Smart Forecast Enhanced — hosszabb távú hibrid modell

Szeptember 1., kedd délelőtt, Hotel Peaqplus City. Ádám egy banki e-maillel a kezében lép be Dániel irodájába: a hotel hitelkeretének éves felülvizsgálata közeleg, és a bank — a tulajdonossal egyetértésben — 90 napos bevételi kilátást kér a negyedik negyedév cash-flow tervezéséhez. Nem hangulatjelentést: számot, indoklással.

Dániel ránéz a naptárra, és pontosan tudja, miért kényelmetlen a kérés. A szeptember–november a ház konferencia-szezonja — az év legjobb, és egyben legnehezebben jósolható időszaka. A MICE-kereslet (meetings, incentives, conferences, exhibitions — rendezvény-alapú üzleti kereslet) lökésszerű: egy-egy nagyrendezvény hete kiugrik, a köztes hetek visszaesnek. A corporate ingadozik: a vállalati projektek csúsznak, sűrűsödnek, átütemeződnek. És a foglalások zöme, amelyből a Q4 összeáll, szeptember 1-jén még meg sem született.

A 38. leckében felépített hibrid forecast — comparable-date bázis, pace-extrapoláció, esemény-korrekció, kontextus-súlyozott átlag — a következő 2-4 hétre kiválóan dolgozik. De a 60-90 napos horizonton, kevés foglalási jellel, más eszköz kell. Ez a lecke arról szól, hogyan épül fel a Smart Forecast Enhanced — a hosszabb távú, AI-erősített hibrid — három rétegben, és ami legalább ennyire fontos: hogyan fogyaszd a kimenetét úgy, hogy jó döntés szülessen belőle.

Miért más a 60-90 napos horizont

A 38. lecke rövid-horizontú modelljének ereje a pace-jelben van: T-7-nél az OTB (on the books — a könyvben lévő foglaltság) már a végeredmény 75-85%-a, a booking curve (37. lecke) meredek szakaszán vagyunk, és a pace-eltérés erős előrejelző. A 60-90 napos horizonton ez a három feltétel egyszerre esik ki:

1. Kevés az OTB-jel. T-60-nál egy városi hotel OTB-je jellemzően a végeredmény 20-35%-a. A jel, amelyből a rövid modell él, itt még alig létezik — a forecast nagyja nem mérés, hanem becslés arról, ami még meg sem történt.
2. A booking curve korai szakasza zajos. A curve eleje lapos és szórt: T-60 és T-50 között néhány foglalás ide-oda billenti a pace-képet. Egy +4 szobás jó hét ezen a szakaszon lehet valódi erő — vagy egyetlen család véletlen időzítése. A pace-extrapoláció, amely T-7-nél éles műszer, T-60-nál inkább zajgenerátor.
3. Az események és a csoportok kimenete bináris. Egy 30 szobás csoport vagy jön, vagy nem — „kicsit jön” nincs. Egy konferencia vagy megrendeződik idén is, vagy máshová költözik. A hosszú horizont forecast-hibájának legnagyobb tétele nem a transient-becslés pontatlansága, hanem ezeknek a nagy, diszkrét kimeneteleknek a bizonytalansága. A 39. lecke nyelvén: az unconstrained kereslet becslése a hosszú horizonton önmagában is nehéz — de a szórás zömét a bináris tételek adják.

Ehhez jön a konferencia-szezon sajátossága: a historikus minta évről évre eltolódik. A vásárok dátuma vándorol, egy rendezvény hosszabb vagy rövidebb lesz, új esemény születik, régi szűnik meg. A „tavaly ilyenkor” itt kevésbé megbízható bázis, mint egy stabil leisure-szezonban — a naptár-igazítás nem kényelmi extra, hanem a pontosság előfeltétele.

