郭 鵬

(貴陽學院 經(jīng)濟管理學院，貴州 貴陽 550005)

顧客預訂行為演進中的大數(shù)據(jù)收益管理需求預測

郭 鵬

(貴陽學院 經(jīng)濟管理學院，貴州 貴陽 550005)

在線旅行社的出現(xiàn)讓顧客預訂產(chǎn)品的方式和時間發(fā)生了巨大轉(zhuǎn)變，造成顧客短期預訂數(shù)據(jù)的可用性受到較大影響。為了在“互聯(lián)網(wǎng)+旅游”背景下精確實施大數(shù)據(jù)收益管理即時需求預測，需要將來自于外部數(shù)據(jù)源中基于Web數(shù)據(jù)抽取、顧客查詢與搜索、以及行業(yè)網(wǎng)絡營銷的短期預訂大數(shù)據(jù)同收益管理即時需求預測相整合。通過分析顧客預訂行為演進及其對收益管理需求預測影響的基礎上，對上述商務智能開發(fā)和應用過程中所面臨的挑戰(zhàn)進行了探討。

收益管理；需求預測；顧客預訂行為；大數(shù)據(jù)；在線旅行社

收益管理(Revenue Management, RM)理論和方法被看作是管理科學和計算機技術在現(xiàn)代服務行業(yè)實際應用中最為成功的研究領域之一，作為運籌學(Operations Research, OR)中快速發(fā)展的重要分支，RM在對微觀市場層面顧客需求進行預測的基礎上，通過優(yōu)化產(chǎn)品的存量可用性和價格來制定精細化的定價和營銷策略，并最終達到最大化公司收入的目的。[1]自從RM誕生以來，需求預測為更復雜的數(shù)學優(yōu)化模型輸入了無約束需求數(shù)據(jù)(unconstrained demand data)[2]222-228，它既包括對顧客預訂需求的預測，又包括對顧客no-show率的預測；同時，在收益管理系統(tǒng)(Revenue Management System, RMS)實施過程中，它是確定產(chǎn)品訂購限制(booking limits)數(shù)量、定價策略(pricing)和超售(overbookings)水平的重要輸入，從而在很大程度上決定了公司從每個產(chǎn)品中所獲得的利潤。

RM需求預測方法從產(chǎn)生到發(fā)展至今已有58年的歷史(1958年～2016年)，包括增量法(pickup, PU)、指數(shù)平滑(exponential smoothing, ES)、移動平均(moving average, MA)、自回歸積分移動平均模型(autoregressive integrated moving average model, ARIMA)、線性回歸(linear regression, LR)、對數(shù)線性回歸、多元回歸、神經(jīng)網(wǎng)絡(neural networks)、小波分析、主成分分析(principal component analysis)、自適應模型(adaptive model)、顧客選擇行為模型(passenger choice model)、Q-forecasting、以及混合預測(hybrid forecasting, HF)和票價調(diào)節(jié)(fare adjustment, FA)等啟發(fā)式方法，涉及到航空客運、酒店、汽車租賃、游輪和鐵路客運等行業(yè)，Weatherford[3]212-111對其研究作了詳細的文獻綜述。

近年來，隨著國內(nèi)外在線旅行社(Online Travel Agencies, OTAs)的快速發(fā)展，相較于數(shù)年前需要通過旅行社代理商(travel agents)來完成旅行服務產(chǎn)品預訂的整個過程，如今的顧客越來越多地選擇通過互聯(lián)網(wǎng)對服務產(chǎn)品進行預訂。網(wǎng)上預訂的便捷性對傳統(tǒng)的顧客預訂行為造成了巨大沖擊，其變化主要表現(xiàn)在兩方面：預訂方式和預訂時間。這些變化不能被低估，因為對顧客預訂行為信息的準確掌握直接決定了RM需求預測方法的實施效果，從而影響企業(yè)在整個市場環(huán)境中的競爭力。為了取得更高的預測精度，公司不僅需要將內(nèi)部數(shù)據(jù)源中的顧客需求信息作為預測模型的數(shù)據(jù)輸入，更至關重要的是收集來自于競爭對手的短期商業(yè)情報，即顧客對競爭者產(chǎn)品的短期預訂選擇行為和相關當期總需求量等信息，這已直接關系到整個RMS的實施成敗。

