新一代收益管理工具：如何借助大数据重新定义收益管理？

【顶级酒店网】酒店房价“海鲜价”，让多少酒店宁可坐失“收益”良机也不敢轻易调整策略？看新一代收益管理工具，如何通过大数据和人工智能技术带来的全新价格优化策略，重塑住客与酒店之间的价格信任感，简单易行提升收益。

6月8日，众荟信息CEO林小俊在2017中国酒店营销峰会（HMC）与大家分享了如何借助大数据重新定义收益管理。

以下为演讲全文：

我今天讲的话题是，新一代的收益管理工具，如何用大数据重新定义收益管理。在这里很高兴又有一次机会跟大家一起探讨收益管理这个话题。

讲收益管理之前，我们先讲另外一个话题，AlphaGo，这是当前的热点，前段时间又有新进展，它又赢了，现在基本上可以说AlphaGo是围棋界的独孤求败，对于人类来说，想赢它已经是小概率事件了。很厉害，为什么这么厉害？两点，第一点，对AlphaGo来讲，他学习了几乎所有职业棋手的棋谱六到九段，大概十几万篇吧，这是一个非常大规模的数据。第二点，他的算法和模型有足够能力把这些数据完美地利用起来，并且在规定时间范围内得到最优的决策和结果，这两点保证了它独孤求败的状态。

举个例子，聂卫平就算一辈子学习和研究的棋谱都赶不上AlphaGo一天干的事情，在这种状态下，靠人怎么跟AlphaGo这样一个机器竞争？这是不现实的。现在AlphaGo更牛了，他学会了左右手互搏，他基于自身的对抗，已经摆脱了人类棋谱的限制，可以自己生成棋谱数字，然后再学习，已经跨入另外一个境界。

AlphaGo绝对不只是一个会下围棋的机器人，他代表的是机器智能在当今这个时代能所能达到的能力和技术边界。AlphaGo刚推出来的时候，很多人有各种预测，预测它的能力边界，很多人很悲观，说不行了，计算机接下来能够代替人类了，具有独立的意识和情感。站在我的角度，我来解释这个问题，我会这么想，计算机或AlphaGo或人工智能，他在有限能够看到的未来范围内，远远达不到这个能力，在情感和模糊判断这个层面上，我们对于记忆、情感产生的生理和心理的研究非常有限，所以有限范围内不会到这个状态。

但是，对于任何可以确定量化目标的任务，现在的机器智能已经足够达到或者远远超过了人类具有的能力，因为现在大数据规模下，以及基于这些数据进行的最优秀的人工智能的算法下，任何可以确定或者量化的目标任务都可以转化为概率网络，在这样一个大数据概率面前，人类以往的经验无所适从。很幸运的是收益管理恰恰是这样一个任务，收益管理恰恰是我们有一个可衡量的具体量化目标的任务，这样的任务里，最重要的事情是需求预测和价格优化。

对需求预测来讲，当我们把它造成一个黑盒子模糊判断的时候，可能是靠经验来解决问题，但是从模型上讲是可以拆分的。整个需求预测，从市场的需求到酒店自身的需求，实际上是可以完全拆解成对出行意图的预测或者量化，对消费意愿的量化，乃至最后对消费决策的量化。比如对出行意愿的量化，完全可以利用航空出行时间、高铁出行时间停留时长进行约束，对于消费意愿也可以通过酒店的需求或者酒店周边展会的信息进行约束，对决策靠价格、靠口碑都可以进行约束。进行约束的时候，我们可以在这里建立基于大数据的AI模型进行收益管理的优化。这里面大家会说，以往收益管理也在做这些事情，也在用这些数据。比如以往收益管理，我们在出行意愿判断的时候，也会用到航空出港和离港数据预测，来做我的决策，这里面有本质的区别。

当我们以往用一个航空数据的时候，我们实际上在套我们自己的经验，或者是套我们自己基于经验的计算模式进行判断。比如一个总经理问我，出港数据和到港数据有多少，我说有大概一百万人次，他基于这一百万人次做自己未来出租率判断的时候，只能是基本判断，没有量化。真正的量化是什么？

