Week 1: Hotel Project

Team Member

Tanawat (Bank), Walaithip (Por), Kochakorn (Kam), Adisorn (Bright), Pavarat (Vim), Aattawut (Field), Peerapat (Zui), Siriporn (Pu), Kittikhun (Champ).

(Disclaimer: บทความนี้จัดทำขึ้นเพื่อเป็นส่วนหนึ่งของ Data Science Essential ของ Botnoi Consulting Classroom หัวข้อ Data Analytics)

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — -

1. Introduction

เนื่องจากอุตสาหกรรมการท่องเที่ยวเป็นอุตสาหกรรมหลักที่สร้างรายได้ให้กับประเทศ ทีมจึงมีความมีความสนใจนำข้อมูลตัวอย่างของการจองโรงแรมทั่วโลกมาวิเคราะห์เป็นตัวอย่างเพื่อดูว่าลูกค้าของโรงแรมประเทศต่างๆมีพฤติกรรมที่แตกต่างกันอย่างไร มีปัจจัยอะไรบ้างที่ส่งผลต่อการตัดสินใจเข้าพักโรงแรมของลูกค้าแต่ละกลุ่ม เพื่อสุดท้ายผู้ประกอบการโรงแรมจะได้นำตัวอย่างการวิเคราะห์นี้ไปประยุกต์ใช้เพื่อปรับปรุงการทำธุรกิจต่อไป

การใช้ประโยชน์จากข้อมูล (Data) เป็นอีกวิธีทางหนึ่งที่ผู้บริหารหลายๆท่านควรจะต้องให้ความใส่ใจเพื่อช่วยให้ผู้บริหารสามารถตัดสินใจได้อย่างถูกต้อง และท้ายที่สุดจะช่วยปรับตัวให้ธุรกิจเติบโตและรอดพ้นจากสถานการณ์เช่นนี้

วันนี้ทางทีมได้ข้อมูลตัวอย่างจาก www.kaggle.com ซึ่งเป็นแหล่งรวม datasets ต่างๆไว้มากมาย ทีมจึงเลือกหยิบข้อมูล “hotel booking demand” เป็นรายการที่แสดงรายละเอียดการจองห้องพักย้อนหลังช่วงปี 2015–2017 ของโรงแรมแห่งหนึ่งที่มีสาขาทั่วโลก รวมทั้งหมด 119,390 รายการ หรือ 75,166 เฉพาะรายการจองที่สำเร็จ

โดยเป้าหมาย (goal) ของการทำโปรเจคนี้ก็คือ “ในฐานะที่เป็นผู้ให้คำปรึกษา เราจะใช้ข้อมูลที่มีอยู่อย่างไรเพื่อเพิ่มรายได้ให้กับโรงแรมที่เป็นลูกค้าของเรา”

2. Hypothesis

ทีมตัดสินใจแบ่งสมมติฐานออกเป็น 3 ด้านตามหลัก MECE (mutually exclusive, collectively exhaustive) เพื่อให้ตอบโจทย์วัตถุประสงค์ที่ตั้งไว้ ได้แก่

รายได้ = ปริมาณการขายห้องพัก(1) x ราคาเฉลี่ยต่อคืน(2) x จำนวนวันที่เข้าพัก(3)

โดยหากธุรกิจสามารถเพิ่มให้สูงสุด (maximize) ทั้ง 3 ด้าน ธุรกิจก็จะสามารถมีรายได้เพิ่มสูงขึ้นได้ ดังนั้น ทางทีมจะแตกย่อยออกไปเป็นหลายข้อสมมติฐาน ได้แก่

(1) ปริมาณการขายห้องพัก (volume)

Hypthosis: ตามกฎของ Demand Supply หากต้องการจะเพิ่มปริมาณยอดขาย เราควรจะต้องลดราคาสินค้า แต่ปริมาณการขายห้องพักของธุรกิจโรงแรมจะได้รับผลกระทบของฤดูกาล (seasonal effect) ทางทีมเลยตั้งข้อสมมติฐานว่าธุรกิจควรที่จะปรับลดราคาช่วง Low Season เพื่อดึงปริมาณการขายเพิ่มขึ้น และลดราคาช่วง High Season เพื่อกระตุ้นยอดขายให้เติบโตจากการแข่งขันของคู่แข่ง

(2) ราคาเฉลี่ยต่อคืน (average sales per unit per night)

เนื่องจากข้อมูลตัวอย่างแสดงแค่รายได้ของการจองห้องพัก แต่ไม่ได้กล่าวถึงรายได้จากการขายอาหารและเครื่องดื่ม แต่ในหัวข้อนี้ทีมจะแบ่งออกเป็น 2 ด้านตามรายได้โดยปกติของธุรกิจโรงแรม ได้แก่ รายได้จากการขายห้องพัก (room revenue) และรายได้จากการขายอาหารและเครื่องดื่ม (food and beverage) เพราะทางทีมเชื่อว่าการบริการอาหารก็มีความสำคัญต่อการเข้าพักกับทางโรงแรมเช่นกัน

(2.1) รายได้จากการขายห้องพัก

Hypothesis: ราคาของห้องพักโรงแรมมักจะมี 2 แบบ ได้แก่ ห้องราคา Standard ที่ไว้ขายกลุ่มลูกค้า Mass Consumer (เน้น volume) และ Premium ที่ไว้ขายกลุ่ม Affluent (เน้น adr สูง หรือ ราคาเฉลี่ยต่อห้องต่อคืนสูง) อย่างไรก็ดี เมื่อใช้ K-Mean แบ่งกลุ่มลูกค้าในเบื้องต้นออกมาได้เป็น Single, Couples, Family ก็ยังไม่สามารถแยกแยะได้ว่า แต่ละกลุ่มมีพฤติกรรมการใช้จ่ายในการจองห้องพักอย่างไร กลุ่มไหนที่เป็น Mass / Premium หรือมาเที่ยวช่วงไหน แต่โดยปกติลูกค้ากลุ่ม Family (>2 คน) มักจะมาเพื่อพักผ่อน จึงอาจจะไม่ได้เข้มงวดด้านรายจ่ายเท่ากับกลุ่ม Single ที่มาเพื่อทำงานหรือพักผ่อนระยะสั้น ดังนั้น ทีมจึงตั้งสมมติฐานว่า ลูกค้ากลุ่ม Family เป็นกลุ่ม Affluent ในขณะที่กลุ่ม Single/Couples เป็นกลุ่ม Mass Consumers

(2.2) รายได้จากมื้ออาหาร

Hypothesis: โดยส่วนมากแล้วหากเป็นการเข้าพักระยะยาวเพื่อเป็นการพักผ่อน โดยเฉพาะโรงแรมประเภท Resort ลูกค้าส่วนมากพักอยู่ระยะยาว จึงมีแนวโน้มในการสั่งอาหาร สูงกว่าในขณะที่โรงแรมประเภท City ลูกค้าส่วนมาก ก็อาจจะมาพักระยะสั้น และในตัวเมืองอาจจะมีตัวเลือกอาหารอื่นๆอีกมาก ก็อาจจะไม่ได้สั่งอาหารของโรงแรม ดังนั้นทีมจึงตั้งข้อสมมติฐานว่า ลูกค้าที่มาพัก City ที่มักจะมาอยู่ระยะสั้นจึงไม่ได้สั่งอาหาร ในขณะที่ลูกค้าที่มาพัก Resort มักจะอยู่ยาว มักที่จะสั่งอาหาร

(3) จำนวนวันที่เข้าพัก (duration)

Hypothesis: โดยปกติลูกค้าที่เข้ามาจองพัก มักจะเอาราคาทั้งหมดมาหารด้วยจำนวนวันที่เข้าพัก เพื่อเปรียบเทียบกับคู่แข่งว่าสูงกว่าหรือต่ำกว่าคู่แข่ง โดยปกติความคาดหวังของลูกค้าคือ ยิ่งอยู่นาน ราคาเฉลี่ยต่อคืนก็ควรจะต้องถูกลง ดังนั้น เพื่อเป็นการเพิ่มจำนวนวันที่เข้าพักให้ยาวนานขึ้น ทีมจึงตั้งข้อสมมติฐานว่า ธุรกิจควรที่จะปรับลดราคาเฉลี่ยต่อคืนเพื่อให้ราคาเฉลี่ยถูกลง จะมีผลทำให้ลูกค้าเข้าพักนานขึ้น

