ Cancellation Date (วันที่ยกเลิก) ก็จะไม่รู้ว่าควรหักยอดยกเลิกในช่วงใด

ควรใช้ข้อมูลย้อนหลังอย่างน้อย 12 เดือนเพื่อให้เห็นฤดูกาลครบหนึ่งรอบ และหากรูปแบบธุรกิจไม่ได้เปลี่ยนมาก การมีข้อมูล 24 ถึง 36 เดือนจะช่วยให้เปรียบเทียบวันในสัปดาห์ ฤดูกาล และวันหยุดได้ดีขึ้น อย่างไรก็ตาม ข้อมูลเก่าไม่ได้มีคุณค่าเท่ากันทั้งหมด หากโรงแรมเพิ่งปรับปรุงห้องครั้งใหญ่ เปลี่ยน Positioning (ตำแหน่งทางการตลาด) หรือเพิ่มจำนวนห้อง ข้อมูลก่อนการเปลี่ยนแปลงต้องถูกปรับน้ำหนัก ไม่ควรนำค่าเฉลี่ยมาคัดลอกตรงๆ

ทีม Revenue ควรทำ Data Cleaning (การทำความสะอาดข้อมูล) ก่อนสร้างโมเดล โดยตรวจหารหัสกลุ่มตลาดที่ใช้ผิด การจองทดสอบ ห้อง Complimentary (ห้องพักฟรี) ห้อง House Use (ห้องใช้ภายใน) รายการยกเลิกที่ยังค้างอยู่ และราคาที่ผิดปกติ ตัวอย่างเช่น หากพนักงานบันทึกกรุ๊ป 45 ห้องเป็น Transient (ลูกค้ารายบุคคล) Booking Pace ของลูกค้ารายบุคคลจะสูงเกินจริงและทำให้ Forecast รอบถัดไปผิดทิศทาง

เช็คลิสต์ข้อมูลที่ควรตรวจสอบก่อนใช้มีดังนี้

• Inventory: จำนวนห้องพร้อมขายจริงของแต่ละวัน รวม Out of Order (ห้องปิดซ่อม) และ Out of Service (ห้องหยุดใช้งานชั่วคราว)
• Reservation Status: สถานะ Confirmed, Cancelled, No Show และ Checked Out ต้องไม่ถูกนับซ้ำ
• Segmentation: รหัส Corporate, Wholesale, Group, Direct และ OTA ต้องมีนิยามเดียวกันทุกแผนก
• Revenue: แยกรายได้ห้องพักออกจากภาษี อาหารเช้า และบริการเสริมตามมาตรฐานรายงานของโรงแรม
• Event Calendar: บันทึกวันหยุด งานประชุม คอนเสิร์ต เทศกาล และข้อจำกัดการเดินทางที่กระทบ Demand
• Data Cutoff: กำหนดเวลาตัดข้อมูลให้เหมือนกัน เช่น ทุกวันเวลา 06.00 น. เพื่อให้เปรียบเทียบ Snapshot (ภาพข้อมูล ณ เวลาหนึ่ง) ได้ถูกต้อง

Booking Pace และ Pickup ใช้คาดการณ์ยอดจองอย่างไร?

Booking Pace คือรูปแบบการสะสมยอดจองเมื่อวันเข้าพักใกล้เข้ามา ส่วน Pickup คือจำนวนห้องหรือรายได้ที่เพิ่มขึ้นระหว่าง Snapshot สองช่วงเวลา ตัวอย่างเช่น เมื่อ 14 วันก่อนโรงแรมมี OTB 80 ห้อง และวันนี้มี 98 ห้อง Pickup เท่ากับ 18 ห้อง หากใน 18 ห้องนี้มีการจองใหม่ 23 ห้องและยกเลิก 5 ห้อง ค่า 18 คือ Net Pickup (ยอดเพิ่มสุทธิ) ส่วน 23 คือ Gross Pickup

การอ่าน Pace ต้องเปรียบเทียบแบบ Same Time Last Year หรือ STLY (ช่วงเวลาเดียวกันของปีก่อน) อย่างระมัดระวัง ต้องจับคู่วันในสัปดาห์ ไม่ใช่จับคู่เฉพาะวันที่ปฏิทิน วันศุกร์ควรเทียบกับวันศุกร์ และวันหยุดควรเทียบกับวันหยุดที่มีพฤติกรรมคล้ายกัน หากเทศกาลเคลื่อนวันที่ทุกปี การเทียบวันที่เดียวกันอาจทำให้สรุปผิดว่า Demand ลดลง ทั้งที่จริงความต้องการย้ายไปอีกสัปดาห์หนึ่ง

ตัวอย่างตาราง Forecast ของโรงแรมสมมติขนาด 180 ห้อง แสดงการคำนวณสำหรับคืนที่เหลือเวลา 30, 14 และ 7 วันก่อนเข้าพัก โดย Pickup คาดการณ์มาจากค่าเฉลี่ยของวันเทียบเคียงหลังปรับ Event Factor (ตัวคูณผลกระทบจากกิจกรรมในพื้นที่)