在大數(shù)據(jù)時代背景下，考慮到RMS需求預測需要即時、準確地對外部市場環(huán)境作出反映，而現(xiàn)有的RM需求預測方法均是基于公司內(nèi)部數(shù)據(jù)源中的歷史顧客需求信息而建立，不符合“互聯(lián)網(wǎng)+旅游”背景下旅游服務行業(yè)的應用要求，有必要考慮基于外部數(shù)據(jù)源短期競爭情報的需求預測方法的開發(fā)和應用。為此，筆者首先討論了OTAs發(fā)展的歷史，以及它們對顧客預訂行為和RM需求預測的影響，在此基礎上，對大數(shù)據(jù)RM需求知識挖掘、以及需求預測商務智能(Business Intelligence, BI)開發(fā)應用過程中所面臨的挑戰(zhàn)進行了探討。

一、在線旅行社的出現(xiàn)與發(fā)展

上世紀九十年代末以前，顧客預訂方式主要表現(xiàn)為面對面、或者依靠旅行社代理商來完成。顧客在當時還缺乏相應的技術、信息和提前預訂的能力，旅行社的出現(xiàn)填補了這三方面的能力空缺，并使得旅行更加的容易。雖然改進了預訂效率，但在缺乏產(chǎn)品可用性和價格等信息的情況下，休閑顧客通常選擇提前預訂；同時，由于商務環(huán)境等原因，商務顧客往往臨近出發(fā)或入住前才展開預訂。預訂時間上的不同為公司制定產(chǎn)品定價和RM策略提供了機會?，F(xiàn)如今，諸如航空客運、酒店、旅行代理商及其合作伙伴等服務業(yè)均通過互聯(lián)網(wǎng)來推銷他們各自的產(chǎn)品，互聯(lián)網(wǎng)成為一種全球性的玻璃櫥窗。如各種全球分銷系統(tǒng)(global distribution systems, GDS)、中央預訂系統(tǒng)(central reservation systems, CRS)和OTAs的經(jīng)營者，他們在其專屬網(wǎng)站上能提供被用于公開收集的可用信息，生成大量可被BI所用的數(shù)據(jù)，并且可將相似產(chǎn)品的各種報價以直觀的方式提供可視化呈現(xiàn)和比較。

OTAs的發(fā)展興起于上世紀九十年代中期，具有代表性的是微軟公司于1996年在美國推出Expedia①，并于1997年在歐洲成立Priceline②，緊接著，國內(nèi)的攜程旅行網(wǎng)③于1999年在上海創(chuàng)立，去哪兒網(wǎng)④總部2005年設立于北京。這些網(wǎng)站在運營初期就允許顧客對旅行產(chǎn)品進行在線購買，避免了直接以面對面、或依靠旅行社的方式預訂產(chǎn)品。除此之外，旅游大數(shù)據(jù)平臺的搭建為新的在線旅游服務平臺的建設創(chuàng)造了條件，并催生出了各種旅游服務新模式，如攜程網(wǎng)投資組建眾薈⑤，前者除扮演OTAs外又多了一個新角色——大數(shù)據(jù)提供商；同時，阿里旅行·去?、薜摹拔磥砭频辍睉?zhàn)略，其中的“信用住”酒店預訂服務模式則被看作是大數(shù)據(jù)提供商對傳統(tǒng)OTAs的挑戰(zhàn)。

雖然發(fā)展相對比較緩慢，但由于獲取信息的便利性、價格的透明以及通過各種可選項進行搜索的能力，這些都推動OTAs成為了旅行相關活動的優(yōu)勢資源。自從OTAs出現(xiàn)以來，隨著對傳統(tǒng)旅行社依賴的下降，旅行行業(yè)從業(yè)者普遍認為互聯(lián)網(wǎng)將在未來的旅游市場中扮演重要的角色，而這一預測早已成為現(xiàn)實?，F(xiàn)如今，OTAs在旅行服務行業(yè)中所扮演的角色幾乎與RM相當，勁旅咨詢[4]和艾瑞咨詢[5]在針對中國在線旅游服務商的市場發(fā)展研究報告中公布的數(shù)據(jù)分別顯示，2015年中國OTAs市場交易規(guī)模達4672億元，同比增長39.9%，其中攜程旅行網(wǎng)和去哪兒網(wǎng)分別占整個OTAs市場總交易額的比例為36.8%和28.7%，兩家的交易額之和占中國整個OTAs市場交易規(guī)模超過六成的市場份額。同時，CNNIC于2016年7月發(fā)布的《第38次中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》顯示，截至2016年6月，網(wǎng)上預訂旅行服務產(chǎn)品的網(wǎng)民規(guī)模達到2.64億，較2015年底增長406萬人，增長率為1.6%，其中預訂火車票、機票、酒店和旅游度假產(chǎn)品的網(wǎng)民分別占比28.9%、14.4%、15.5%和6.1%；同時，手機網(wǎng)民規(guī)模達到2.32億，較2015年底增長2236萬人，增長率為10.7%，而使用手機在線旅行預訂的網(wǎng)民比例由33.9%提升至35.4%。[6]