看这张图，我们仅仅用机票大数据来做当前的市场需求判断时，这个机票数据可以拿来判断每一个城市的这些机票数据对于这个城市未来入住情况预测的准确率，到底达到了几个点。比如在北京，当我们提前三四天市场预测用来做任务目标时，使用机票数据和不使用机票数据误差下降7.1%。但是同样的数据，同样的模型，当我们用到三亚的时候，误差可以下降13.6%，这是不一样的。只有我们对数据做到精确的预测和量化，这个数据才会产生真正的价值，摆脱经验的束缚。靠人的经验不可能在北京和三亚得到这么精确的对于预测的影响值。

基于这样的数据，基于航空数据、OTA数据等等，基于所有数据，通过我们的AI模型，在上千万甚至上亿的数据维度上进行我们的模型建立和最优结果的搜索和优化，最终得到一个确定性的概率最大化的结果。当我们靠经验做的时候，我们会跳过中间所有的方块环节，这些方块代表上千万上亿的特征维度和优化指标，我们会跳过这些东西，因为你的人脑不可能靠自己的经验得到这么大量级的参数的优化，你只能做模糊的最后的判断。只有靠大数据和基于大数据的AI算法，才可能得到在这个维度或者这个量级下的模型优化。

仅仅靠这样的模型优化是不够的，因为数据是动态，人也是动态的，在整个收益管理里面，我们的预测定价和基于定价以后对消费者产生的刺激，以及这些刺激影响消费者的重新决策，整个环境是动态的，我们需要在AI模型下重建消费者和酒店之间的互动关系，在这个互动关系里面，每一个酒店需要在新的边界条件下调整价格，并且在调整价格的同时，需要判断每一个消费者在这样的形式下，是否会选择继续住酒店，或者他会住到哪些酒店去，这里形成的是消费者和酒店之间的博弈和平衡的状态，需要建立这样的模型。

真正的平衡模型不在酒店和渠道，真正的平衡需要在酒店和客户、酒店和消费者之间达成，这才是最完美的平衡。

第一，重新构建消费者和酒店的互动模型。通过模型构建酒店和消费者之间的互动关系，把他从一个静态模型变成动态模型。

第二，使用深度神经网络进行行为模拟。当这个模型被建立的时候，我们要形成两个不同的AI，一个是消费者AI，代表整体消费者智慧，另外一个是酒店AI，代表酒店所有收益经理的智慧。

第三，使用生成对抗网络(GAN)进行动态定价。在他们之间进行动态模拟，生成对抗网络的时候，像AlphaGo的左右手互搏，这时候我们能跳出传统的束缚，得到靠机器智能进行动态预测和动态调价的结果，他们之间不断对抗产生新的数据，基于新的数据进行优化。这就是基于大数据的AI收益管理模型，这个模型里面大数据是物质基础，没有大数据什么都是空谈，因为传统数据下，用不着这么复杂的模型，只需要靠经验范式可以做计算。

这里面酒店和消费者之间要形成反馈和应急机制，这样的反馈提供了模型实时更新的可能性。模型是在实时变化的，因为消费者和酒店的反馈是实时发生的。就像以前说价格弹性模型，说调了多少价格，会产生多少入住率的变化，不精确。

因为价格的变化不是导致出租率变化的唯一因素，我们需要看到这个价格变化在市场里形成了客人之间的流动，从我的酒店流转到其他酒店，或者从其他酒店吸引了哪些客人到我的酒店之间的这样流动的数据，只有把这些数据关联起来，才可能预测我的价格调整发生了多大的变化，所以是互动的模型。

通过这样的对抗解决了数据量不足的实际问题。原因在于对于我们价格的调整，事后监控范围内很难得到真正意义上的监控数据，我们必须通过对抗模型解决数据不足的问题，让他们摆脱现在行业里面数据的缺失性或者不准确性造成的壁垒，这是模型的优势。

基于刚刚介绍的基于大数据进行AI模型建设的结论，最终推出形成的是基于大数据的收益管理AI，就是我们分享主题所在，利用大数据重新定义收益管理怎么做。

在这样一个模型里面，从市场的需求最后形成了酒店的需求，酒店需求又可以形成最优化的酒店价格。当酒店执行最优化价格的时候，一定会形成反馈，这个反馈会作用到市场里面，产生对需求上的变化，这是一个循环，这个循环里面，我们的AI模型，我们动态调价模型和基于市场的反馈模型和最后的对抗模型都能产生机制和效用，最终达到让它超越人类经验的结果。

