Петербургские отельеры занялись BI-аналитикой

В Санкт-Петербурге начал набирать популярность мировой тренд – сбор больших данных и их аналитика в сфере управления недвижимостью. Наиболее перспективным направлением для BI-аналитики стал гостиничный сегмент, что закономерно, ведь Северная столица входит в топ российских городов по развитию отельного рынка. 

Стоит отметить, что этот тренд уже отлично показал себя в ретейле, где BI-аналитика доказала эффективность. В большинстве отраслей потребительского рынка уход от применения простых алгоритмов стал одним из главных трендов последнего времени. В гостиничном же сегменте тренд только набирает популярность, но перспективы применения BI-аналитики для динамического ценообразования на номера – один из ключевых трендов, за которыми нам предстоит наблюдать в ближайшее время.

Как известно, цены номеров меняются в зависимости от дня недели, месяца или сезона. И чем больше этих факторов, тем точнее будет прогноз. Большинство даже крупных гостиничных сетей обычно шли по пути анализа цен нескольких конкурентов. Однако такой подход не учитывал чувствительности клиента к цене. На ценообразование в отельном бизнесе одновременно влияет множество факторов: категория отеля и сезонность; цена конкурентов; локация и альтернативные варианты пребывания; проведение знаковых, массовых, культурных или деловых событий в городе или определенной локации (самый яркий пример – ПМЭФ). Обычно менеджерам отелей довольно сложно качественно анализировать влияние всех этих факторов на цену. Поэтому чаще всего отели шли по наиболее простому пути: банально давали скидки или наценки к тарифу конкурента.

Те отельеры и управляющие компании, которые начали применять методы BI-аналитики на базе машинного обучения, начали создавать новые модели ценообразования, основанные на множестве факторов. Это позволило быстрее реагировать на рыночные условия и изменение спроса со стороны клиентов. При этом, как отмечают сами участники рынка, если использование стандартных методов ценообразования давало повышение доходов на 3–7%, при использовании методов BI-аналитики юниты стали приносить до 15% больше дохода за счет верного прогнозирования и предложения максимальной цены для повышения максимальной средней загрузки.

Сегодня методы BI-аналитики в недвижимости используются во многих странах, что позволяет судить о ее эффективности. Однако есть нюанс в объеме и сложности сбора данных. Многие из них уже собираются на систематической основе. Причем в России актуальность глубокой аналитики гостиниц повышается на фоне ухода сервиса Booking. Ведь те агрегаторы, которые пришли ему на замену, вынуждены не только конкурировать между собой, но и с отелями.

Можно прогнозировать, что BI-аналитика начнет набирать популярность и на рынке новостроек, аренды жилья и даже торговой недвижимости. В последнем случае собственник может использовать скоринговую модель для вычисления прогнозной выручки определенного оператора в зависимости от множества дополнительных факторов, а не только одного лишь трафика.

Впрочем, важно понимать, что любые прогнозы хорошо работают, когда есть большое количество маленьких факторов. Но при маленьком количестве больших факторов (например, пандемия) прогнозы обесцениваются. Кроме того, на пути цифровизации и внедрения подобной умной аналитики на основе больших данных стоит человек. Никто из нас не хочет столкнуться с риском потерять работу, но все хотят сохранить значимость без принятия на себя больших рисков и ответственности. Но от цифровизации, помогающей оптимизироваться и повысить выручку, не уйти.

Мнение автора может не совпадать с позицией редакции.