ขั้นตอนใช้งานจริงเริ่มจากเก็บ Snapshot ที่ระยะ 90, 60, 30, 21, 14, 7, 3 และ 1 วันก่อนเข้าพัก จากนั้นคำนวณ Net Pickup ของแต่ละ Segment แยกวันในสัปดาห์ เลือก Historical Analog (ช่วงอดีตที่มีลักษณะใกล้เคียง) อย่างน้อย 4 ถึง 8 ช่วง ปรับตัวเลขด้วยเหตุการณ์ ราคา คู่แข่ง และ Capacity Constraint แล้วจึงรวมเป็น Forecast ทั้งโรงแรม ข้อควรระวังคืออย่าใช้ Pickup เฉลี่ยรวมเพียงค่าเดียว เพราะ Group อาจจองล่วงหน้า 60 วัน ขณะที่ Mobile Booking (การจองผ่านมือถือ) อาจเข้ามาหนักใน 3 วันสุดท้าย

ควรแยก Forecast ตาม Market Segment และ Room Type อย่างไร?

Forecast ที่รวมทุกยอดจองไว้ก้อนเดียวอาจดูแม่นในระดับโรงแรม แต่ไม่เพียงพอสำหรับการตัดสินใจด้านราคาและ Inventory โรงแรมควรแยกอย่างน้อยเป็น Transient Retail (ลูกค้ารายบุคคลราคาปกติ), Promotion (ลูกค้าโปรโมชัน), Corporate (ลูกค้าองค์กร), Wholesale (ผู้ค้าส่ง), Group (กรุ๊ป), OTA และ Direct (จองตรง) เพราะแต่ละกลุ่มมี Lead Time ราคา Cancellation Pattern (รูปแบบการยกเลิก) และต้นทุนช่องทางต่างกัน

ตัวอย่างเช่น Forecast รวมคาดว่าจะขาย 150 ห้องจาก 170 ห้อง หรือ 88.2% แต่เมื่อตรวจระดับ Segment พบว่า Wholesale เกิน Forecast 20 ห้อง ขณะที่ Direct Retail ต่ำกว่า Forecast 20 ห้อง จำนวนห้องรวมจึงดูแม่นพอดี ทว่า Revenue Mix (สัดส่วนรายได้) แย่ลงเพราะห้องที่ควรขายให้ลูกค้าราคาสูงถูกใช้ไปกับสัญญาราคาต่ำ นี่คือเหตุผลที่ Forecast Accuracy ระดับรวมเพียงอย่างเดียวอาจซ่อนปัญหาทางพาณิชย์ไว้

การแยกตาม Room Type สำคัญเช่นกัน หากห้องมาตรฐานเหลือ 5 ห้อง แต่ห้อง Suite เหลือ 30 ห้อง การมอง Inventory รวมว่าเหลือ 35 ห้องอาจทำให้โรงแรมตั้งข้อจำกัดผิด ควร Forecast Demand ของแต่ละประเภทห้อง วิเคราะห์ Upgrade Pattern (รูปแบบการอัปเกรด) และ Room Type Wash (ยอดจองที่คาดว่าจะหลุดหรือเปลี่ยนประเภท) รวมถึงตรวจว่าลูกค้ายอมซื้อห้องประเภทสูงกว่าเมื่อห้องเริ่มต้นเต็มหรือไม่

วิธีสร้าง Segment Forecast ทีละขั้นมีดังนี้

1. กำหนด Segment ให้สะท้อนพฤติกรรมการจอง ไม่ใช่แบ่งตามชื่อโปรโมชั่นทุกชื่อ
2. คำนวณค่าเฉลี่ย Lead Time, ADR, Cancellation Rate และ Length of Stay ของแต่ละ Segment
3. สร้าง Booking Curve (เส้นโค้งการสะสมยอดจอง) แยกวันธรรมดา วันหยุด และฤดูกาล
4. Forecast จำนวนห้องของแต่ละ Segment ก่อน แล้วจึงรวมเป็น Total Hotel Forecast
5. ตรวจ Capacity ของ Room Type และ Segment ที่มี Allotment (โควตาห้อง) หรือ Contract Commitment (ข้อผูกพันตามสัญญา)
6. ทบทวน Mix Shift (การเปลี่ยนแปลงสัดส่วนลูกค้า) เพื่อดูว่าความแม่นระดับรวมเกิดจากการหักล้างความผิดพลาดหรือไม่

จะนำ Cancellation, No Show และ Overbooking มารวมใน Forecast ได้อย่างไร?