A soros hibrid — három réteg, egymásra építve

Először egy fogalmi híd a 38. leckéhez. Ott a „Layer” szó párhuzamos becsléseket jelentett: három modell futott egymás mellett, és a végeredmény a kontextus-súlyozott átlaguk volt. Az Enhanced megközelítésben a rétegek sorosan épülnek egymásra: a Layer 1 ad egy statisztikai alapot, a Layer 2 ezt az alapot korrigálja a kontextus alapján, a Layer 3 — az ember — a korrigált számot igazítja azzal, amit csak ő tud. Nem átlagolás, hanem finomítási lánc: minden réteg ott javít, ahol az előző vak.

Így válik az 51. leckében bevezetett munkamegosztás — a gép az adatban erős, az ember a piacon — konkrét architektúrává: a Layer 1 a historikus adaté, a Layer 2 a nyilvános kontextusé, a Layer 3 a privát tudásé.

Layer 1 — a statisztikai alapmodell

Az alap ugyanaz a gondolat, mint a 37-38. leckében: a historikus pickup-mintázatokból megtanulni, hogy egy ilyen típusú napra, ennyi nappal az érkezés előtt mennyi foglalás szokott még beérkezni — és ezt hozzáadni a jelenlegi OTB-hez. Az Enhanced alapmodell azonban több ponton finomabb a klasszikusnál:

• Finomabb szezonalitás. A minták havi bontásban készülnek, nem negyedévesben — a szeptember és a november nem mosódik össze egy „Q4-átlagba”, pedig a keresleti profiljuk gyökeresen eltér. A hét napja külön dimenzió marad: egy októberi szerda és egy októberi vasárnap két külön minta.
• Lead-time sávok. A „hány nappal az érkezés előtt” dimenzió nem napra pontos rekeszekben él, hanem sávokban: az érkezéshez közel (ahol a curve meredek) szűk, távolabb (ahol lapos) széles sávok. Így minden mintához elég historikus megfigyelés jut ahhoz, hogy az átlag statisztikailag értelmes legyen — napra pontos rekeszekkel a legtöbb rekesz szinte üres maradna, és az „átlag” egyetlen véletlen foglalás lenne.
• Frissesség-súlyozás. Az utolsó hónapok adata nagyobb súlyt kap, mint a régebbi — a hotel keresleti profilja él és változik, a modell a mostani házat becsülje, ne a két évvel ezelőttit.
• Kilógó értékek szűrése. Egy-egy extrém tétel — mondjuk egy kivételesen nagy, hosszú csoportfoglalás — nélkül számolódik az átlag. E nélkül egyetlen rendhagyó esemény hónapokra torzítaná a „normál” pickup-képet.
• Év/év trend-faktor. Ha a ház az utolsó 12 hónapban szisztematikusan az előző 12 hónap felett teljesít, a modell ezt óvatos szorzóval beépíti — de csak akkor, ha van elég összehasonlítható múlt. Kevés adatnál a trend-számítás nem trendet mérne, hanem adat-hiányt, ezért ilyenkor a modell semleges marad. (Ez a GIGO-elv — garbage in, garbage out: amilyen az adat, olyan a kimenet — gyakorlati arca; az 57. leckében külön mélyítjük.)
• Józansági korlátok. A forecast soha nem eshet a már könyvben lévő OTB alá (ami már megtörtént, azt nem lehet „eljósolni”), és soha nem lépheti túl a ház kapacitását.

Ez a réteg — akárcsak a klasszikus Smart Forecast — naponta újraszámol minden napra, így minden reggel a legfrissebb foglalási állapotból indul.

Mit tud ez a réteg? A normalitást: mit csinál egy átlagos októberi szerda, ha semmi rendkívüli nem történik. És mit nem tud? Pontosan azt, amitől a konferencia-szezon nehéz: nem látja a naptárat. Nem tudja, hogy az idei vásár hosszabb, hogy új rendezvény jött a városba, hogy egy ünnep átcsúszott másik hétre. A historikus átlagban ezek a hatások szét vannak kenve — az idei, konkrét naptárra vetíteni őket nem az átlag dolga.