總之，互聯(lián)網(wǎng)已在過去的20年中徹底改變了旅行行業(yè)，這種改變在很大程度上歸因于產(chǎn)品預訂的便利性，以及對于無形產(chǎn)品信息橋梁的搭建，這些因素在任何時候都是十分重要的。雖然OTAs的出現(xiàn)對于顧客來講有諸多好處，但它對于企業(yè)和RM實踐者的意義卻更大，筆者接下來將主要論述顧客預訂行為的演進及其對大數(shù)據(jù)環(huán)境下RM需求預測的影響。

二、顧客預訂行為的演進及其影響

(一)顧客預訂行為的演進

隨著互聯(lián)網(wǎng)越來越多地被普通顧客所使用，顧客預訂行為的改變是不可逆轉(zhuǎn)的趨勢。新技術彌補了以往顧客預訂效率方面的不足，新的顧客預訂方式也應運而生。在線旅游服務平臺為RM應用行業(yè)提供了另一種選擇，即以額外曝光產(chǎn)品價格和存量信息的方式來銷售一些比較棘手的庫存，將以前只為少數(shù)機構(gòu)掌握的產(chǎn)品信息直接提供給終端顧客，后者通過電話或者電腦、手機等方式可直接預訂和付款，顧客預訂用時大為縮減，交易效率則大幅度提升。

同時，OTAs以透明的方式為顧客提供了產(chǎn)品價格、存量可用性以及它們隨時間動態(tài)變化的信息，這造成了顧客在預訂時間上與面對傳統(tǒng)旅行代理商時有很大的不同。顧客通過對價格波動的判斷來確定最佳購買時機，當對旅行產(chǎn)品進行評估的時候，他們既可以預訂一個產(chǎn)品，也可以選擇等待合適的價格而繼續(xù)搜索，甚至能夠通過搜索而預訂競爭對手的產(chǎn)品，這就最終形成了一套交易尋求文化(deal-seeking culture)，這是顧客實用(utilitarian)和享樂(hedonic)動機共同驅(qū)動的結(jié)果[7]，即“策略型顧客(strategic customer)”所表現(xiàn)出來的“跨期替代行為(inter-temporal substitution behavior)”[8]。

(二)對收益管理需求預測的影響

在基于各細分市場顧客支付意愿來制定價格決策的前提下，RMS的成功與否取決于預測的好壞。一般來講，一個好的預測系統(tǒng)會同時利用當期(短期)和歷史(長期)數(shù)據(jù)。顧客預訂行為的改變對傳統(tǒng)RM造成了顯著的負面效應，因為OTAs網(wǎng)站和智能手機APP允許顧客進行搜索和等待，直到旅行日期到來當天再進行購買，這嚴重阻礙了傳統(tǒng)RM的定價結(jié)構(gòu)，導致旅行服務產(chǎn)品價值誤判，購買行為在很大程度上不是由產(chǎn)品屬性所決定，而是價格；同時，低需求時期的價格很可能被拉低，以匹配較低價值的產(chǎn)品。由于現(xiàn)在的休閑顧客有能力推遲預訂，這使得預售時間窗縮短，需求開始變得十分不確定，定價決策也變得復雜。

