A 20. leckében kézzel felépítettünk egy 3-rétegű forecast-modellt — tavalyi alap, pace-extrapoláció, manuális korrekciók. A 37. leckében a booking curve-öt tettük hozzá: a dátum-szintű foglalási ujjlenyomatot. Most a kettőt összerakjuk egy érett, hibrid forecast-megközelítésbe — ez a Peaqplus Smart Forecast moduljának belső logikája.
A „hibrid” itt a kulcsszó: nem egy modellt futtatunk, hanem többet párhuzamosan, és az eredményüket kontextus-érzékenyen súlyozva kombináljuk. A forecast-kutatás egyik legrégebbi tanulsága, hogy a kombinált előrejelzés jellemzően pontosabb, mint bármelyik összetevője önmagában — ezért dolgozik ma minden érett RMS-forecast így. Az expert szinten (55. lecke: Smart Forecast Enhanced — hosszabb távú hibrid modell) látjuk majd a kiterjesztett verziót; ez a lecke a klasszikus, statisztikai hibridet veszi végig, számokon.
Mi a hibrid forecast?
A hibrid forecast egy keret: több különböző forecast-módszer fut párhuzamosan ugyanarra a dátumra, és a végeredmény a becslések súlyozott átlaga.
Az egy-modelles megközelítés problémája, hogy minden módszernek van vakfoltja:
- A historikus átlag (comparable-date modell) stabil mintázatnál erős, de vak az idei egyedi helyzetre — nem látja, ha a pace épp elszakad a szokásostól.
- A pace-extrapoláció az idei tényleges foglalási tempóból dolgozik, de korán zajos (kevés OTB-ből extrapolál), és túl tud reagálni egy-egy véletlen kiugrásra.
- Egyik sem tud arról, amit csak az RM tud: a tegnap aláírt csoport-szerződésről, a jövő heti kampányról, a frissen felfedezett koncertről.
A hibrid modell mindhárom információ-forrást futtatja, és a kontextustól függően súlyozza: egy event-napon a kontextus-réteg kap nagy súlyt, egy átlagos szerdán a pace dominál.
A Smart Forecast három rétege
A Peaqplus Smart Forecast belső stackje három rétegre épül. Mindegyik önálló becslést ad, a végén súlyozottan kombinálódnak. Nézzük végig Hotel Peaqplus City egy konkrét napján: december 16., szombat — advent-csúcs hétvége, és aznap estére nemrég került az event-naptárba egy aréna-koncert. A forecast 7 nappal az érkezés előtt készül.
Layer 1 — comparable-date bázis
Ez a 20. leckéből ismert „tavalyi alap”, automatizálva: a modell maga választja ki a comparable napokat az utolsó 3 évből (days-of-week aligned, naptár-igazítva — advent-szombathoz advent-szombatot), és frissesség szerint súlyozza őket:
| Év | Comparable szombat finalje | Súly |
|---|---|---|
| Tavaly | 88% | 50% |
| 2 éve | 85% | 30% |
| 3 éve | 80% | 20% |
A súlyozott bázis: 0,5 × 88 + 0,3 × 85 + 0,2 × 80 = 85,5%.
Layer 1 forecast: 85,5%. A 20. lecke kézi modellje ugyanezt a réteget egyszerű átlaggal számolta — a gépi változat annyival tud többet, hogy a comparable-kiválasztást és az év-súlyokat is adatból kalibrálja.
Layer 2 — pace-extrapoláció a booking curve-ből
Ez a 37. lecke módszere: a jelenlegi OTB-t a standard booking curve azonos pontjához mérjük, és az eltérést kivetítjük a check-inig.
| Mutató | Érték |
|---|---|
| Jelenlegi OTB (7 nappal előtte) | 73% |
| Standard szombat-curve 7-napos szintje | 68% |
| Pace-eltérés | +5 pp |
| A standard curve átlagos finalje | 92% |
| Pace-igazított várt final: 92% × (73/68) | 98,8% |
A pace határozottan a curve előtt jár, és az extrapoláció gyakorlatilag telt házat vetít.