โรงแรมต้อง Forecast จำนวนลูกค้าที่จะเข้าพักจริง ไม่ใช่นับเฉพาะยอด Confirmed Booking (การจองที่ยืนยันแล้ว) วิธีพื้นฐานคือเริ่มจาก OTB บวกยอดจองใหม่ที่คาดว่าจะเข้ามา แล้วหัก Cancellation, No Show และ Early Departure (การออกก่อนกำหนด) พร้อมบวก Stay Over (ลูกค้าที่พักต่อ) ตามนิยามข้อมูลของโรงแรม หากละเลยการยกเลิก Forecast Occupancy จะสูงเกินจริง โดยเฉพาะช่องทางที่มีเงื่อนไขยกเลิกฟรี

Cancellation Rate คำนวณได้จากจำนวนห้องคืนที่ถูกยกเลิกหารด้วยจำนวนห้องคืนที่เคยจองทั้งหมดคูณ 100 สมมติในกลุ่ม OTA แบบยกเลิกได้มีการจอง 1,000 Room Nights (ห้องคืน) และถูกยกเลิก 280 Room Nights อัตรายกเลิกคือ 28% แต่ไม่ควรนำ 28% ไปหัก OTB ทุกวันเท่ากัน เพราะการยกเลิกมักกระจุกตัวก่อนหมด Free Cancellation Window (ช่วงยกเลิกฟรี) เช่น 7 วันหรือ 3 วันก่อนเข้าพัก

ตัวอย่างสำหรับคืนหนึ่ง โรงแรมมี OTB 190 ห้องจาก Inventory 200 ห้อง คาดว่าจะมี Booking Pickup อีก 25 ห้อง มี Cancellation 12 ห้อง และ No Show 3 ห้อง จำนวนผู้เข้าพักจริงที่คาดการณ์เท่ากับ 190 บวก 25 ลบ 12 ลบ 3 หรือ 200 ห้อง หากโรงแรมปิดขายทันทีที่ OTB เท่ากับ 200 ห้อง โรงแรมอาจจบคืนด้วยห้องว่างจากการยกเลิก แต่ถ้ารับเกินโดยไม่แบ่งความเสี่ยงตาม Segment ก็อาจเกิด Walk Guest (การย้ายลูกค้าไปพักที่อื่น) ซึ่งกระทบประสบการณ์และชื่อเสียง

Overbooking Limit (เพดานรับจองเกิน) ควรคำนวณจาก Expected Wash (ยอดคาดว่าจะหลุด) และระดับความเสี่ยงที่องค์กรยอมรับ ไม่ควรใช้จำนวนคงที่ตลอดปี เช็คลิสต์ก่อนอนุมัติ Overbooking ได้แก่ จำนวนห้องปิดซ่อม ความน่าเชื่อถือของกรุ๊ป จำนวน Guaranteed Booking (การจองที่มีหลักประกัน) เวลามาถึงของลูกค้า ความพร้อมของโรงแรมใกล้เคียง และต้นทุนในการย้ายแขก หากค่าความเสียหายจากการ Walk สูงมาก ควรใช้ Conservative Overbooking (การรับเกินแบบระมัดระวัง) แม้ข้อมูลย้อนหลังจะแสดง No Show สูงก็ตาม

เหตุการณ์พิเศษและข้อมูลตลาดควรถูกใส่ใน Forecast แบบไหน?

เหตุการณ์พิเศษไม่ควรถูกใส่ใน Forecast ด้วยความรู้สึกเพียงว่าเมืองจะคึกคัก แต่ต้องประเมิน Event Impact (ผลกระทบจากกิจกรรม) ต่อจำนวนผู้เดินทาง ระยะเวลาพัก กลุ่มลูกค้า และพื้นที่ที่ได้รับประโยชน์ งานขนาดใหญ่ไม่ได้ทำให้ทุกโรงแรมเต็มเสมอไป หากผู้ร่วมงานพักใกล้สถานที่จัดงานหรือเดินทางแบบไปเช้าเย็นกลับ Demand ของโรงแรมที่อยู่ไกลอาจเพิ่มเพียงเล็กน้อย

ควรสร้าง Event Calendar ที่ระบุชื่อประเภทกิจกรรม วันที่เริ่มและจบ สถานที่ จำนวนผู้เข้าร่วมโดยประมาณ ระยะทางจากโรงแรม กลุ่มผู้เข้าร่วม และผลลัพธ์ในอดีต ตัวอย่างเช่น งานประชุมวิชาชีพขนาด 8,000 คนอาจสร้าง Compression (ภาวะความต้องการล้นพื้นที่) ในคืนก่อนเปิดงานและคืนแรก แต่คืนสุดท้ายอาจลดลงอย่างรวดเร็ว โรงแรมจึงไม่ควรใช้ราคาและ Minimum Length of Stay หรือ MLOS (จำนวนคืนขั้นต่ำ) แบบเดียวกันทุกคืน