3. Data Mart/ Data Exploration

3.1 Review Data

ข้อมูลที่ได้รับประกอบไปด้วยทั้งหมด 32 columns ได้แก่

1. hotel รูปแบบของโรงเเรมได้เเก่ โรงเเรมในเมือง (city hotel) กับ โรงเเรมรีสอร์ท (resort hotel)
2. is_canceled รายการที่ถูกยกเลิก
3. lead_time ระยะเวลาระหว่างการจองจนถึงวันที่เข้าพัก
4. arrival_date_year ปีที่เข้าพัก
5. arrival_date_month เดือนเข้าพัก
6. arrival_date_week_number อาทิตย์ที่เท่าไหร่ในปีนั้น ที่เข้าพัก
7. arrival_date_day_of_month วันที่เข้าพัก
8. stays_in_weekend_nights จำนวนวันที่พักช่วงวันหยุด (เสาร์-อาทิตย์)
9. stays_in_week_nights จำนวนวันที่พักวันปกติ (จันทร์-ศุกร์)
10. adults จำนวนผู้ใหญ่
11. children จำนวนผู้เด็ก
12. babies จำนวนเด็กเล็ก
13. meal ประเภทของอาหารที่จอง

• RO : “Room Only”
• BB : “Bed & Breakfast and Dinner normally”
• HB : “Half Board (Brakfast and Dinner normally)”
• FB : “Full Board (Brakfast, Lunch and Dinner)”
• AI : “All Inclusive (all services of full board plus any other specified in each case)”
• SC : “(SGL+Chld) — one adult and child.”

14. country ประเทศ

15. market_segment การแบ่งส่วนตลาด คือ การแบ่งลูกค้าออกเป็นกลุ่มย่อยที่แตกต่างกัน โดยใช้เกณฑ์ความต้องการ บุคลิกลักษณะ หรือพฤติกรรมทางการสำรองห้องพักเป็นเกณฑ์ในการแยก

16. distribution_channel ช่องทางในการจองที่พัก

17. is_repeated_guest เป็นลูกค้าคนเดิมหรือเปล่า

18. previous_cancellations

19. previous_bookings_not_canceled

20. reserved_room_type

21. assigned_room_type

22. booking_changes จำนวนการเปลี่ยนแปลงการจอง

23. deposit_type ประเภทการจ่ายเงิน

24. agent ตัวกลางในการจองที่พัก (คิดว่าน่าจะเป็นรหัสของ Agent โดยจะเป็นการจองผ่าน Online)

25. company

26. days_in_waiting_list

27. customer_type ประเภทของลูกค้า

28. adr ADR(Average Daily Rate) คือ ค่าเฉลี่ยราคาขายห้องพักต่อวัน ไม่รวมภาษี และเซอร์วิสชาร์จ

29. required_car_parking_spaces ต้องการที่จอดรถ

30. total_of_special_requests จำนวนความต้องการเพิ่มเติม

31. reservation_status สถานะการจอง

32. reservation_status_date วันที่ในการอัพเดตสถานะการจอง

— — — — — — — — — — — — — — — — — — — — — — — — — — — — —

4. Hypothesis Testing

โดยก่อนที่จะเริ่มทำการทดสอบสมมติฐาน ธุรกิจควรที่จะทำความเข้าใจก่อนว่า ลูกค้าปัจจุบันสามารถแบ่งได้เป็น segmentation อย่างไรและมีพฤติกรรมอย่างไรบ้าง หากดูที่ column “customer_type” จะแบ่งเป็นแค่ transient/ group ซึ่งไม่ก่อให้เกิดประโยชน์ต่อการตัดสินใจมากนัก ทางทีมจึงแบ่ง segmentation .ใหม่โดยใช้วิธี K-Mean Method

K-Mean Method เป็นวิธีการจัดการข้อมูลแบบ unsupervised โดยใช้ variables ต่างๆที่มีแบ่งข้อมูลให้เป็นแต่ละกลุ่ม (cluster) โดยทีมตัดสินใจจะแบ่งการวิเคราะห์ segmentation แยกเป็น resort hotel และ city hotel โดยใช้ elbow method มาช่วยในการกำหนดว่าแต่ละประเภทของโรงแรม ควรที่จะแยกเป็นทั้งหมดกี่กลุ่ม (k=?)

จำนวน Cluster ของ City Hotel ที่ควรจะเป็นคือ k = 4

จำนวน Cluster ของ Resort Hotel ที่ควรจะเป็นคือ k= 5

ในการใช้ elbow method และ K-Mean ทีมได้ตัดสินใจนำตัวแปรที่เกี่ยวข้องเข้าไปดังต่อไปนี้

1) filter ‘is_canceled’ = 1 ออก เพราะทีมจะดูแค่รายการที่มีการเข้าพักสำเร็จ

2) filter ‘adr’ ยอดติดลบ ออก (มีแค่ 1 รายการ)

3) factors (column) ที่เราเอาเข้าไปวิเคราะห์ ได้แก่

• lead time : เพราะสามารถบอกได้ว่าลูกค้า walk-in มาไหม หรือ วางแผนล่วงหน้ามานานมากน้อยแค่ไหน (ยิ่ง lead time น้อย แปลว่า จองปุ๊บปั๊บ แล้วมาเลย)
• stay_in_week_nights / stay_in_weekend_nights: เพราะบอกได้ว่าลูกค้าพักระยะยาวหรือสั้น
• adult/ children/ baby: ทีมตัดสินใจเปลี่ยนแปลงให้เป็น 3 columns ได้แก่ single (กรองเฉพาะ adult 0–1), couples (กรองเฉพาะ adult = 2), family (กรองเฉพาะ adult > 2 หรือ children>0 or baby>0) โดยในแต่ละ column ใหม่ข้อมูลจะเป็น binary (0 = No, 1 = Yes)
• meal: ทีมเพิ่ม column ตามจำนวนประเภทของมื้ออาหาร และแปลงให้เป็นข้อมูล binary (0 = No, 1 = Yes)

- is_repeated: สามารถบอกได้ว่าลูกค้าเป็น member / royalty ขนาดไหน

- assigned_room_type: บอกได้ว่าห้องใหญ่ ก็น่าจะเป็นคนที่มีฐานะมาจอง

- booking_changes: บอกได้ว่าลูกค้ามีการเปลี่ยนแปลงการตัดสินใจมากน้อยแค่ไหน

- adr: ราคา บอกได้ว่าฐานะลูกค้าเป็นยังไง (รวย หรือ ปานกลาง เพราะจองห้องพักราคาเท่าไหร่)

ปัจจัยอื่นๆ ทางทีมตัดสินใจไม่รวมเข้ามาในการแบ่ง เพราะ

1. บางข้อมูลไม่ก่อให้เกิดประโยชน์ในการตัดสินใจ เช่น ปีและเดือนที่เข้าพัก, จำนวน cars parking, จำนวน special guest ฯลฯ (เช่น สมมติสุดท้าย ถ้าแบ่งลูกค้าได้เป็นกลุ่มที่ชอบมาเดือนสิงหาคม และไม่ใช่เดือนสิงหาคม เราก็ไม่สามารถเอาไปใช้ต่อได้อยู่ดี เพราะไม่สามารถเข้าใจพฤติกรรมอื่นๆของลูกค้าได้ นอกจากรู้แค่ว่าชอบมาพักตอนเดือนสิงหาคม เป็นต้น)
2. Correlation ระหว่างแต่ละปัจจัยสูง โดยกำหนดให้มีค่าน้อยกว่า -0.4 และ มากกว่า 0.4