Layer 2 — LLM-alapú kontextus-korrekció

Itt lép be a nagy nyelvi modell (LLM — large language model). A Layer 2 minden reggel végigmegy a következő 60 nap napjain, és minden naphoz megkapja: az alapmodell becslését, a jelenlegi OTB-t, a tavalyi tényt, a same-point összevetést (18. és 50. lecke), a budget-célt, az utolsó napok pickup-trendjét — és ami a lényeg: az esemény-naptárat. Ebből a képből azt becsüli meg, hogy az idei, konkrét kontextus mennyivel téríti el a napot a historikus normától.

Miért pont LLM? Mert a feladat nem számolás, hanem értelmezés. Azt, hogy „az átlagos októberi szerda 68%-ot csinál”, a statisztika tudja jobban. Azt, hogy „az idei vásár két nappal hosszabb, ezért a csütörtök-péntek is vásár-nappá válik”, vagy hogy „a nemzeti ünnep idén hosszú hétvégét képez, ami a business-keresletet lefelé, a leisure-t felfelé tolja” — ezt szabályrendszerbe kódolni reménytelen, egy nyelvi modell viszont a naptári jelekből jó eséllyel kiolvassa. Ugyanaz a képesség, amelyet az 52. leckében az Insight Engine-nél és az 54. leckében a Pulse Chatnél láttál: a gép a mintázat-értelmezésben segít, nem az aritmetikában.

És itt jön a rendszer talán legfontosabb tervezési elve, amelyet forecast-fogyasztóként ismerned kell: a korrekció korlátos. Az LLM az alapmodell számát csak egy előre rögzített sávon belül mozdíthatja el, és a ház kapacitását a korrigált szám sem lépheti túl — a korlátokat nem a modell „jóindulata” tartja be, hanem a rendszer kényszeríti ki. A Layer 2 tehát árnyal, nem újraír: ha a kontextus alapján drámaian más képet látna, akkor is csak mérsékelt kitérítést adhat. Ez tudatos döntés — a nyelvi modell néha téved, és egy korlátos tévedés kezelhető, egy korlátlan nem. És minden korrekcióhoz írott indoklás tartozik, amelyet a rendszer naponként eltárol — a korrekció így nem fekete doboz, hanem visszakereshető állítás.

Mit tud ez a réteg? A nyilvános kontextust: mindazt, ami a naptárból, az adatokból és az összevetésekből kiolvasható. Mit nem tud? A privát tudást. Nem tudja, hogy tegnap milyen ajánlat ment ki egy szervezőnek, hogy a sales milyen valószínűséget mond egy függő csoportra, hogy egy törzspartner cége éppen felvásárlás alatt áll. Ez a Layer 3 terepe.

Layer 3 — az emberi korrekció-loop

A Layer 3 te vagy — de nem „majd ránézek” értelemben, hanem strukturált loopként. Két fele van: a korrekció és a visszamérés.

A korrekció. A Forecast modulban a gépi becslés kiindulási értékként jelenik meg, és napi bontásban felülírhatod. Ide kerül be az, amit csak az RM tud: a tegnap kiment 30 szobás tentative ajánlat és a becsült realizálódási esélye, egy ismert lemondás-kockázat (a 29. leckéből ismert wash-jelenség — a csoportok szerződött szobaszáma az érkezésig jellemzően morzsolódik), egy piaci hír, egy új vállalati szerződés, amely még nem termel foglalást. Az expert-szintű fegyelem: a korrekciód várható értékben gondolkodjon (valószínűség × hatás), ne bináris reményben — és mindig kérdezd meg magadtól, hogy a gépi alap nem tartalmazza-e már részben azt, amit hozzáadnál. A számpéldában visszatérünk rá, mert ez a leggyakoribb hiba.