สำหรับกิจกรรมใหม่ที่ไม่มีประวัติ ให้ใช้ Scenario Forecasting (การพยากรณ์หลายสถานการณ์) แทนการเลือกตัวเลขเดียว อาจสร้าง Low Case (กรณีต่ำ), Base Case (กรณีฐาน) และ High Case (กรณีสูง) เช่น คาด Pickup เพิ่ม 20, 35 และ 55 ห้องตามลำดับ พร้อมกำหนด Trigger (จุดกระตุ้นการตัดสินใจ) หาก OTB ถึง 70% ก่อนวันเข้าพัก 21 วัน ให้เปลี่ยนไปใช้ High Case และปรับราคา หาก Pickup ต่ำกว่า 3 ห้องต่อวันต่อเนื่อง 5 วัน ให้กลับมาประเมิน Base Case

ขั้นตอนประเมิน Event อย่างเป็นระบบประกอบด้วย

1. ยืนยันวัน เวลา สถานที่ และสถานะการจัดงานจากแหล่งข้อมูลที่น่าเชื่อถือ
2. ตรวจผลกระทบของกิจกรรมคล้ายกันในอดีต โดยจับคู่วันในสัปดาห์และฤดูกาล
3. วิเคราะห์ Search Demand (ความต้องการค้นหา), Website Traffic (ผู้เข้าชมเว็บไซต์) และ Inquiry (คำถามจากลูกค้า) หากโรงแรมมีข้อมูล
4. ติดตามราคาตลาดและ Availability (ห้องว่าง) ของ Competitive Set (กลุ่มคู่แข่ง)
5. แยกผลกระทบต่อ Arrival, Departure, Length of Stay และ Room Type
6. บันทึกผลจริงหลังงานจบเพื่อใช้เป็น Event Profile ในปีถัดไป

Forecast Accuracy วัดอย่างไรและค่าเท่าไรจึงถือว่าใช้ได้?

Forecast Accuracy ต้องวัดจากความแตกต่างระหว่างค่าที่พยากรณ์กับ Actual (ผลที่เกิดขึ้นจริง) โดยใช้มากกว่าหนึ่งตัวชี้วัด เพราะแต่ละสูตรตอบคำถามต่างกัน โรงแรมควรวัดทั้ง Error เป็นจำนวนห้อง Error เป็นเปอร์เซ็นต์ และ Bias (แนวโน้มพยากรณ์สูงหรือต่ำเกินจริง) แยกตาม Forecast Horizon (ระยะห่างจากวันพยากรณ์ถึงวันเข้าพัก) เช่น 30, 14, 7 และ 3 วัน

สูตร MAE หรือ Mean Absolute Error (ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์) คือผลรวมของค่าสัมบูรณ์ระหว่าง Forecast กับ Actual หารด้วยจำนวนวันที่วัด หาก Forecast สามวันเท่ากับ 100, 120 และ 140 ห้อง ส่วน Actual เท่ากับ 110, 115 และ 130 ห้อง Absolute Error คือ 10, 5 และ 10 ห้อง ดังนั้น MAE เท่ากับ 25 หาร 3 หรือ 8.33 ห้อง ตัวเลขนี้แปลว่า Forecast ผิดเฉลี่ยประมาณ 8 ห้องต่อวันโดยไม่สนใจทิศทาง

MAPE หรือ Mean Absolute Percentage Error (ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์) ช่วยเปรียบเทียบช่วงที่มี Demand ต่างกัน แต่มีข้อจำกัดเมื่อ Actual ต่ำมากหรือเป็นศูนย์ อีกตัวชี้วัดคือ Forecast Bias ซึ่งคำนวณจาก Forecast ลบ Actual หาก Bias เป็นบวกต่อเนื่อง แสดงว่า Over Forecast (พยากรณ์สูงเกินจริง) หากเป็นลบต่อเนื่อง แสดงว่า Under Forecast (พยากรณ์ต่ำเกินจริง) โรงแรมที่ MAE ดูไม่สูงแต่อยู่ในทิศทางเดียวตลอดอาจตัดสินใจด้านราคาและพนักงานผิดซ้ำๆ

ไม่มีค่า Accuracy มาตรฐานเดียวที่เหมาะกับทุกโรงแรม เพราะความผันผวนของ Resort, Airport Hotel และ Business Hotel แตกต่างกัน โรงแรมอาจตั้งเกณฑ์ภายในเบื้องต้น เช่น MAPE ที่ระยะ 30 วันไม่เกิน 15% ถึง 20%, ระยะ 14 วันไม่เกิน 10% ถึง 15% และระยะ 7 วันไม่เกิน 8% ถึง 10% แล้วปรับตามข้อมูลจริง สิ่งสำคัญคือ Accuracy ควรดีขึ้นเมื่อใกล้วันเข้าพัก หาก Forecast ระยะ 3 วันผิดพอๆ กับระยะ 30 วัน แสดงว่ากระบวนการอัปเดตไม่ได้ใช้ข้อมูล Pickup ล่าสุดอย่างมีประสิทธิภาพ

Forecast ที่ดีควรเชื่อมกับการตั้งราคาและ Inventory อย่างไร?