โดย coding ในการทำ K-Mean สามารถดูได้จาก “Ref 1” เมื่อได้ Output มาแล้วจึงทำการหาค่าเฉลี่ยของแต่ละปัจจัย และ export ออกมาเป็น Excel ได้คำตอบออกมาดังต่อไปนี้ (สีฟ้า = มีค่าเฉลี่ยสูง และ สีแดง = มีค่าเฉลี่ยต่ำ)

Cluster ของกลุ่ม Resort Hotel

Cluster ของกลุ่ม City Hotel

เราสามารถอ่านค่าของแต่ละ Segmentation ได้ดังต่อไปนี้

Resort Hotel

R0 = มีลักษณะคือจองเป็นคู่ (couples) และครอบครัว (family), มี adr สูงแปลว่ารายได้เฉลี่ยต่อห้องสูง แสดงว่ามีฐานะรวย, ชอบมาพักไม่ห้อง A ก็ห้อง D, มี lead time สูงแปลว่ามีการวางแผนมาอย่างดีว่าจะมาพัก, และที่สำคัญคือ อยู่ระยะยาว (เพราะ column stay_in_week_nights และ stay_in_weekend_nights สูงสุด) และจองอาหารแบบ FB (Full Board)

R1 = มีลักษณะคือจองเป็นคู่และครอบครัวเหมือน R1 และ adr ก็ยังสูงเป็นอันดับ 2 แสดงว่ายังมีฐานะดีเหมือน R1, ชอบมาพักห้อง A และ D เหมือน R0 เพียงแต่ว่ากลุ่มนี้มี lead time ต่ำและ จำนวนวันที่พักน้อย(ครึ่งนึงของ R0) แปลว่าอาจจะ walk-in เข้ามา หรือไม่ก็จองล่วงหน้าแค่ไม่กี่วัน

R2 = จองเป็นคู่และครอบครัว เหมือนกลุ่ม R1 แต่ต่างกันตรงที่ กลุ่มนี้จะเห็นชัดเจนว่ามักจะพักแต่ห้อง D ไม่ได้พักห้อง A แต่อยู่ระยะสั้นกว่า R0 เล็กน้อย และมักจะสั่งอาหารประเภท BB (Bed & Breakfast)

R3 = เป็น Single ที่ส่วนมากมักจะใช้ระยะเวลาในการจองสั้นมาก แต่ก็เป็นกลุ่มที่ Repeated customers ส่วนมากพักห้อง Type A และกระจายไป Type D บ้างเล็กน้อย มีฐานะปานกลางเพราะ adr ต่ำ และมักจะสั่งอาหารประเภท BB (Bed & Breakfast)

R4 = จองเป็นคู่และครอบครัว เหมือนกลุ่ม R1 แต่ต่างกันตรงที่ กลุ่มนี้จะเห็นชัดว่าจะพักแต่ห้องพัก A เท่านั้น (ไม่ได้ไปพัก D) อยู่ระยะสั้นกว่า R0 เล็กน้อย และมักจะสั่งอาหารประเภท BB (Bed & Breakfast)

City Hotel

C0 = Single อยู่ห้อง Type A พักระยะสั้นสุด เมื่อเทียบกับกลุ่มอื่น มีฐานะร่ำรวยน้อยที่สุดเพราะ adr เฉลี่ยต่ำที่สุดในบรรดากลุ่ม City Hotel จองอาหาร BB

C1 = จองเป็นคู่หรือครอบครัว ส่วนมากพักห้องพัก Type D อยู่ยาวกว่า C0 เล็กน้อย มีฐานะร่ำรวยที่สุดเพราะ adr เฉลี่ยสูงสุดในบรรดากลุ่ม City Hotel จองอาหาร BB

C2 =จองเป็นคู่หรือครอบครัว ส่วนมากพักห้องพัก Type A พักระยะสั้นพอๆกับ C0 และไม่สั่งอาหาร

C3 =จองเป็นคู่หรือครอบครัว ส่วนมากพักห้องพัก Type A (เหมือน C2) แต่พักระยะยาวกว่า C2 เล็กน้อย สั่งอาหาร BB

จากตรงนี้ ทางทีมก็เริ่มตั้งข้อสังเกตว่า

1. Type A น่าจะเป็นห้องพักประเภท Standard ในขณะที่ Type D น่าจะเป็นห้องพักประเภท Premium
2. Customers ทุกคนในกลุ่ม ResortHotel จองอาหาร ในขณะที่ Single Customers ที่พักระยะสั้นมากในกลุ่ม City Hotel มักจะไม่จองอาหาร ในขณะเดียวกันถ้าพักระยะยาว ลูกค้าทั้ง 2 กลุ่มมีแนวโน้มจะสั่งอาหาร
3. Single Customers ในทั้ง 2 กลุ่ม เป็น Mass Customers มีฐานะปานกลาง ในขณะที่ Couples Customers เป็นกึ่งๆ Mass และ Affluent

แต่ทั้งนี้ทั้งนั้น ยังต้องอาศัยข้อมูลอื่นๆ และการวิเคราะห์จากมุมอื่นมาประกอบข้อสังเกตของทีมเพิ่มเติมซึ่งจะกล่าวในรายละเอียดถัดไป

— — — — — — — — — — — — — — — — — — — — — — — — — — — -

เมื่อได้ทำความเข้าใจ Segmentation ของลูกค้าแล้ว ทางทีมจะเริ่มทำ Hypothesis Testing แต่ละด้าน ได้แก่

4.1 ปริมาณการขายห้องพัก (volume)

Hypthesis: ตามกฎของ Demand Supply หากต้องการจะเพิ่มปริมาณยอดขาย เราควรจะต้องลดราคาสินค้า แต่ปริมาณการขายห้องพักของธุรกิจโรงแรมจะได้รับผลกระทบของฤดูกาล (seasonal effect) ทางทีมเลยตั้งข้อสมมติฐานว่าธุรกิจควรที่จะปรับลดราคาช่วง Low Season เพื่อดึงปริมาณการขายเพิ่มขึ้น และลดราคาช่วง High Season เพื่อกระตุ้นยอดขายให้เติบโตจากการแข่งขันของคู่แข่ง

ในการทดสอบสมมติฐานนี้ ทีมตัดสินใจคำนวณหา “Price Sensitivity” ของแต่กลุ่มลูกค้าแ และแยกเป็นแต่ละกลุ่มห้อง ในช่วง High และ Low Season โดยสูตรการคำนวณ Price Sensitivity ได้แก่

Price Sensitivity = % change of Quantity / % change of Price

โดย Price Sensitivity จะเป็นตัวบอกว่า เมื่อราคาเปลี่ยนไป 1% จะทำให้ปริมาณเปลี่ยนไปกี่ % นั่นเอง โดยทีมจะกำหนดให้

Quantity (y) = ปริมาณห้องที่ขายได้ ต่อ 1 การจอง

โดยทีมมีข้อสันนิษฐาน (assumption) ว่าใน 1 รายการจองอาจจะจองหลายคืน (เช่น 3 คืน) แปลว่าจะต้องมีห้องที่ว่างทั้งหมด 3 ห้องต่อ 1 การจอง หรือก็คือใน 1 การขาย โรงแรมสามารถขายสินค้าได้ทั้งหมด 3 ชิ้น นั่นเอง ดังนั้น ทีมจึงตัดสินใจนำ ผลรวมของจำนวนวันที่เข้าพัก มาแทนปริมาณห้องที่ขายออกไปได้ (sum solumn stay_in_week_nights and stay_in_weekend_nights)

Price (x) = ราคาที่ขายได้ ต่อ 1 การจอง

โดยสามารถดูได้จาก column adr (average daily revenue) จะบอกเป็นราคาเฉลี่ยต่อห้อง และต่อคืน แต่เนื่องมาจากการจอง 1 ครั้ง อาจประกอบไปด้วยหลายคืน ดังนั้น จึงต้องนำ adr มาคูณกับจำนวนวันที่เข้าพักเพื่อได้ price ของการจอง 1 ครั้ง