有很多因素會影響顧客的選擇，比如提前期時間、搜索成本、對售罄風險的預期、未來折扣價格的概率、以及取消預訂的懲罰等等。[9]-[10]因此，在RM需求預測過程中有必要對影響顧客預訂行為的各種因素進行考慮。同時，上述交易尋求文化造成了短期需求數(shù)據(jù)的可用性與過去有本質(zhì)的不同，由于缺乏顧客當期的預訂信息，在過去具有穩(wěn)健表現(xiàn)的傳統(tǒng)方法可能會低估需求水平，預測效果會因此受到影響，并給使用或基于這些方法的組合預測技術帶來了計算誤差。[11]

三、大數(shù)據(jù)收益管理需求預測所面臨的挑戰(zhàn)

(一)大數(shù)據(jù)收益管理需求預測

RMS中傳統(tǒng)的動態(tài)定價、存量控制和超售等策略的實施質(zhì)量依賴于準確的需求預測，雖然已有學者針對無完備需求預測信息下的魯棒優(yōu)化策略進行了研究[12]，但預測仍然是RMS中不可缺少的重要組成部分。傳統(tǒng)的RMS站在目標細分市場的角度對產(chǎn)品剩余存量和需求預測值進行對比，并依靠預測的需求值和評估計算得到的概率值來進行決策。傳統(tǒng)的RM需求預測涉及到多種因素，如表1所示；同時，要在RMS中獲得理想的預測結(jié)果，需要在進行預測以前確定和解決一系列問題，如表2所示。另外，RM需求預測還需考慮O-D (origin-destination)網(wǎng)絡預測、預測過程中的人工調(diào)整以及低票價限制環(huán)境(less-restricted fare environments)中的混合預測等問題。[3]212-221

表1 傳統(tǒng)RM需求預測所考慮的因素[13]

表2 傳統(tǒng)RMS需求預測所涉及的問題[14]-[15]

除了需要考慮和解決上述因素與問題外，基于大數(shù)據(jù)的RM需求預測關鍵在于從外部數(shù)據(jù)源中獲取顧客的短期預訂信息，結(jié)合公司內(nèi)部數(shù)據(jù)源實現(xiàn)對有關顧客需求信息的實時和動態(tài)訪問。這些信息是由與預訂直接或間接相關的在線活動組成的，通過與其他潛在的未來顧客預訂請求信息相結(jié)合，大數(shù)據(jù)就有可能支持即時需求預測。當具有對每位顧客的真實需求、偏好和支付意愿進行即時評估能力的時候，真實的目標和最有效的優(yōu)化策略就能夠達成。這可用經(jīng)濟理論來解釋，即大數(shù)據(jù)將支持淘汰目前行業(yè)中普遍應用的、低效率的三級價格歧視模型(third-degree price discrimination model)，并轉(zhuǎn)變到使用一級價格歧視模型(first-degree price discrimination model)或完全價格歧視模型，公司能夠依靠后者獲取絕大多數(shù)的消費者剩余。[16]

(二)面臨的挑戰(zhàn)

考慮到顧客預訂行為的演進對短期需求數(shù)據(jù)可用性的影響，為了提高企業(yè)在大數(shù)據(jù)環(huán)境中的BI實時決策競爭力，大數(shù)據(jù)RM需求預測面臨著如下四個方面的挑戰(zhàn)：

1. 基于Web數(shù)據(jù)抽取的RM需求預測

在基于互聯(lián)網(wǎng)的易逝性服務產(chǎn)品商務市場發(fā)展早期，顧客需求數(shù)據(jù)是可從OTAs網(wǎng)站上直接獲取的，因為互聯(lián)網(wǎng)旅行公司為了促進網(wǎng)上平臺中產(chǎn)品的銷售，開放和公開數(shù)據(jù)是符合其利益的。但現(xiàn)如今這一景象卻迅速地發(fā)生著改變，互聯(lián)網(wǎng)上的信息不再免費，并且不再容易收集。為了跟蹤和檢查相關網(wǎng)站、相同競爭集合中顧客對公司正在進行銷售和接受預訂產(chǎn)品的短期需求信息，最簡單的方式是簽訂一份基于OTAs利益而商業(yè)化運作的API (Application Programming Interface，應用程序編程接口)合同，公司可通過該API來訪問OTAs的網(wǎng)站引擎并獲取商業(yè)數(shù)據(jù)。另一種更為復雜的方式是通過仿真模擬旅行者的預訂行為從HTTP (Hyper Text Transfer Protocol, 超文本傳輸協(xié)議)中來獲取信息，即使用Web機器人或網(wǎng)絡爬蟲在OTAs網(wǎng)站中定期運行，以提取到最新的顧客短期預訂更新數(shù)據(jù)。[17]