Forecast มีคุณค่าก็ต่อเมื่อเปลี่ยนเป็น Revenue Action (การดำเนินการด้านรายได้) เมื่อ Forecast Demand สูงกว่า Supply (อุปทานห้องพัก) โรงแรมควรพิจารณาขึ้นราคา จำกัดส่วนลด ปิดช่องทางต้นทุนสูง หรือใช้ Stay Restriction (ข้อจำกัดการเข้าพัก) เมื่อ Forecast ต่ำ โรงแรมอาจเปิด Promotion แบบเจาะกลุ่ม เพิ่มห้องให้ช่องทางที่สร้าง Demand และปรับข้อความการตลาด โดยไม่จำเป็นต้องลดราคาทุกกรณี

ตัวอย่างเช่น โรงแรมมี 150 ห้อง และ Forecast Unconstrained Demand สำหรับคืนวันเสาร์เท่ากับ 185 ห้อง หมายความว่าความต้องการมากกว่าความจุ 35 ห้อง หากราคาปัจจุบันยังรับ Pickup วันละ 12 ห้องทั้งที่เหลือ Inventory เพียง 20 ห้อง Revenue Manager ควรตรวจ Price Elasticity (ความยืดหยุ่นของอุปสงค์ต่อราคา) และทดลองขึ้นราคาเป็นขั้น พร้อมติดตาม Conversion Rate (อัตราเปลี่ยนผู้ค้นหาเป็นผู้จอง) แทนการปล่อยให้ห้องขายหมดเร็วเกินไป

ในทางกลับกัน หากเหลือเวลา 10 วัน โรงแรมมี OTB 60% และ Forecast Final Occupancy 68% เทียบกับ Typical Occupancy (อัตราปกติ) 82% การลดราคาแบบเปิดให้ทุกคนเห็นอาจไม่ใช่คำตอบแรก ทีมควรตรวจว่า Shortfall (ส่วนที่ขาด) เกิดใน Segment ใด หาก Corporate หายไปเพราะเป็นช่วงวันหยุด ควรหาลูกค้า Leisure (ท่องเที่ยวพักผ่อน) ด้วยแพ็กเกจที่มี Value Add (มูลค่าเพิ่ม) หาก Direct Conversion ต่ำเพราะขั้นตอนจองซับซ้อน ควรแก้ Booking Engine ก่อนซื้อโฆษณาเพิ่ม

ตารางตัดสินใจที่ใช้ใน Revenue Meeting อาจกำหนดดังนี้

โรงแรมควรจัด Forecast Meeting อย่างไรให้ตัดสินใจได้เร็ว?

Forecast Meeting ที่มีประสิทธิภาพควรใช้เวลาประมาณ 30 ถึง 60 นาที เน้นข้อยกเว้นและการตัดสินใจ ไม่ใช่อ่านตัวเลขทุกช่องจากรายงาน ผู้เข้าร่วมหลักมักประกอบด้วย Revenue, Sales, Front Office, Reservations, Marketing และ Operations โดยแต่ละฝ่ายนำข้อมูลคนละมุม Revenue อธิบาย Pace และราคา Sales อัปเดตกรุ๊ป Marketing รายงาน Campaign Performance (ผลงานแคมเปญ) และ Operations แจ้งข้อจำกัดด้านห้องหรือบริการ

ก่อนประชุมอย่างน้อยหนึ่งวัน Revenue Manager ควรส่ง Forecast Version ล่าสุด พร้อม Highlight (เน้นจุดสำคัญ) วันที่มีความเสี่ยงสูง วันที่ Demand เปลี่ยนเกินเกณฑ์ และสมมติฐานที่ต้องการคำยืนยัน ไม่ควรใช้เวลาประชุมแก้รหัสข้อมูลหรือค้นหาว่ากรุ๊ปใดยังไม่ชำระมัดจำ ปัญหาเหล่านี้ควรถูกเตรียมไว้ล่วงหน้า เพื่อให้เวลาประชุมใช้ตัดสินใจเรื่องราคา Inventory และทรัพยากร

วาระประชุมที่นำไปใช้ได้จริงมีดังนี้

1. ทบทวน Forecast Accuracy ของสัปดาห์ที่ผ่านมา 5 นาที
2. ตรวจ 14 วันข้างหน้าแบบรายวัน โดยเน้นวัน Occupancy สูงและต่ำ 10 นาที
3. ตรวจช่วง 15 ถึง 90 วัน โดยเน้น Pace, Group Block และ Event 15 นาที
4. ทบทวน Segment Mix, Channel Mix และ Room Type Risk 10 นาที
5. สรุป Revenue Action ผู้รับผิดชอบ และกำหนดเส้นตาย 10 นาที
6. ยืนยัน Assumption Log (บันทึกสมมติฐาน) และวันที่จะประเมินผลอีกครั้ง 5 นาที