โดยทางทีมตัดสินใจรวม quantity และ price ข้างต้นเป็น “รายวัน” ของแต่ละเดือน แต่ละประเภทของห้อง แต่ละประเภทของลูกค้า และแต่ละประเภทของโรงแรม จากนั้นจึง “sort” โดยเรียงจาก price (sales) จากน้อยไปมากของเดือนนั้นๆ และใช้คำสั่ง python (Ref) เพื่อคำนวณตามสูตร Price Sensitivity ของแต่ละวัน ดังนั้น Output ที่ได้จึงมีหน้าตาเป็น Price Sensitivity ของแต่ละ transaction ในเดือนนั้นๆ ทั้งหมด 29–30 รายการ ตามภาพ

ตัวอย่าง Price Sensitivity ของลูกค้า City Hotel, Segment C2, ห้อง Type A, เดือนกันยายน

แต่เนื่องจากว่า Output ที่ได้อาจจะมี Outliers เกิดขึ้น (ข้อมูลที่สุดโต่งทางใดทางนึง) ทีมจึงตัดสินใจเลือกข้อมูลแต่เฉพาะที่อยู่ในช่วง 5%-95% เท่านั้น และนำผลลัพธ์ที่ได้มาหาค่าเฉลี่ยเพื่อจะได้ Price Sensitivity เฉลี่ยของเดือนนั้นๆ โดยการเขียน Code เพิ่มเติม (Ref)

จากนั้นทีมจึงเลือกข้อมูลเฉพาะเดือนที่เป็น High และ Low Season โดยเมื่อวัดจาก total adr แล้วจะพบว่า City Hotel จะมีช่วง High Season เป็นช่วงประมาณเดือนกันยายน-ตุลาคม และ Low Season ประมาณเดือน มกราคม-กุมภาพันธ์ ในขณะที่ Resort Hotel จะมีช่วง High Season ประมาณเดือน กรกฎาคม-สิงหาคม และ Low Season ประมาณ มกราคม-กุมภาพันธ์

ADR Seasonal

ผลลัพธ์ที่ได้จากการหา Price Sensitivity

Price Sensitivity Matrix by customer segmentation across Room Type

1. โดยรวมช่วง High Season จะมี Price Sensitivity ต่ำกว่าช่วง Low Season โดยห้อง Type A เป็นห้องประเภทเดียวที่มีค่าติดลบ (โดยเฉลี่ย) ในขณะที่ห้องประเภทอื่นมีค่าเป็นบวก
2. City Hotel — จะเห็นว่า ห้อง Type A มี pattern ช่วง High Season เป็น Price Sensitivity ติดลบ แสดงว่าช่วง High Season ธุรกิจควรที่จะปรับราคาเฉลี่ยลดลง เพื่อกระตุ้นยอดขาย ในขณะที่ช่วง Low Season มีค่าเป็นบวก แสดงว่า ยิ่งเพิ่มราคา จะยิ่งทำให้กระตุ้นยอดขายได้ แต่จากตารางค่า Price Sensitivity ยังค่อนข้างต่ำ (น้อยกว่า 1) ยกเว้นในกลุ่ม C0 ซึ่งเป็นกลุ่มที่พัก Single ระยะสั้น และมีฐานะปานกลาง ดังนั้น ธุรกิจสามารถจัดโปรโมชั่นลดราคาช่วง High Season เพื่อ target กลุ่ม C0 ได้โดยเฉพาะ ในขณะที่กลุ่ม C1 จะได้รับผลกระทบน้อยที่สุด เพราะ Price Sensitivity ต่ำ แต่เนื่องมาจากว่า C1 คือกลุ่มคนที่มีฐานะ และอยู่ระยะยาว จึงเป็นไปได้ว่าการปรับลดราคาอาจจะไม่ได้มีผลกระทบมากนักสำหรับกลุ่มนี้
3. Resort Hotel — โดยรวม Price Sensitivity มีค่าเป็นบวก จะเห็นว่าห้อง Type A สามารถแบ่งเป็น 2 กลุ่มตาม pattern ได้ชัดเจน นั่นก็คือ กลุ่มลูกค้าฐานะดี (R0, R1) และ กลุ่มลูกค้าฐานะปานกลาง (R3, R4) คือ ในช่วง High Season กลุ่มแรกมีค่าเป็นบวก และกลุ่มหลังมีค่าเป็นลบ การที่โรงแรม Resort แล้วช่วง High Season ยังมีค่าเป็นบวก อาจจะมีหลายคำอธิบาย เช่น โรงแรมมีความ high-end สูงอยู่แล้ว ดังนั้น ลูกค้าอาจจะมองว่าการปรับเพิ่มราคาช่วง High Season ของโรงแรม Resort เป็นเรื่องปกติ (แต่ถ้าเป็น city คนที่เข้ามาพักอาจจะไม่ได้มาเพื่อพักผ่อน ดังนั้น การเพิ่มราคาอาจจะไม่ใช่ผลดี) แต่อย่างไรก็ตามในช่วง High Season จะเห็นว่า Price Sensitivity ของ Type A ต่ำมากทั้ง 2 กลุ่ม แปลว่า การปรับราคาอาจจะไม่ได้กระทบต่อธุรกิจมากนัก ดังนั้น ธุรกิจอาจจะเลือกปรับเพิ่มราคาในช่วง High Season ได้ (แต่ทั้งนี้ก็ควรคำนึงถึง room availability อีกด้วย)
4. ทั้งนี้สิ่งที่น่าแปลกประหลาดใจก็คือในช่วง Low Season ของทั้ง 2 โรงแรมกลับมีค่า Price Sensitivity เป็นบวก นั่นแปลว่า ยิ่งเพิ่มราคา ก็จะกระตุ้นยอดการจองห้องพักได้ ซึ่งการตีความหมายแบบนี้อาจจะฟังดูแล้วขัดจากตรรกะทั่วไป แต่หากพิจารณาว่าโรงแรมทั้ง 2 ประเภทมี competitive advantage (เช่น ตั้งอยู่ใน location ที่จำเป็นต่อการเข้าพัก หรือ เป็นประเภท High-End (5 ดาว)) ก็สามารถเข้าใจได้ว่าการปรับราคาไม่ได้ส่งผลมากนักต่อปริมาณการเข้าจองห้องพักในช่วง low season เป็นต้น

ข้อสรุป — โดยรวมธุรกิจควรปรับลดราคาในช่วง High Season ทั้ง City และ Resort Hotel กับห้องพัก A ในขณะที่ D เพื่อดึงดูดลูกค้าและกระตุ้นปริมาณการจองห้องพัก ในขณะที่ช่วง Low Season หากมีหลักฐานอื่นที่บ่งบอกว่าโรงแรมมี competitive advantage การปรับเพิ่มราคา กลับจะยิ่งส่งผลดีต่อโรงแรมในช่วง Low Season

— — — — — — — — — — — — — — — — — — — — — — -

4.2 ราคาเฉลี่ยต่อคืน (average sales per unit per night)

4.2 (1) รายได้จากการจองห้องพัก

Hypothesis: ราคาของห้องพักโรงแรมโดยทั่วไปจะมี 2 แบบ ได้แก่ ห้องราคา Standard ที่ไว้ขายกลุ่มลูกค้า Mass Consumer (เน้น volume) และ Premium ที่ไว้ขายกลุ่ม Affluent (เน้น adr สูง หรือ ราคาเฉลี่ยต่อห้องต่อคืนสูง) อย่างไรก็ดี เมื่อใช้ K-Mean แบ่งกลุ่มลูกค้าในเบื้องต้นออกมาได้เป็น Single, Couples, Family ก็ยังไม่สามารถแยกแยะได้ว่า แต่ละกลุ่มมีพฤติกรรมการใช้จ่ายในการจองห้องพักอย่างไร กลุ่มไหนที่เป็น Mass / Premium หรือมาเที่ยวช่วงไหน แต่โดยปกติลูกค้ากลุ่ม Family (>2 คน) มักจะมาเพื่อพักผ่อน จึงอาจจะไม่ได้เข้มงวดด้านรายจ่ายเท่ากับกลุ่ม Single ที่มาเพื่อทำงานหรือพักผ่อนระยะสั้น ดังนั้น ทีมจึงตั้งสมมติฐานว่า ลูกค้ากลุ่ม Family เป็นกลุ่ม Affluent ในขณะที่กลุ่ม Single/Couples เป็นกลุ่ม Mass Consumers