Layer 2 forecast: 98,8%.
(Egy finomság a 37. leckéből: ha a dátumra van event-historikum, a modell event-curve-höz hasonlítana, nem a standard szombathoz. Itt a koncert frissen került a naptárba, event-múlt nélkül — ezért a standard curve dolgozik, és a kontextust a Layer 3 hozza be.)
Layer 3 — esemény- és kontextus-korrekciók
Ez nem statisztikai réteg: az event-naptár, a sales-csapat tudása és a marketing-aktivitás kerül ide — az, amit a számsorok még nem látnak.
| Tétel | Foglaltság-hatás | Miért ennyi |
|---|---|---|
| Aréna-koncert (event-naptár) | +3 pp | A koncert-kereslet nagy része már az OTB-ben ül — ezt a pace mutatja. Ide csak a curve-n felüli maradék-hatás kerül. Az ADR-oldalon +20-25% korrekció az estére. |
| Tegnap aláírt MICE-csoport, 10 szoba szombatra | +12,5 pp | A rooming list még nincs a PMS-ben — a pace nem látja. 10 szoba / 80 szoba = +12,5 pp. |
| E-heti metasearch + social kampány | +2 pp | Becslés a korábbi kampányok hozama alapján. |
| Nettó Layer 3 korrekció | +17,5 pp |
Figyeld a dupla számolás szabályát (a 20. leckében vezettük be): ami már benne van az OTB-ben, azt a Layer 3 nem adja hozzá még egyszer. Ezért kicsi a koncert-korrekció (a kereslet zöme már a pace-ben van), és ezért nagy a csoporté (még sehol nem látszik).
(Hogy egy 10 szobás csoportot egy amúgy is erős szombatra egyáltalán érdemes-e elfogadni — az a 40. lecke displacement-elemzésének kérdése lesz.)
A három réteg súlyozása
A kulcskérdés: hogyan lesz a három számból egy forecast? A súlyok kontextus-függőek:
| Kontextus | Layer 1 | Layer 2 | Layer 3 | Logika |
|---|---|---|---|---|
| Átlagos nap | 30% | 60% | 10% | A pace a legfrissebb, leginformatívabb jel. |
| Event-nap | 15% | 35% | 50% | A historikus átlag vak az idei eseményre — a kontextus-tudás dominál. |
| Alacsony-pace nap (−10 pp alatt) | 50% | 40% | 10% | A pace-extrapoláció lefelé túl tud lőni — az utolsó napok pickupja gyakran behoz valamennyit; a historikus réteg horgonyoz. |
A kombináció mechanikája: a Layer 3 önmagában nem forecast, hanem korrekció-halmaz — ezért a modell forecastot csinál belőle: a két statisztikai réteg átlagából indul, és arra teszi rá a korrekciókat.
- Layer 3 bázis: (85,5% + 98,8%) / 2 = 92,2%
- Korrekciókkal: 92,2% + 17,5 pp = 109,7% — ami fizikailag lehetetlen, ezért a modell 100%-on plafonozza.
A 100% fölé futó szám nem hiba-jel, hanem információ: a plafon feletti rész kereslet, amit nem tudunk kiszolgálni. A 39. leckében (unconstrained vs. constrained demand) pontosan ezt a 100% feletti keresletet tanuljuk meg mérni — és árazási döntéssé fordítani.
A végső, súlyozott forecast az event-napi súlyokkal:
0,15 × 85,5 + 0,35 × 98,8 + 0,50 × 100 = 12,8 + 34,6 + 50,0 = 97,4% — azaz ~78 szoba a 80-ból.
A modell konfidencia-tartományt is ad mellé: 97,4% ± 4 pp — a valóság nagy valószínűséggel 93% és a telt ház között zár. Ez a Smart Forecast kimenete.
Ugyanez a stack fut az ADR-re (comparable-ADR bázis, mix-igazított pace-réteg, event-ADR-korrekció) és szegmens-szinten is — a példát a foglaltságon vezettük végig.