กรณีศึกษาของโรงแรมสมมติแห่งหนึ่งพบว่า Forecast คืนปลายเดือนเพิ่มจาก 72% เป็น 91% ภายในหนึ่งสัปดาห์ ฝ่าย Sales แจ้งว่ากรุ๊ป 28 ห้องยืนยันแล้ว ฝ่าย Reservations พบว่า OTA มี Pickup สูงกว่าปกติ 40% และฝ่าย Front Office แจ้งห้องปิดซ่อม 6 ห้อง ที่ประชุมจึงลด Inventory จริงจาก 200 เหลือ 194 ห้อง ขึ้นราคา ปิดส่วนลด และเร่งซ่อม 3 ห้องก่อนวันเข้าพัก การตัดสินใจนี้เกิดขึ้นได้เพราะทุกฝ่ายใช้ Stay Date และ Data Cutoff เดียวกัน

ข้อผิดพลาดในการทำ Forecast ที่พบบ่อยมีอะไรบ้าง?

ข้อผิดพลาดแรกคือยึด Last Year (ปีก่อน) เป็นคำตอบโดยไม่ตรวจบริบท ข้อมูลปีก่อนเป็นเพียง Benchmark (จุดเปรียบเทียบ) ไม่ใช่ Forecast อัตโนมัติ ความต้องการอาจเปลี่ยนจากเที่ยวบินใหม่ คู่แข่งใหม่ การปรับปรุงโรงแรม วันหยุดที่เลื่อนตำแหน่ง หรือพฤติกรรม Lead Time ที่สั้นลง การคัดลอก Actual ของปีก่อนจึงอาจสร้างความมั่นใจที่ไม่มีหลักฐานรองรับ

ข้อผิดพลาดที่สองคือ Forecast ตามความจุแทน Demand เช่น โรงแรมมี 100 ห้องและคาดว่าจะเต็ม จึงบันทึก Forecast 100 ห้อง ทั้งที่มีลูกค้าต้องการ 135 ห้อง ตัวเลข 100 บอกเพียงยอดขายที่รองรับได้ แต่ไม่บอก Lost Demand (ความต้องการที่สูญเสีย) ทำให้โรงแรมประเมินโอกาสขึ้นราคาต่ำเกินไป ในวันที่มีแนวโน้มขายเต็มจึงควรบันทึกทั้ง Constrained Forecast (ประมาณการภายใต้ความจุ) และ Unconstrained Forecast

ข้อผิดพลาดที่สามคือปรับ Forecast เพื่อหลีกเลี่ยงคำถามจากผู้บริหาร หาก Budget เท่ากับ 80% แต่ข้อมูลสนับสนุนเพียง 65% การบันทึก Forecast 80% ไม่ได้ทำให้ยอดจองเพิ่มขึ้น กลับทำให้ฝ่ายจัดซื้อและฝ่ายบุคคลเตรียมทรัพยากรเกินจริง แนวทางที่ถูกต้องคือคง Forecast ที่ 65% พร้อมจัดทำ Gap Analysis (การวิเคราะห์ช่องว่าง) 15 จุดเปอร์เซ็นต์ และกำหนดกิจกรรมที่มี Owner, Deadline และ Expected Impact ชัดเจน

ข้อควรระวังเพิ่มเติมมีดังนี้

• อย่าใช้ Cancellation Rate เดียวกับทุก Channel และ Rate Plan
• อย่ารวม Group Block ที่ยัง Tentative (ยังไม่ยืนยัน) เป็นยอดแน่นอนทั้งหมด
• อย่าเพิกเฉยต่อ Out of Order เพราะทำให้ตัวหาร Occupancy และ Inventory ผิด
• อย่าปรับ Forecast บ่อยโดยไม่บันทึกเหตุผล เพราะจะวิเคราะห์ Bias ไม่ได้
• อย่าตัดสินใจจาก Pickup วันเดียว ควรดูแนวโน้มต่อเนื่องและ Day of Week
• อย่ามองเฉพาะ Occupancy เพราะยอดห้องแม่นแต่ ADR และ Segment Mix อาจผิดมาก
• อย่าลบ Outlier (ค่าผิดปกติ) ก่อนตรวจสอบ เพราะบางครั้ง Outlier คือสัญญาณของ Event หรือ Demand ใหม่

จะสร้างระบบ Forecast โรงแรมตั้งแต่เริ่มต้นภายใน 30 วันได้อย่างไร?