無論通過哪種Web數(shù)據(jù)抽取技術來獲取外部數(shù)據(jù)源中的需求信息，不僅所獲數(shù)據(jù)量是巨大的，而且會同時包括結(jié)構(gòu)化(structured)和非結(jié)構(gòu)化(unstructured)的數(shù)據(jù)。非結(jié)構(gòu)化的短期需求數(shù)據(jù)提供了以往從內(nèi)部數(shù)據(jù)源中無法獲取的額外競爭情報，比如顧客對產(chǎn)品和服務進行評價的文本、圖像和視頻數(shù)據(jù)，如何通過非結(jié)構(gòu)化短期需求信息來與真實的歷史顧客需求建立聯(lián)系，以及如何通過情感分析或意見挖掘技術判斷顧客的積極和消極觀點對最終預訂行為的影響，并在此基礎上結(jié)合人工智能算法進行實時的需求預測，這些都是大數(shù)據(jù)RM今后的發(fā)展趨勢。

2. 基于顧客查詢數(shù)據(jù)的RM需求預測

RM實踐公司除了通過Web數(shù)據(jù)抽取方法從外部數(shù)據(jù)源中獲取顧客短期需求信息，也能夠以直接購買等方式從第三方大數(shù)據(jù)提供商獲取GDS和CRS中的顧客查詢?nèi)罩?。已有研究表明，上述顧客查詢?nèi)罩緮?shù)據(jù)相較于內(nèi)部數(shù)據(jù)源中的實時客流數(shù)據(jù)更具預知性，對比歷史客運數(shù)據(jù)，它們的敏感性和準確性更高[18]，這為實時的大數(shù)據(jù)RM需求預測創(chuàng)造了條件。因此，有必要結(jié)合顧客選擇模型探索基于顧客查詢?nèi)罩緮?shù)據(jù)的需求預測方法，在充分考慮顧客選擇行為的基礎上提高即時預測的速度和精度。

3. 基于網(wǎng)絡搜索數(shù)據(jù)的RM需求預測

如果無法采用Web數(shù)據(jù)抽取和購買顧客查詢?nèi)罩镜确椒▉慝@取顧客短期需求信息，基于在線環(huán)境的網(wǎng)絡搜索數(shù)據(jù)也將有利于RMS對實際需求和無約束需求(unconstrained demand)的預測，比如谷歌趨勢(Google Trends)和百度指數(shù)。Pan[19]等、Yang[20]-[21]等、Bangwayo-Skeete和Skeete[22]、馬麗君等[23]、龍茂興等[24]、黃先開等[25]、王煉等[26]、陳濤等[27]的研究均驗證了網(wǎng)絡搜索數(shù)據(jù)對旅游需求量時空動態(tài)變化的解釋能力。但是，現(xiàn)有的研究僅在針對社會經(jīng)濟活動的預測模型和方法中開展了網(wǎng)絡搜索數(shù)據(jù)研究，并未站在RM需求預測的角度考慮問題和建模，比如未涉及顧客網(wǎng)絡搜索數(shù)據(jù)與歷史無約束需求量之間的相關關系，而后者是任何形式RM需求預測的數(shù)據(jù)基礎。[2]222-228因此，有必要利用這些數(shù)據(jù)建立針對RM的預測模型。

4. 基于行業(yè)網(wǎng)絡營銷大數(shù)據(jù)的RM需求預測

除了傳統(tǒng)的航空客運、酒店業(yè)和汽車租賃行業(yè)外，RM的應用還涉及到鐵路客運和運輸、空運、貨運、班輪運輸以及互聯(lián)網(wǎng)服務和零售等行業(yè)。在大數(shù)據(jù)時代背景下，各行業(yè)開始重視使用大數(shù)據(jù)深入開展精準化、個性化營銷，通過對大數(shù)據(jù)的整合，可以實現(xiàn)跨平臺、跨終端的廣告推送。如顧客可以借助PC、智能手機、平板電腦、穿戴式設備和互聯(lián)網(wǎng)電視等終端設備，訪問和接收來自于搜索引擎、社交網(wǎng)絡、電商和門戶網(wǎng)站、微博和視頻網(wǎng)站等渠道的營銷信息。在此情況下，需要在RM需求預測機制和方法創(chuàng)新中考慮對這類即時大數(shù)據(jù)營銷需求數(shù)據(jù)的抽取、整合、存儲和更新。