A visszamérés. A rendszer a forecast napi állapotát pillanatfelvételként eltárolja, és havonta horizontonként méri a hibát: mennyit tévedett a becslés 7, 14, illetve 30 nappal az érkezés előtt — külön a nyers statisztikai alapra és külön az AI-korrigált változatra, egymás mellett. Így a „mennyire bízzak a gépben?” kérdésre nem hasraütéses válaszod lesz, hanem mért: látod, hogy a te házadon, a te szezonodban, az adott horizonton mekkora a tipikus hiba. És ugyanez a tükör a saját korrekcióidra is tartható: ha a felülírásaid szisztematikusan rontanak a gépi számon, azt észre kell venned — erre még visszatérünk.

Számpélda — az októberi konferencia-hét szeptember 1-jén

Hotel Peaqplus City, 80 szoba. A kiválasztott nap: október 7., szerda — a város őszi gazdasági konferencia-hetének csúcsnapja. Ma szeptember 1. van, tehát T-36-nál állunk. Kövesd rétegről rétegre — minden szám ellenőrizhető.

Layer 1. A jelenlegi OTB: 20 szoba = 25%. Az alapmodell az októberi szerdák historikus mintáiból (a megfelelő lead-time sávra, frissesség-súlyozva, kilógó értékek nélkül) azt mondja: egy ilyen napra, ennyi idővel az érkezés előtt átlagosan még +43 százalékpontnyi (pp) foglalás érkezik. Az alap-becslés tehát: 25% + 43 pp = 68%, azaz 54,4 szoba. Ez a „normál októberi szerda” képe.

Layer 2. Az LLM a naptárban két releváns jelet lát: az idei gazdasági konferencia két nappal hosszabb a tavalyinál (a szerda így már nem felvezető, hanem teljes értékű konferencia-nap), és ugyanarra a hétre bejelentettek egy új egészségügyi szakmai rendezvényt is a szomszédos kongresszusi központba. A korrekció: +6 pp, írott indoklással. Új becslés: 68% + 6 pp = 74% (59,2 szoba). Figyeld az arányt: a korrekció érdemi, de nem drámai — a korlátos sáv pontosan ezt a viselkedést kényszeríti ki.

Layer 3. Dániel tud valamit, amit egyik gépi réteg sem: múlt héten kiment egy ajánlat egy 30 szobás tentative csoportra éppen erre a hétre, és a szervezővel folytatott beszélgetés alapján 60%-ra becsüli a realizálódást. A várható érték: 30 × 0,6 = 18 szoba, ami 80 szobán 22,5 pp.

És itt a lépés, amelyen a legtöbb kézi korrekció elcsúszik: ezt nem szabad egy az egyben hozzáadni. A Layer 1 historikus átlaga ugyanis a hasonló októberi hetek átlagos csoport-pickupját már tartalmazza — a múltbeli konferencia-hetekben is jöttek csoportok, és az ő foglalásaik benne vannak a mintában. Dániel megnézi a historikus bontást: a hasonló napokra átlagosan ~10 szobányi (12,5 pp) csoport-pickup szokott még beérkezni ezen a lead-time-on — ennyit a gépi alap már „beárazott”. A korrekció tehát csak a többlet: 18 − 10 = 8 szoba = +10 pp.

Végső forecast: 74% + 10 pp = 84% (67,2 szoba). A konfidencia-sáv ezen a horizonton széles — a tentative csoport bináris kimenete és a korai curve-szakasz zaja miatt Dániel ±7 pp-vel dolgozik: 77–91%.

Két héttel később — a loop működés közben

Szeptember 15., T-22. A csoport aláírt — a 60% eldőlt, mégpedig felfelé: a 30 szoba bekerült az OTB-be. Mellette a transient is hozott két hét alatt 8 szobát. Az új OTB: 20 + 30 + 8 = 58 szoba = 72,5%.