เริ่มต้นก่อนว่า ธุรกิจโรงแรมนี้มีรายได้มาจากห้องแต่ละประเภทเท่าไหร่บ้าง โดย sum by adr แล้วจึง plot ออกมาเป็นกราฟแท่งได้ดังต่อไปนี้

Revenue by Room Type

จากกราฟจะเห็นได้ว่า โรงแรมทั้ง 2 ประเภทมีรายได้หลักมาจากห้อง type A โดยเฉพาะ City Hotel ตามมาด้วย type D และ E จากสภาพโดยทั่วไป เราอาจจะมองว่าห้อง type A ดูเป็นห้อง type Standard เพราะทำรายได้โดยรวมสูงสุด ดังนั้น เพื่อความกระจ่างชัเ ทีมจึงสร้าง box plot เพื่อเปรียบเทียบราคาเฉลี่ยของแต่ละประเภท

Box Plot: Price Distribution of ADR by room type (Left: City Hotel & Right: Resort Hotel)

โดยเฉลี่ยจะพบว่า ราคาเฉลี่ยต่อห้องต่อคืน (adr) ห้องของกลุ่ม Resort Hotel สูงกว่า City Hotel ในทุกประเภทของห้องพัก ในขณะเดียวกันการกระจายตัวของราคาเฉลี่ยแต่ละประเภทของห้องพักในกลุ่ม Resort แคบกว่าในกลุ่ม City Hotel แสดงว่า ราคาของกลุ่ม City มีความยืดหยุ่นมากกว่า (มีหลากหลายตัวเลือกมากกว่า)

จากในรูปเราสามารถแบ่งกลุ่มห้องพักออกเป็น 2 กลุ่มหลักตามที่เราคาดการณ์ไว้ ได้แก่ กลุ่มห้องพัก Standard และกลุ่มห้องพัก Premium โดยถ้าใช้สายตาประเมินคร่าวๆ ได้แก่

City Hotel — Standard type (A, D, E) และ Premium type (B, C, F, G, H)

Resort Hotel — Standard type (A, B, C) และ Premium type (D, E, F, G)

เมื่อได้ข้อมูลดังกล่าว ทีมจึงสามารถแยกแยะลูกค้าแต่ละกลุ่มว่ากลุ่มไหนที่เป็น Mass Consumer หรือกลุ่มไหนที่เป็น Affluent โดยดูจากประวัติการเข้าพักของลูกค้าแต่ละกลุ่ม (cluster) ว่าเข้าพักห้องประเภทไหนอย่างละเท่าไหร่

Result: Count by Segment

% revenue by customer segment across room type in City Hotel

% revenue by customer segment across room type in ResortHotel

ทีมพบว่า

1. กลุ่มลูกค้า City Hotel มีการกระจายตัวการเข้าพักในแต่ละประเภทห้อง (A-K) โดยเฉลี่ยเท่าๆกัน ไม่ห่างกันมาก ทำให้บอกได้ไม่ชัดเจนว่า แต่ละกลุ่มมีฐานะอย่างไร เช่น กลุ่ม C1 ที่ดูเหมือนจะเข้าพักห้องประเภท Standard (Type A, D, E) มากที่สุดเมื่อเทียบกับกลุ่มอื่น ในขณะเดียวกับ กลุ่ม C1 ก็เป็นกลุ่มที่มากที่สุดที่เข้าพักห้องพักประเภท Premium (Type B, C, F, G) เช่นกัน
2. แตกต่างกับลูกค้ากลุ่ม Resort Hotel จะเห็นได้อย่างชัดเจนว่า ลูกค้ากลุ่ม R4 เป็นลูกค้ากลุ่มหลักที่เข้าพักห้อง Type A จึงมีแนวโน้มสูงมากที่ R4 จะเป็น Mass Consumers (มีฐานะปานกลาง) ในขณะที่ ห้องพักประเภท Premium ถูกเข้าพักโดยกลุ่ม R0, R1 เป็นส่วนมาก จึงอาจะบอกได้ว่า กลุ่มนี้อาจจะมีฐานะขึ้นมาหน่อย และสุดท้ายกลุ่ม R2 ที่อาจจะยังดูไม่แน่ชัด เพราะมีการเข้าพัก B, C ที่เป็น Standard Room และ E, F, G ที่เป็น Premium Room แต่ % การเข้าพักโดยเฉลี่ยใน E, F, G สูงกว่า B, C จึงมีโอกาสมากกว่าที่จะเป็น Premium Customers

นอกจากนั้นแล้ว หลังจากที่สามารถแยกได้ว่า customer แต่ละ cluster มีพฤติกรรมการเข้าพักในห้องพักแบบไหน ทีมจึงพยายามจับคู่ว่า customer แต่ละ cluster เป็นกลุ่ม Single, Couples, หรือ Family มากน้อยแค่ไหน เพื่อยืนยันว่าการแบ่งกลุ่มนั้นถูกต้องโดยการใช้ K-Mean method

ตัวอย่าง การแบ่ง Cluster ของ Resort Hotel

จากกราฟพบว่า

1. City Hotel: กลุ่มที่มาพักแบบครอบครัวและ Couples มักจะพักในห้อง Type G และ F ตามลำดับซึ่งเป็นห้องพักชนิด Premium ในช่วงหน้า High Season ในขณะที่กลุ่มที่มาพักแบบ Single และ Couples มักจะมาพักในห้อง Type A
2. Resort Hotel: กลุ่มที่มาพักแบบครอบครัวและ Couples มักจะพักในห้อง Type H และ G ตามลำดับซึ่งเป็นห้องพักชนิด Premium ในช่วงหน้า High Season ในขณะที่กลุ่มที่มาพักแบบ Single และ Couples มักจะมาพักในห้อง Type A

ข้อสรุป — ข้อมูลราคาเฉลี่ยของห้องพักสามารถบ่งบอกฐานะของกลุ่มลูกค้าได้บางส่วน กล่าวคือ ลูกค้ากลุ่ม Family/Couples เป็นกลุ่ม Affluent (ต่างกันตรงที่ Family มีอัตราการเข้าพักต่ำกว่า Couples มาก) เพราะส่วนมากจะพักในห้องที่มี adr rate สูงในขณะที่กลุ่ม Single ที่มีอัตราการเข้าพักสูงสุด เป็นกลุ่ม Mass Consumers เพราะส่วนมากเข้าพักในห้องที่มี adr ต่ำ (type A) นอกจากนั้นยังยืนยันความถูกต้องของการแบ่ง customer segmentation ในหัวข้อก่อนหน้านี้ด้วย ดังนั้น หากธุรกิจต้องการที่จะปรับปรุงรายได้ให้มากขึ้น ต้องเสนอขายโปรโมชั่นให้กลุ่ม Single เน้นราคาถูก แต่ในขณะที่กลุ่ม Couples/Family ควรจะเน้นความ Delux พิเศษขึ้นมาเพื่อให้ราคาเฉลี่ยที่สูงกว่าเชดเชยกับปริมาณที่เสียไป