A modell kalibrálása
A súlyok és a rétegek nem kőbe vésettek — a modell folyamatosan méri saját magát:
- Naponta — actual-mérés. Minden lezárt napra kiszámolódik a forecast vs. actual eltérés: a 19. és 26. leckéből ismert MAE / MAPE / bias.
- Hetente — súly-kalibráció. Ha a pace-réteg rendszeresen jobban talál, mint a comparable-date réteg, a modul emeli a Layer 2 súlyát — kontextusonként külön.
- Havonta — modell-szintű finomítás. A comparable-kiválasztás logikája, a curve-átlagolás és a korrekciós küszöbök felülvizsgálata.
- Évente — makro-revízió. A Peaqplus tanácsadói és az RM-csapat együtt nézik át: mely szegmensekre erős a modell, hol vannak gyenge pontok.
Ez a ciklus a hibrid modell igazi ereje: nem az, hogy az első napon pontos, hanem hogy hónapról hónapra pontosabb lesz.
Mit ad hozzá az Excel-modellhez képest?
A 20. leckében láttuk, mit tud egy kézi, Excel-szintű forecast. A Smart Forecast hat ponton lép túl rajta:
- Sebesség. A 30-napos kézi forecast 15-20 óra havonta; a Smart Forecast mind a 90 napra másodpercek alatt újraszámol — minden éjjel.
- Szegmens-szintű pontosság. Kézzel jellemzően total szinten forecastolsz — nincs idő minden szegmensre külön modellt építeni. A gép szegmensenként külön curve-vel és pace-szel dolgozik.
- Folyamatos kalibrálás. A kézi modell statikus, havonta frissül; a hibrid naponta méri és igazítja magát.
- Konfidencia-tartomány. A kézi forecast egy számot ad; a Smart Forecast tartományt (97,4% ± 4 pp). A tulajdonosi és banki kommunikációban is hasznos: egy tartomány őszintébb, mint egy hamis-pontos szám.
- Anomália-jelzés. Ha egy dátum forecastja egyik napról a másikra nagyot mozdul, a rendszer jelzi — a kézi modellben ez láthatatlan.
- Több modell, kontextus-súlyozás. Az Excel egy módszerrel dolgozik; a hibrid hárommal, és tudja, mikor melyikre hallgasson.
A pontosság-különbség számokban, iparági tapasztalat szerint: egy jól kalibrált hibrid RMS-forecast tipikusan 4-7%-os MAPE környékén dolgozik, míg a kézi, Excel-szintű forecast jellemzően 12-18% között. A 26. leckében láttuk, mit jelent ez a havi kontrollban: fele-harmada akkora tervezési hiba.
A modell határai
A Smart Forecast klasszikus statisztikai modell — nem varázslat, és nem AI. Négy határ, amit érdemes ismerni:
- Új mintázatok. Ha a hotel kereslet-szerkezete strukturálisan megváltozik (pl. új MICE-szegmens épül fel), a modellnek 2-3 hónapnyi adat kell az átkalibrálódáshoz — addig óvatosabban kell olvasni.
- Hirtelen sokk. Egy COVID-szerű makro-törést egyetlen statisztikai modell sem jelez előre — a modell csak utólag igazodik.
- Compset-mozgás. A modell a saját foglalási adataiból dolgozik; a versenytárs drámai árvágását nem látja közvetlenül, csak amikor az már a saját pace-ünkön meglátszik. A compset-tudást az RM hozza be — a 32. lecke shopping-rutinjából, Layer 3-ként.
- A javaslat nem döntés. Néha az RM tudása felülírja a modellt — pont ezért kell érteni, mi történik a motorháztető alatt. A Smart Forecast javaslatot ad; a felelősség a tiéd.
Ezeknek a határoknak egy részére az expert szint ad választ: az 55. lecke (Smart Forecast Enhanced — hosszabb távú hibrid modell) és az 56. lecke (Pricing Engine — ML-alapú árajánlás).