A rendszer nem vár rád: a Layer 1 másnap reggel már az új OTB-ből számol. Az alapmodell a T-22-es lead-time sávra +13,5 pp hátralévő pickupot becsül: 72,5% + 13,5 pp = 86%. A Layer 2 a változatlan naptári képre már csak +3 pp-t tesz — a konferencia-hatás egy része időközben ténnyé vált, beérkezett foglalásként ül az OTB-ben, nem kell újra hozzábecsülni: 89%.

És a Layer 3? Dániel kinullázza a csoport-korrekcióját. Ez a loop-fegyelem kritikus pillanata: a kézi korrekció oka megszűnt — a csoport már a könyvben van, a Layer 1 látja. Ha a korrekció bent maradna, ugyanazt a csoportot kétszer számolná a forecast. Kézi korrekciót mindig az okával együtt tarts nyilván, és amint az ok ténnyé válik vagy megdől, a korrekció megy ki. Egy dolgot jegyez fel helyette: a wash-kockázatot (29. lecke) — a 30 szobás rooming list az érkezésig még morzsolódhat pár szobát, de az belefér a sávba.

Az új végső forecast: 89% ± 5 pp (84–94%). A sáv szűkült — több a tény, kevesebb a becslés. Így néz ki a hosszú-horizontú forecast egészséges élete: nem egy szám, amelyet egyszer kimondunk, hanem napi ritmusban frissülő becslés, amelynek bizonytalansága az érkezés felé haladva szisztematikusan olvad. (A tentative csoportok kimeneteinek módszeres végiggondolására — „mi lenne a kép, ha ez a csoport kiesne?” — a 63. leckében külön keretet kapsz.)

A forecast-fogyasztás fegyelme

A modell felépítését érted. Az expert szint második fele: hogyan használd úgy, hogy jobb döntés szülessen belőle.

Pont helyett sáv

A 84% önmagában féligazság — a teljes állítás így hangzik: „77 és 91 között, legvalószínűbben 84.” A döntéseidet a sávra tervezd, ne a pontra. Kapacitás- és létszámdöntésnél a sáv alja a biztonságos alap; ár- és displacement-döntésnél (40-41. lecke: érdemes-e csoportot befogadni, ha transient keresletet szoríthat ki) a sáv teteje is számít — 91%-os felső él mellett a maradék szabad kapacitás ára egészen más, mint 77%-nál. És ha egy döntés a sáv két szélén ellentétes irányba dőlne el, az annak a jele, hogy a döntést még nem szabad meghozni — előbb szűkítsd a bizonytalanságot (várj pár nap pickupot, tisztázd a csoport-státuszt), ahogy az 50. lecke trigger-logikája tanította.

A hiba mérése — és miért horizontonként

A havi visszamérés horizontonként mutatja a tipikus hibát — MAPE-jellegű mutatóval (mean absolute percentage error — átlagos abszolút százalékos hiba: mennyit tévedtünk átlagosan, százalékban, előjeltől függetlenül). Egy egészséges kép például: T-30-nál 9%, T-14-nél 6%, T-7-nél 4%. Ebből két dolog következik. Egyrészt a bizalom horizontfüggő: ugyanannak a rendszernek a T-7-es számára építhetsz, a T-60-as számát forgatókönyvként kezeld. Másrészt a visszamérés összehasonlít: a nyers statisztikai és az AI-korrigált becslés hibája egymás mellett áll — ha az AI-korrigált hónapról hónapra pontosabb, az a Layer 2 értékének bizonyítéka; ha nem, az annak a jele, hogy a te házadon a kontextus-jelek gyengék, és az alapra érdemes támaszkodni. Nem hitkérdés: mért tény.