โรงแรมสามารถสร้างระบบ Forecast ขั้นพื้นฐานภายใน 30 วันได้โดยแบ่งงานเป็นสี่สัปดาห์ สัปดาห์แรกกำหนดนิยามข้อมูลและตรวจคุณภาพ สัปดาห์ที่สองสร้าง Booking Curve และ Segment Pattern สัปดาห์ที่สามจัดทำ Forecast รุ่นทดลอง ส่วนสัปดาห์ที่สี่วัด Error และเริ่มประชุมทบทวน เป้าหมายรอบแรกไม่ใช่สร้างโมเดลซับซ้อนที่สุด แต่คือสร้างกระบวนการที่ทำซ้ำ ตรวจสอบ และอธิบายได้

ในสัปดาห์ที่หนึ่ง ให้แต่งตั้ง Data Owner (เจ้าของข้อมูล) และตกลงนิยาม Room Sold, Available Room, Revenue, Cancellation, No Show และ Segment ให้ตรงกัน ดึงข้อมูลย้อนหลัง 12 ถึง 24 เดือน ตรวจวันที่ผิด ราคาผิด ห้องซ้ำ และสถานะที่ไม่สมบูรณ์ จากนั้นสร้าง Event Calendar และระบุช่วงที่ข้อมูลเปรียบเทียบไม่ได้ เช่น ช่วงปิดปรับปรุงหรือช่วงเปิด Inventory ไม่ครบ

สัปดาห์ที่สองและสาม ให้คำนวณ Booking Pace ตาม Lead Time แยกวันในสัปดาห์และ Segment สร้างค่าเฉลี่ย Pickup พร้อม Cancellation Curve แล้วนำไป Forecast 90 วันข้างหน้า เริ่มจากสูตรที่โปร่งใส เช่น Final Rooms เท่ากับ OTB บวก Expected Gross Pickup ลบ Expected Cancellation จากนั้นให้ทีม Sales และ Operations ตรวจเฉพาะสมมติฐานที่ข้อมูลระบบมองไม่เห็น เช่น กรุ๊ปที่อยู่ระหว่างตัดสินใจหรือห้องที่กำลังจะปิดซ่อม

สัปดาห์ที่สี่ ให้บันทึก Forecast Snapshot และ Actual เพื่อคำนวณ MAE, MAPE และ Bias จัด Forecast Meeting ครั้งแรก พร้อมกำหนด Action Threshold (เกณฑ์กระตุ้นการลงมือ) เช่น Forecast เปลี่ยนเกิน 5 จุดเปอร์เซ็นต์ Pickup ต่างจากค่าเฉลี่ยเกิน 20% หรือ Cancellation สูงกว่าเกณฑ์ 10 ห้อง หลังจากนั้นให้ทำ Rolling Forecast ทุกสัปดาห์และทบทวนโครงสร้างโมเดลทุกเดือน

กรณีศึกษา: โรงแรมสมมติขนาด 120 ห้องเริ่มจากตารางคำนวณที่มีเพียง OTB, Expected Pickup และ Expected Cancellation เดือนแรก Forecast ระยะ 14 วันมี MAPE 18% หลังแยก Business Day กับ Weekend และแยก Direct, OTA และ Group ค่า MAPE ลดลงเหลือ 11% ในรอบประเมินถัดมา จุดเปลี่ยนไม่ได้เกิดจากซอฟต์แวร์ราคาแพง แต่เกิดจากการแบ่งพฤติกรรมลูกค้าให้ถูกต้องและบันทึก Snapshot สม่ำเสมอ

สรุปการพยากรณ์ยอดจองโรงแรมและ Key Takeaways

การพยากรณ์ยอดจองโรงแรมที่แม่นยำเริ่มจากคำถามง่ายๆ ว่า วันนี้โรงแรมมีห้องจองอยู่เท่าไร ยอดจองจะเพิ่มอีกเท่าไร ยอดใดมีโอกาสยกเลิก และมีปัจจัยอะไรที่ทำให้รูปแบบครั้งนี้ต่างจากอดีต คำตอบต้องถูกสร้างจากข้อมูลระดับ Stay Date, Booking Date, Segment, Channel และ Room Type ไม่ใช่ความรู้สึกหรือเป้าหมายใน Budget เพียงอย่างเดียว

Forecast ที่ดีไม่จำเป็นต้องถูกต้อง 100% เพราะอนาคตมีความไม่แน่นอน แต่ต้องบอกระดับความเสี่ยงและปรับตามข้อมูลใหม่ได้เร็ว โรงแรมควรวัด MAE, MAPE และ Bias แยกตาม Forecast Horizon เพื่อดูว่าระบบแม่นขึ้นเมื่อเข้าใกล้วันเข้าพักหรือไม่ หากพบ Error ต้องหาสาเหตุในระดับ Segment, Cancellation, Event หรือ Inventory แทนการแก้ตัวเลขปลายทางให้ดูดี

สิ่งสำคัญที่สุดคือ Forecast ต้องนำไปสู่การปฏิบัติ ไม่ว่าจะเป็นการปรับราคา ควบคุมช่องทาง วาง Stay Restriction เปิดโปรโมชัน ติดตามกรุ๊ป หรือจัดพนักงาน หากรายงานถูกผลิตทุกสัปดาห์แต่ไม่มี Decision Log (บันทึกการตัดสินใจ) ไม่มีผู้รับผิดชอบ และไม่มีการวัดผล Forecast นั้นยังไม่ถือว่าเป็นระบบ Revenue Management ที่สมบูรณ์