四、結(jié)論

RM理論和方法的應用環(huán)境已在過去二十年間發(fā)生了巨大變化，RM從業(yè)者的工作比以往任何時候都更具挑戰(zhàn)性，因為OTAs的出現(xiàn)為旅行者通過透明的產(chǎn)品價格不斷尋求交易提供了平臺。隨著大數(shù)據(jù)時代旅行服務行業(yè)的營銷模式、平臺、終端和技術的不斷發(fā)展，顧客預訂行為也將持續(xù)地發(fā)生改變，RM策略也將被迫作出調(diào)整。為了精確地實施和開展大數(shù)據(jù)RM即時需求預測工作，需要更好地了解顧客預訂行為，研究的重點應放在如何將顧客短期預訂需求數(shù)據(jù)整合到預測的整個過程當中，比如基于Web數(shù)據(jù)抽取、顧客查詢和搜索數(shù)據(jù)以及行業(yè)網(wǎng)絡營銷大數(shù)據(jù)的RM需求預測。大數(shù)據(jù)技術的發(fā)展和應用將有可能跟蹤顧客預訂行為和支付意愿，公司對這些行為的識別將有助于真正提高預測精度并優(yōu)化收入，從而更好地了解他們的顧客?？傊?，大數(shù)據(jù)時代顧客預訂行為的演變對RM研究領域造成了持續(xù)的影響，并會不斷地為需求預測帶來新的挑戰(zhàn)和機遇。正因為如此，相信大數(shù)據(jù)RM需求預測在長久的未來都將會是富有成果的研究領域。

[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]勁旅網(wǎng). 勁旅咨詢：2015年中國旅行社市場在線滲透率為20.1% [EB/OL]. (2016-02-04) [2016-10-31] http://www.ctcnn.com/html/2016-02-04/15569314.html.

[5]艾瑞咨詢. 2016年中國在線旅游行業(yè)監(jiān)測報告[EB/OL]. (2016-05-10) [2016-10-31] http://www.iresearch.com.cn/report/2585.html.

[6]中國互聯(lián)網(wǎng)絡信息中心. 第38次中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告[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]周岳騫. 面向民航需求建模的用戶查詢?nèi)罩敬髷?shù)據(jù)分析方法研究與實現(xiàn)[D]. 北京: 北京交通大學, 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]馬麗君, 孫根年, 黃云瑪, 等. 城市國內(nèi)客流量與游客網(wǎng)絡關注度時空相關分析[J]. 經(jīng)濟地理, 2011, 31(4): 680-685.

[24]龍茂興, 孫根年, 馬麗君, 等. 區(qū)域旅游網(wǎng)絡關注度與客流量時空動態(tài)比較分析——以四川為例[J]. 地域研究與開發(fā), 2011, 30(3): 93-97.

[25]黃先開, 張麗峰, 丁于思. 百度指數(shù)與景區(qū)游客量的關系及預測研究——以北京故宮為例[J]. 旅游學刊, 2013, 28(11): 93-100.

[26]王煉, 賈建民. 基于網(wǎng)絡信息搜索的旅游需求預測——來自黃金周的證據(jù)[J]. 系統(tǒng)管理學報, 2014, 23(3): 362-368.

[27]陳濤, 劉慶龍. 智慧旅游背景下的大數(shù)據(jù)應用研究: 以旅游需求預測為例 [J]. 電子政務, 2015, 153(9): 6-13.

[責任編輯 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

國家社科基金一般項目：“網(wǎng)絡環(huán)境下的收益管理魯棒無約束估計方法研究”(項目編號：15BGL198)；貴州省教育廳高校人文社會科學研究自籌項目：“大數(shù)據(jù)背景下基于乘客實名記錄的航空客運收益管理網(wǎng)絡無約束估計方法研究”(項目編號：2016ZC021)階段性成果。

郭 鵬(1984-)，男，四川宜賓人，貴陽學院講師、博士。主要研究方向：收益管理，需求無約束估計和預測。

C931

A

1673-6133(2016)06-0030-05