— — — — — — — — — — — — — — — — — — — — — —

4.2 (2) รายได้จากมื้ออาหาร

Hypothesis: ส่วนมากแล้วหากเป็นการเข้าพักระยะยาวเพื่อเป็นการพักผ่อน โดยเฉพาะโรงแรมประเภท Resort ลูกค้าส่วนมากพักอยู่ระยะยาว จึงมีแนวโน้มในการสั่งอาหาร สูงกว่าในขณะที่โรงแรมประเภท City ลูกค้าส่วนมาก ก็อาจจะมาพักระยะสั้น และในตัวเมืองอาจจะมีตัวเลือกอาหารอื่นๆอีกมาก ก็อาจจะไม่ได้สั่งอาหารของโรงแรม ดังนั้น ทีมจึงตั้งข้อสมมติฐานว่า ลูกค้าที่มาพัก City ที่มักจะมาอยู่ระยะสั้นจึงไม่ได้สั่งอาหาร ในขณะที่ลูกค้าที่มาพัก Resort มักจะอยู่ยาว มักที่จะสั่งอาหาร

Box Plot — แสดงการกระจายตัวของจำนวนคืนของมื้ออาหารแต่ละประเภทของ City Hotel

Box Plot — จัดกลุ่มลูกค้าตามประเภทของมื้ออาหาร (City Hotel)

Box Plot — แสดงการกระจายตัวของจำนวนคืนของมื้ออาหารแต่ละประเภทของ Resort Hotel

Box Plot — จัดกลุ่มลูกค้าตามประเภทของมื้ออาหาร (Resort Hotel)

จากรูปจะเห็นว่า ทั้ง 2 ประเภทของโรงแรม อาจจะตีความได้ว่า ลูกค้าที่สั่งอาหาร BB (Bed&Breakfast) และ HB (Half Board) ส่วนใหญ่คือกลุ่มลูกค้าที่มาเข้าพักระยะ 3–5 วัน ส่วนกลุ่มที่สั่งอาหารประเภท FB (Full Board) คือกลุ่มลูกค้าที่มาเข้าพักระยะยาวในขณะที่กลุ่มที่ไม่สั่งอาหาร (SC) ส่วนมากเข้าพักระยะสั้น (น้อยกว่า 3 วัน)

หากใช้ K-Mean เพื่อเจาะดูในรายละเอียด จะพบว่า ในกลุ่ม City Hotel กลุ่มลูกค้าประเภท Couples ส่วนมากมักจะสั่งอาหารประเภท BB หรือ ไม่สั่งอาหารเลย (SC) ซึ่งก็เป็นไปได้ตามระยะเวลาที่เข้าพัก แต่ลูกค้าที่เป็น Single ส่วนใหญ่จะสั่งอาหารประเภท BB ในขณะที่กลุ่ม Resort Hotel พบว่า ไม่มีกลุ่มลูกค้ากลุ่มไหนเลยที่จะไม่สั่งอาหาร (ลูกค้ากลุ่ม couples สั่งอาหารประเภท BB และ HB ส่วนลูกค้า Single สั่งอาหารประเภท BB)

กลุ่มที่น่าสนใจคือ กลุ่ม Couples ที่มาเข้าพักระยะสั้นน้อยกว่า 3 วันแต่ไม่สั่งอาหาร สาเหตุที่คนกลุ่มนี้ไม่สั่งอาหาร อาจจะเพราะว่าต้องการประหยัดค่าท่องเที่ยว เพราะออกไปทานอาหารข้างนอกโรงแรมมีราคาถูกกว่า ธุรกิจอาจจะเสนอโปรโมชั่นให้ลูกค้ากลุ่มนี้ทานอาหารในราคาพิเศษเพื่อกระตุ้นยอดขายอาหารได้ ในขณะที่กลุ่มอื่นๆ ที่สั่งอาหารอยู่แล้ว อาจจะต้องพิจารณาเรื่องการปรับราคาหรือเมนูเพิ่มเติมว่า เมนูไหนที่ขายดีและเป็นเอกลักษณ์ และสามารถปรับเพิ่มราคาอาหารได้

ข้อสรุป — ระยะเวลาในการเข้าพักมีผลต่อประเภทในการจองประเภทของมื้ออาหารทั้งกลุ่ม City Hotel และ Resort Hotel หากลูกค้าเป็นกลุ่มที่เข้าพักน้อยกว่า 3 วันมักจะไม่สั่งอาหาร, เข้าพัก 3–5 วันมักจะสั่งประเภท BB หรือ HB, และถ้าเข้าพักนานขึ้นจะสั่งประเภท FB และโรงแรมประเภท Resort ลูกค้าเกือบทุกกลุ่มสั่งอาหารหมด ดังนั้น หากต้องการที่จะเพิ่มรายได้มื้ออาหาร ควรออกโปรโมชั่นลดราคาอาหารให้กับกลุ่มที่มาพักระยะสั้นที่มักจะไม่ได้สั่งอาหาร

— — — — — — — — — — — — — — — — — — — — — — — — — — — —

4.3 ระยะเวลาในการเข้าพัก

Hypothesis: โดยปกติลูกค้าที่เข้ามาจองพัก มักจะเอาราคาทั้งหมดมาหารด้วยจำนวนวันที่เข้าพัก เพื่อเปรียบเทียบกับคู่แข่งว่าสูงกว่าหรือต่ำกว่าคู่แข่ง โดยปกติความคาดหวังของลูกค้าคือ ยิ่งอยู่นาน ราคาเฉลี่ยต่อคืนก็ควรจะต้องถูกลง ดังนั้น เพื่อให้ลูกค้าที่มีความตั้งใจพักระยะยาว ตัดสินใจเลือกพักโรงแรม ธุรกิจจึงต้องปรับราคาให้เหมาะสม ทีมจึงขอตั้งสมมติฐานว่า ถ้าจำนวนวันพักยิ่งมีระยะยาวมากขึ้น ลูกค้าจะยิ่งเลือกพักในราคาต่อคืนที่ถูกลง

A relationship between total stay and adr of City Hotel

ทีมค้นพบความสัมพันธ์ระหว่างจำนวนวันที่เข้าพักใน City Hotel กับราคาเฉลี่ย กล่าวคือ ถ้ายิ่งจำนวนวันเข้าพักมากเท่าไหร่ ราคาต่อคืนที่ลูกค้าตัดสินใจเลือกพักจะยิ่งถูกลงเท่านั้น โดยกราฟจะวิ่งเข้าหาราคาเฉลี่ยดังต่อไปนี้

จำนวนวันที่เข้าพัก 1–7วัน จะมีช่วงราคาที่กว้างมากที่สุด ตั้งแต่ $6-$300

จำนวนวันที่เข้าพัก 8–14วัน ช่วงราคาปรับลดลงมากระจุกตัวอยู่ในช่วง $ 50–200

จำนวนวันที่เข้าพักมากกว่า 14 วัน ช่วงราคาปรับลงมาอยู่ในช่วงประมาณ $100

A relationship between total stay and adr of Resort Hotel

ทิศทางความสัมพันธ์ของราคาและจำนวนวันยังคงแปรผกผันเหมือนกับ City Hotel กล่าวคือ ยิ่งจำนวนวันเข้าพักมาก ราคาต่อคืนที่ลูกค้าตัดสินใจเลือกพักจะยิ่งถูกลงแต่สำหรับโรงแรมกลุ่ม Resort ราคาที่ลูกค้าตัดสินใจเลือกพักที่ Resort Hotel โดยเฉลี่ยสูงกว่า City Hotel โดยแยกได้เป็น

จำนวนวันที่เข้าพัก 1–7วัน จะมีช่วงราคาที่กว้างมากตั้งแต่ $1 ถึง $400

จำนวนวันที่เข้าพัก 8–14วัน ช่วงราคาปรับลดลงมาไม่เกิน $300

จำนวนวันที่เข้าพักมากกว่า 14 วัน ช่วงราคาปรับลงมาอยู่ในช่วงไม่เกิน $200 ซึ่งส่วนใหญ่จะกระจุกตัวอยู่ที่ไม่เกิน $100

Total stay by customer segmentation

จากกราฟทีมพบว่า การเข้าพัก City Hotel ได้รับความนิยมในกลุ่ม couples มากกว่า Single ส่วน Family ได้รับความนิยมน้อยที่สุด