A Smart Forecast egy napban — Dániel rutinja
Hogy néz ki mindez a gyakorlatban, egy átlagos hétfő reggelen?
8:30 — forecast-frissítés áttekintése. A modul éjjel mind a 90 napra újraszámolt. Dániel a következő 30 nap forecast vs. budget vs. actual rácsát nyitja meg, plusz a „top forecast-változás” listát — ahol a mai forecast a tegnapihoz képest nagyot mozdult.
8:35 — konfidencia-szűrés. A szűk tartományú napokon (±2 pp) megbízik a modellben; a széles tartományúaknak (±8 pp) manuális rátekintést ad.
8:40 — anomália-lista. Ma 5 nap jelez: 3 pozitív (a pace a curve előtt jár), 2 negatív (lassul). Mindegyikre pár perc: elfogadja a forecastot, vagy Layer 3 korrekciót tesz rá.
8:50 — akciók. Az anomália-napokra ár-revízió, restrikció vagy promó indul (35-36. lecke), és ez a forecast lesz a heti revenue meeting (28. lecke) bemenete is.
Nagyjából 20 perc — miközben a 20. leckében láttuk, hogy ugyanez kézzel havi 15-20 óra Excel-munka. És a különbség nem csak idő: a gép minden nap, minden szegmensre, azonos módszertannal számol — az RM pedig arra figyel, amihez tényleg ember kell.
Kulcsüzenetek
- A hibrid forecast = több módszer párhuzamosan, súlyozott átlagban kombinálva. A kombinált becslés jellemzően pontosabb bármelyik egyedi modellnél.
- A Smart Forecast három rétege: Layer 1 (comparable-date bázis), Layer 2 (pace-extrapoláció a booking curve-ből), Layer 3 (esemény- és kontextus-korrekciók).
- A súlyozás dinamikus: átlagos napon a pace dominál (60%), event-napon a kontextus (50%), lassú napon a historikus horgony (50%).
- A Layer 3 aranyszabálya a dupla számolás elkerülése: ami már az OTB-ben van, nem kerül be korrekcióként még egyszer.
- A modell folyamatosan kalibrálódik — napi actual-mérés, heti súly-igazítás, havi finomítás, éves revízió.
- A hibrid modell statisztikai, nem AI: az új mintázatot, a hirtelen sokkot és a compset-mozgást csak késve látja. Az RM tudása és felülbírálati joga a rendszer része — nem a hibája.
Kattints a válaszra — azonnal látod, helyes-e.
Ha mindegyikre válaszolsz, a lecke teljesítettnek számít — és beszámít a haladásodba.
Nézd meg a részletes definíciókat a szótárban.
Hotel Peaqplus City december 9-i szombatjára a Smart Forecast rétegei: Layer 1: 82%, Layer 2: 75% (a pace lemarad a curve-től), Layer 3: +5 pp — egy tegnap aláírt, 4 szobás csoport-blokk, ami még nincs a PMS-ben; esemény nincs. A súlyozás 30% / 60% / 10%. Számold ki a végső forecastot, és döntsd el, mekkora konfidencia-tartományt adnál rá (±2 / ±4 / ±8 pp) — indokold a választást. És: egy hotel Smart Forecast-MAPE-je az utolsó 3 hónapban stabilan 12% — a jellemző 4-7%-os tartomány felett. Adj három lehetséges magyarázatot, és mondd meg, melyik kalibrálási ciklusban (napi / heti / havi / éves) nyúlnál a modellhez.
- A hibrid, több-modelles forecast a légitársasági yield managementből érkezett: az American Airlines DINAMO rendszere volt az első nagy léptékű implementáció az 1980-as években. A hotel-iparba a 2000-es évektől szivárgott át — ma minden érett RMS-forecast így dolgozik.
- A forecast-kutatás klasszikus eredménye (Bates–Granger 1969, majd az M-forecast-versenyek): több, önmagában közepes modell kombinációja rendszeresen pontosabb, mint a legjobb egyedi modell. Ez a hibrid megközelítés elméleti alapja.