这里举一个例子，刚刚的模型里面，最重要的关键点在于对抗和反馈，怎样监控或者分析到人员的流入流出所造成对市场的变化。

这是一个动态示意图，作为一家酒店，当你价格调高的时候，人员一定发生变化，未来需求不是一成不变的，你会变，人会跳到其他酒店，客人会流失。当你的价格下降的时候，你的人可能会增加，其他竞争对手酒店的客人可能跳到你的酒店，会向你流入，这是我们反馈模型以及对抗模型的基础。

这是一个真实酒店，北京的酒店，我们在帮它做全面的收益管理。它的数据来看，真实酒店跟它边上所有酒店之间形成的人员的流入、流出，以及他在调价之后的人员的流入流出，这是一个静态图，但是它是一个随着时间轴动态变化的数据组。在这样一个数据组里面，你要看到你跟其他酒店之间的对抗变化，这张图比较乱，乱的图一定不是结果。

基于上面这些原始数据做特征提取和数据挖掘的时候，我们会把清晰的量化给到这家酒店一个很清晰的表，告诉这个酒店，他跟他的竞争对手在竞争关系和流入流出变化上，这是一个时间剖面上的点，某一个时间点上的一个图，这个图会随着他的时间变化不停的变化，在任何时间点下面，他的一个当前竞争态势和他的流入流出的态势，他和消费之间平衡态势都在这张图里面。随着时间的变化，这张图也发生变化的时候，其实我们模型在变化，在不停的指导这家酒店重新定义价格和营销模式，甚至指导这家酒店调完价以后如何监控反馈，如何基于反馈再重新优化价格，这就是Revenue Plus。

在这样的一个收益管理里面，一个机器大脑，在它的左边我们要给它喂数据，包括传统的PMS数据，包括价格、包括排名，包括点评，包括展会，包括航空等等，同样我们包括搜索、浏览、预订之类的消费者数据以及人员流入流出的对抗数据。他要吐出给这个工具或者说给我们酒店提供的价值包括新的价值，包括对于市场需求的动态预测，对于最优的价格建议，以及基于这个价格形成的反馈，进行重新定价的完整的监控体系，以及对于自己所处的竞争圈的完整的定位分析，这是可以全新给到大家的一个基于大数据和基于AI算法给到大家的结果。

传统的RMS和Revenue Plus这样一种基于大数据的AI体系，形成的产品层面上或者说本质上的区别是什么？第一是数据来源不同，Revenue Plus会加上更多行业性的数据，比如流入流出的数据，消费者行为数据等，这些数据更新频次不同，不是每天更新，这里说的至少两小时更新，甚至有些数据五分钟更新一次。实时更新带来了我们动态定价或者动态调价的实时性。

第二是，产品和服务不同，在这样一个基于AI的收益管理理念，我们完全可以做到智能预测和优化。我们用了很复杂的技术模型做底层的事情，但是最后我们要展示出来的结果是简单应用的结果，而不是基于自己经验做大量模糊判断，或者做大量承担责任的工作，更多的事情是以最简单的方式展现最确切的结果给大家。

第三是，技术方法不同，第四块是应用场景不同，因为我们得到新的竞争圈也好，对市场预测也好，或者说是更新的结果之后，其实可以体现出来的是更优的应用场景。比如说最简单的，现在完全可以做到对调价之后的市场状况或者应急反映做出最直接的监控和最直接的调整，这是新的功能和场景。

对于这样一个用大数据重新定义了的收益管理来说，其实我们传统的大酒店们在定价或者做收益时，所面对的很困难的问题可以得到很好的解决，比如海鲜价的问题，涨完价不得不降价，比如关键的时点或者特殊市场状态变化，做实时抓取捕捉，每一次敏锐抓住涨价时点或者涨价机会的问题，以及做完收益管理做完调价之后，我们对于后续的监控和跟踪，以及基于实时反馈状态做更好的营销策略的问题，在这里边都能得到更好的结果，这就是收益管理，这就是基于大数据重新定义出来的收益管理。

还是要强调一点，计算机也好，人工智能也好，最重要的是帮助我们酒店从业人员去站在一个更高的平台或者一个更好的智慧载体做自己更好的工作，就像汽车当年取代了人和马一样，收益管理也一样，人工智能也一样，我们只是用更好的技术让大家取得更好的起点，在这个起点上还是要靠从业人员和参与者一起更好的使用技术和做好自己的事情，所以智慧酒店，展望未来，谢谢大家。