Key Takeaways

• ใช้ข้อมูลย้อนหลังอย่างน้อย 12 เดือน และควรมี 24 ถึง 36 เดือนเมื่อโครงสร้างธุรกิจเปรียบเทียบกันได้
• แยก Budget, Target และ Forecast ออกจากกันอย่างชัดเจน
• เก็บ Snapshot ตาม Lead Time เพื่อคำนวณ Booking Pace และ Pickup
• Forecast แยกตาม Segment, Channel และ Room Type ก่อนรวมเป็นระดับโรงแรม
• หัก Cancellation และ No Show ตามพฤติกรรมจริงของแต่ละกลุ่ม
• ใช้ Scenario Forecast เมื่อเจอเหตุการณ์ใหม่หรือข้อมูลมีความไม่แน่นอนสูง
• วัด MAE, MAPE และ Bias ที่ระยะ 30, 14, 7 และ 3 วันก่อนเข้าพัก
• บันทึกทั้ง Constrained Demand และ Unconstrained Demand ในวันที่มีโอกาสเต็ม
• เชื่อมทุกการเปลี่ยน Forecast เข้ากับราคา Inventory การตลาด และแผนปฏิบัติการ
• ทบทวน Accuracy สม่ำเสมอ เพราะ Forecast ที่แม่นขึ้นเกิดจากวงจรเรียนรู้ ไม่ใช่สูตรเพียงสูตรเดียว

📚 หนังสือที่เกี่ยวข้องกับ บริหารรายได้

SKU-00024Hotel Revenue Manager Mastery: คู่มือสู่ผู้จัดการฝ่ายจัดการรายได้ของโรงแรม (518 หน้า)อ่านรายละเอียด →

📖 หนังสือแนะนำ

Hotel Revenue Manager Mastery: คู่มือสู่ผู้จัดการฝ่ายจัดการรายได้ของโรงแรม (518 หน้า)SKU-00024OTA & Channel Management: บริหารช่องทางขาย ลดค่าคอมฯ ดึงยอดจองตรงSKU-00065Revenue Management โรงแรม: ตั้งราคาให้ห้องเต็มและกำไรพุ่งSKU-00047คู่มือ Concierge มืออาชีพ: ดูแลแขกระดับ VIP สร้างประสบการณ์เหนือความคาดหมายSKU-00051เชฟโรงแรมมือใหม่: ทักษะครัวที่ต้องรู้SKU-00050Hotel Front Desk Night Shift: คู่มือพนักงานต้อนรับรอบดึกมืออาชีพ (ฉบับปรับปรุงครั้งที่ 2)SKU-00111HOTEL RESUME: เขียนเรซูเม่ให้ได้งานโรงแรม เทคนิคเล่าเรื่องตัวเองให้โดนใจ HR (ฉบับอัปเดตครั้งที่ 2)SKU-00074English for Food & Beverage Service: ภาษาอังกฤษสำหรับพนักงานบริการอาหารและเครื่องดื่ม รับออเดอร์ เสิร์ฟ และดูแลแขกต่างชาติอย่างมืออาชีพ (ฉบับอัปเดตเนื้อหาครั้งที่ 2)SKU-00082Hotel Revenue Manager Mastery: คู่มือสู่ผู้จัดการฝ่ายจัดการรายได้ของโรงแรม (518 หน้า)SKU-00024OTA & Channel Management: บริหารช่องทางขาย ลดค่าคอมฯ ดึงยอดจองตรงSKU-00065Revenue Management โรงแรม: ตั้งราคาให้ห้องเต็มและกำไรพุ่งSKU-00047คู่มือ Concierge มืออาชีพ: ดูแลแขกระดับ VIP สร้างประสบการณ์เหนือความคาดหมายSKU-00051เชฟโรงแรมมือใหม่: ทักษะครัวที่ต้องรู้SKU-00050Hotel Front Desk Night Shift: คู่มือพนักงานต้อนรับรอบดึกมืออาชีพ (ฉบับปรับปรุงครั้งที่ 2)SKU-00111HOTEL RESUME: เขียนเรซูเม่ให้ได้งานโรงแรม เทคนิคเล่าเรื่องตัวเองให้โดนใจ HR (ฉบับอัปเดตครั้งที่ 2)SKU-00074English for Food & Beverage Service: ภาษาอังกฤษสำหรับพนักงานบริการอาหารและเครื่องดื่ม รับออเดอร์ เสิร์ฟ และดูแลแขกต่างชาติอย่างมืออาชีพ (ฉบับอัปเดตเนื้อหาครั้งที่ 2)SKU-00082