กลุ่ม couple นิยมเข้าพัก 3คืน 2คืน 4คืน และ 1คืน ตามลำดับ

กลุ่ม single นิยมเข้าพัก 1คืนมากที่สุด และค่อยๆลดลงตามจำนวนวันที่เข้าพัก

กลุ่ม family มีการเข้าพักน้อยมาก

ข้อมูลอื่นๆที่ทางทีมเห็นว่าน่าสนใจได้แก่

Top 10 Countries : The most stay over night of (Left: City Hotel & Right: Resort Hotel)

สำหรับ City Hotel ประเทศที่ได้รับความนิยมอยู่ในโซนยุโรปทั้งหมด ซึ่งประเทศที่ได้รับความนิยมสูงได้แก่ PRT FRA DEU GBR ESP ตามลำดับ ในขณะที่ Resort Hotel ยังคงได้รับความนิยมในโซนยุโรปเช่นเดียวกัน (โดยเฉพาะ GBR และ PRT)

ข้อสรุป — การปรับลดราคาเฉลี่ยต่อคืนมีผลต่อลูกค้าที่เข้ามาพักมากกว่า 7 วันเพราะจากจำนวนห้องทั้งหมดที่มีการเข้าพักของ City Hotel มีมากกว่า Resort Hotel โดยกลุ่มที่นิยมเข้าพักสำหรับโรงแรมทั้งสองชนิด คือ กลุ่ม couple และ single ซึ่งจำนวนวันเข้าพักของกลุ่ม couple จะอยู่ที่ 1–7วัน และกลุ่ม singleนิยมพักอยู่สั้นกว่าโดยจำนวนลูกค้าที่นับได้จะลดหลั่นลงไปตามจำนวนวันที่เข้าพัก แต่อย่างไรก็ตาม ถ้าอยู่ในช่วงการเข้าพัก 1–7วัน จะไม่มีผลต่อการตัดสินใจของทั้งสองกลุ่ม แต่ถ้าจำนวนวันเข้าพักมากกว่า 7 วัน ราคาก็จะมีผลต่อการตัดสินใจทันที กล่าวคือถ้ายิ่งพักนานขึ้นลูกค้าก็จะเลือกราคาที่พักถูดลง อีกทั้งลูกค้ายอมจ่าย Resort Hotelด้วยราคาที่สูงกว่า City Hotel

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — -

5. Summary

จากการทดสอบสมมติฐานข้างต้น สามารถสรุปได้ดังต่อไปนี้

รายได้ = ปริมาณการขายห้องพัก(1) x ราคาเฉลี่ยต่อคืน(2) x จำนวนวันที่เข้าพัก(3)

(1) ปริมาณการขายห้องพัก

Hypthesis: ตามกฎของ Demand Supply หากต้องการจะเพิ่มปริมาณยอดขาย เราควรจะต้องลดราคาสินค้า แต่ปริมาณการขายห้องพักของธุรกิจโรงแรมจะได้รับผลกระทบของฤดูกาล (seasonal effect) ทางทีมเลยตั้งข้อสมมติฐานว่าธุรกิจควรที่จะปรับลดราคาช่วง Low Season เพื่อดึงปริมาณการขายเพิ่มขึ้น และลดราคาช่วง High Season เพื่อกระตุ้นยอดขายให้เติบโตจากการแข่งขันของคู่แข่ง

Conclusion:โดยรวมธุรกิจควรปรับลดราคาในช่วง High Season ทั้ง City และ Resort Hotel กับห้องพัก A ในขณะที่ D เพื่อดึงดูดลูกค้าและกระตุ้นปริมาณการจองห้องพัก ในขณะที่ช่วง Low Season หากมีหลักฐานอื่นที่บ่งบอกว่าโรงแรมมี competitive advantage การปรับเพิ่มราคา กลับจะยิ่งส่งผลดีต่อโรงแรมในช่วง Low Season

(2) ราคาเฉลี่ยต่อคืน

ในหัวข้อนี้จะแบ่งออกเป็น 2 ด้านตามรายได้ของธุรกิจโรงแรมจะประกอบไปด้วย รายได้จากการขายห้องพัก (room revenue) และรายได้จากการขายอาหารและเครื่องดื่ม (food and beverage)

(2.1) รายได้จากการขายห้องพัก

Hypothesis: ราคาของห้องพักโรงแรมมักจะมี 2 แบบ ได้แก่ ห้องราคา Standard ที่ไว้ขายกลุ่มลูกค้า Mass Consumer (เน้น volume) และ Premium ที่ไว้ขายกลุ่ม Affluent (เน้น adr) อย่างไรก็ดี เมื่อใช้ K-Mean แบ่งกลุ่มลูกค้าในเบื้องต้นออกมาได้เป็น Single, Couples, Family ก็ยังไม่สามารถแยกแยะได้ว่า แต่ละกลุ่มมีพฤติกรรมการใช้จ่ายในการจองห้องพักอย่างไร กลุ่มไหนที่เป็น Mass / Premium หรือมาเที่ยวช่วงไหน แต่โดยปกติลูกค้ากลุ่ม Family (>2 คน) มักจะมาเพื่อพักผ่อน จึงอาจจะไม่ได้เข้มงวดด้านรายจ่ายเท่ากับกลุ่ม Single ที่มาเพื่อทำงานหรือพักผ่อนระยะสั้น ดังนั้น ทีมจึงตั้งสมมติฐานว่า ลูกค้ากลุ่ม Family เป็นกลุ่ม Affluent ในขณะที่กลุ่ม Single/Couples เป็นกลุ่ม Mass Consumers

Conclusion:ข้อมูลราคาเฉลี่ยของห้องพักสามารถบ่งบอกฐานะของกลุ่มลูกค้าได้บางส่วน กล่าวคือ ลูกค้ากลุ่ม Family/Couples เป็นกลุ่ม Affluent (ต่างกันตรงที่ Family มีอัตราการเข้าพักต่ำกว่า Couples มาก) เพราะส่วนมากจะพักในห้องที่มี adr rate สูงในขณะที่กลุ่ม Single ที่มีอัตราการเข้าพักสูงสุด เป็นกลุ่ม Mass Consumers เพราะส่วนมากเข้าพักในห้องที่มี adr ต่ำ (type A) นอกจากนั้นยังยืนยันความถูกต้องของการแบ่ง customer segmentation ในหัวข้อก่อนหน้านี้ด้วย ดังนั้น หากธุรกิจต้องการที่จะปรับปรุงรายได้ให้มากขึ้น ต้องเสนอขายโปรโมชั่นให้กลุ่ม Single เน้นราคาถูก แต่ในขณะที่กลุ่ม Couples/Family ควรจะเน้นความ Delux พิเศษขึ้นมาเพื่อให้ราคาเฉลี่ยที่สูงกว่าเชดเชยกับปริมาณที่เสียไป

(2.2) รายได้จากมื้ออาหาร

Hypothesis: โดยส่วนมากแล้วหากเป็นการเข้าพักระยะยาวเพื่อเป็นการพักผ่อน โดยเฉพาะโรงแรมประเภท Resort ลูกค้าส่วนมากพักอยู่ระยะยาว จึงมีแนวโน้มในการสั่งอาหาร สูงกว่าในขณะที่โรงแรมประเภท City ลูกค้าส่วนมาก ก็อาจจะมาพักระยะสั้น และในตัวเมืองอาจจะมีตัวเลือกอาหารอื่นๆอีกมาก ก็อาจจะไม่ได้สั่งอาหารของโรงแรม ดังนั้นทีมจึงตั้งข้อสมมติฐานว่า ลูกค้าที่มาพัก City ที่มักจะมาอยู่ระยะสั้นจึงไม่ได้สั่งอาหาร ในขณะที่ลูกค้าที่มาพัก Resort มักจะอยู่ยาว มักที่จะสั่งอาหาร