Mikor írd felül a gépet — és mikor ne

A Layer 3 a rendszer ereje és egyben a leggyengébb pontja — rajtad múlik, melyik. Két szélsőség rontja el:

• A „mindig felülírom” RM. Ha minden gépi számhoz hozzányúlsz, a forecast valójában a te megérzésed, gépi díszlettel — és a visszamérés sem tudja megmutatni, mit tudna a modell magára hagyva. A korrekció-loop értelmét veszti, mert nincs mihez képest tanulni.
• A „sosem írom felül” RM. Ekkor a Layer 3 üres, és pont az az információ marad ki, amelyet a gép elvileg sem láthat: a tegnapi ajánlat, a privát csoport-esély, a partner-hír. A rendszer legjobb tulajdonsága — hogy a privát tudásnak strukturált helye van — kihasználatlan marad.

Az egészséges szabály: csak akkor korrigálj, ha olyan konkrét információd van, amely a gépi rétegek inputjában bizonyíthatóan nincs benne — és akkor viszont mindig: várható értékkel, a bázis-tartalom levonásával, felírt okkal. A „nekem más az érzésem” nem korrekciós ok; a „tegnap kiment egy 30 szobás ajánlat 60% eséllyel” az. És félévente nézz tükörbe a visszaméréssel: a korrekcióid összességében javították vagy rontották a pontosságot? Ez a kérdés kellemetlen — és pontosan ezért teszi jobbá azt az RM-et, aki hajlandó feltenni.

A 90 napos kilátás Ádám kezében

Szeptember 15-én Dániel leül Ádámmal — és a bank felé menő anyag nem egy szám lesz, hanem forgatókönyv: az 50. leckében megismert scenario-gondolat, hosszú horizontra emelve. Az október így néz ki:

És a táblázat alatt — ez a szakmailag érett rész — a feltételezések listája: a sáv azt tételezi fel, hogy a konferencia-naptár nem változik, az aláírt csoportok wash-e a szokásos mértékű marad, és a corporate-átütemezések kiegyenlítik egymást. A bank így nem hamis pontosságot kap, hanem őszinte képet: mit tudunk, mennyire biztosan, és min múlik. A november távolabbi fele szeptember közepén még az AI-korrekció 60 napos ablakán is kívül esik — ott a statisztikai alap és a feltételezés-lista viszi a képet, és a napok hétről hétre csúsznak be az ablakba, ahogy közeledik az érkezés. Ádám a heti revenue meetingen (47. lecke) frissítteti a kilátást — a novemberi sáv szeptemberben még széles, de hétről hétre szűkül, ahogy a becslés ténnyé érik. A tulajdonos visszajelzése egy hónappal később: évek óta ez az első kilátás, amelynél értette is, miért annyi a szám — mert a szám mellé megkapta a bizonytalanságot és az okokat is.

Kulcsüzenetek

• A 60-90 napos horizont másfajta probléma, mint a rövid: kevés az OTB-jel, zajos a curve korai szakasza, és a hiba zömét a bináris kimenetű események és csoportok adják — a rövid-horizontú pace-logika (38. lecke) itt önmagában kevés.
• A Smart Forecast Enhanced soros finomítási lánc, nem párhuzamos átlag: a Layer 1 (statisztikai alap) a historikus normalitást adja, a Layer 2 (LLM) a naptári kontextussal korrigálja — korlátos sávban, írott indoklással, naponta 60 napra —, a Layer 3 (az RM) a privát tudást teszi hozzá. Minden réteg ott javít, ahol az előző vak.
• A kézi korrekció fegyelme három szabály: várható értékkel számolj (valószínűség × hatás), vond le, amit a gépi bázis már tartalmaz (a duplaszámolás a leggyakoribb hiba), és a korrekciót az okával együtt tartsd nyilván — amint az ok ténnyé válik, a korrekció megy ki.
• A forecast sáv, nem pont — a döntést a sávra tervezd, és a bizalmadat horizontonként kalibráld a mért hibából (MAPE), ne megérzésből.
• A felülírás mindkét szélsősége hiba: aki mindig felülír, annál a modell sosem tud tanulni és bizonyítani; aki sosem, annál a rendszer legértékesebb rétege marad üresen. Csak konkrét, a gép számára láthatatlan információ alapján korrigálj — és mérd vissza a saját találati arányodat is.