Conclusion:ระยะเวลาในการเข้าพักมีผลต่อประเภทในการจองประเภทของมื้ออาหารทั้งกลุ่ม City Hotel และ Resort Hotel หากลูกค้าเป็นกลุ่มที่เข้าพักน้อยกว่า 3 วันมักจะไม่สั่งอาหาร, เข้าพัก 3–5 วันมักจะสั่งประเภท BB หรือ HB, และถ้าเข้าพักนานขึ้นจะสั่งประเภท FB และโรงแรมประเภท Resort ลูกค้าเกือบทุกกลุ่มสั่งอาหารหมด ดังนั้น หากต้องการที่จะเพิ่มรายได้มื้ออาหาร ควรออกโปรโมชั่นลดราคาอาหารให้กับกลุ่มที่มาพักระยะสั้นที่มักจะไม่ได้สั่งอาหาร

(3) จำนวนวันที่เข้าพัก

Hypothesis: โดยปกติลูกค้าที่เข้ามาจองพัก มักจะเอาราคาทั้งหมดมาหารด้วยจำนวนวันที่เข้าพัก เพื่อเปรียบเทียบกับคู่แข่งว่าสูงกว่าหรือต่ำกว่าคู่แข่ง โดยปกติความคาดหวังของลูกค้าคือ ยิ่งอยู่นาน ราคาเฉลี่ยต่อคืนก็ควรจะต้องถูกลง ดังนั้น เพื่อให้ลูกค้าที่มีความตั้งใจพักระยะยาว ตัดสินใจเลือกพักโรงแรม ธุรกิจจึงต้องปรับราคาให้เหมาะสม ทีมจึงขอตั้งสมมติฐานว่า ถ้าจำนวนวันพักยิ่งมีระยะยาวมากขึ้น ลูกค้าจะยิ่งเลือกพักในราคาต่อคืนที่ถูกลง

Conclusion: การปรับลดราคาเฉลี่ยต่อคืนมีผลต่อลูกค้าที่เข้ามาพักมากกว่า 7 วันเพราะจากจำนวนห้องทั้งหมดที่มีการเข้าพักของ City Hotel มีมากกว่า Resort Hotel โดยกลุ่มที่นิยมเข้าพักสำหรับโรงแรมทั้งสองชนิด คือ กลุ่ม couple และ single ซึ่งจำนวนวันเข้าพักของกลุ่ม couple จะอยู่ที่ 1–7 วัน และกลุ่ม singleนิยมพักอยู่สั้นกว่าโดยจำนวนลูกค้าที่นับได้จะลดหลั่นลงไปตามจำนวนวันที่เข้าพัก แต่อย่างไรก็ตาม ถ้าอยู่ในช่วงการเข้าพัก 1–7วัน จะไม่มีผลต่อการตัดสินใจของทั้งสองกลุ่ม แต่ถ้าจำนวนวันเข้าพักมากกว่า 7 วัน ราคาก็จะมีผลต่อการตัดสินใจทันที กล่าวคือถ้ายิ่งพักนานขึ้นลูกค้าก็จะเลือกราคาที่พักถูดลง อีกทั้งลูกค้ายอมจ่าย Resort Hotelด้วยราคาที่สูงกว่า City Hotel

(ข้อสรุปที่ได้จากการวิเคราะห์ทั้งหมดค่อนข้างจะตรงกับข้อสันนิษฐานเบื้องต้นหลังจากแบ่งกลุ่ม Customers โดยใช้ K-Mean

1. Type A น่าจะเป็นห้องพักประเภท Standard ในขณะที่ Type D น่าจะเป็นห้องพักประเภท Premium
2. Customers ทุกคนในกลุ่ม ResortHotel จองอาหาร ในขณะที่ Single Customers ที่พักระยะสั้นมากในกลุ่ม City Hotel มักจะไม่จองอาหาร ในขณะเดียวกันถ้าพักระยะยาว ลูกค้าทั้ง 2 กลุ่มมีแนวโน้มจะสั่งอาหาร
3. Single Customers ในทั้ง 2 กลุ่ม เป็น Mass Customers มีฐานะปานกลาง ในขณะที่ Couples Customers เป็นกึ่งๆ Mass และ Affluent)

Recommendation

การเพิ่มรายได้ให้กับโรงแรมทั้ง 2 กลุ่ม ควรเสนอราคาและประเภทของห้องพักและประเภทมื้ออาหารที่เหมาะสมให้แก่แต่ละกลุ่มลูกค้า โดยเฉพาะกลุ่มลูกค้าที่สร้างรายได้หลักให้แก่ธุรกิจ คือ กลุ่ม Single และ Couples ซึ่งสามารถแนะนำให้ธุรกิจโรงแรมแต่ละประเภทได้ ดังนี้

1. City Hotel

• ลูกค้ากลุ่ม Single: เสนอดีลราคาถูกลงสำหรับห้องพัก Type A (Standard Type) ในช่วง High Season อาจจะจัดโปรโมชั่นด้านอาหารโดยเฉพาะประเภท BB ให้ครอบคลุมระยะเวลาในการเข้าพักตั้งแต่ 1–3 วัน
• ลูกค้ากลุ่ม Couples: เป็นกลุ่มใหญ่ที่เข้ามาพักอาจจะเสนอห้องพักได้ทั้ง 2 รูปแบบ ได้แก่
• (1) รูปแบบ Type A (Standard) เหมาะสำหรับ Couples ที่มาพักระยะสั้นและมีข้อจำกัดด้านงบประมาณ (Price Sensitivity อยู่ระดับปานกลาง) ดังนั้น ธุรกิจควรปรับลดราคาห้องพักเหมือนกับกลุ่ม Single นอกจากนั้นควรเสนอบริการมื้ออาหารประเภท BB เพิ่มเติมเข้ามาเป็น Complimentary Services เพื่อดึงดูดลูกค้ากลุ่มนี้มากขึ้น
• (2) รูปแบบ Type D (Premium) เหมาะสำหรับ Couples ที่มีระยะพักประมาณ 3–5 วัน (จองคร่อมไปจนถึงเสาร์-อาทิตย์) กลุ่มนี้มี Price Sensitivity ต่ำ ธุรกิจอาจจะนำเสนอบริการเสริมอื่นๆพิเศษ (เช่น สปา, ปรับมื้ออาหารจาก BB ให้เป็น FB) เพื่อให้ลูกค้ามีความรู้สึกในความเป็น Premium ชัดเจนมากยิ่งขึ้น

2. Resort Hotel

• Single: กลุ่มนี้ลูกค้ามีพฤติกรรมคล้ายกับ City — Single คืออยู่ระยะสั้นแต่สิ่งที่แตกต่างก็คือ กลุ่มนี้มี Price Sensitivity อยู่ระดับปานกลาง และมีแนวโน้มจะพักห้องพัก Type D มากกว่า ดังนั้น ธุรกิจอาจจะเสนอดีลราคาถูกลงเล็กน้อยสำหรับทั้งห้องพัก Type A (Standard) และ Type D (Premium) ในช่วง High Season และมีมื้ออาหาร BB ควบคู่ไปด้วย
• Couples: กลุ่มนี้ลูกค้ามักจะจองห้องทั้ง Type A และ Type D โดยจะอยู่ระยะยาวขึ้นมากกว่า 3 วัน ขึ้นไป และมีแนวโน้มสูงสุดว่าจะเป็นกลุ่มที่พักระยะยาว (7 วัน) ธุรกิจสามารถเพิ่มรายได้โดยการเสนอดีลที่ให้ลูกค้าอยู่กับโรงแรมยาวนานขึ้นจาก 3–5 วัน ให้เป็น 7 วันด้วยราคาเฉลี่ยต่อคืนถูกลงอย่างมีนัยยะสำคัญ นอกจากนั้น ส่วนมากลูกค้ากลุ่มนี้มีการสั่งอาหารอยู่แล้ว (ประเภท BB & HB) ดังนั้น นอกจากจะเสนอราคาพิเศษเพื่อให้อยู่ระยะยาวมากขึ้นแล้ว ธุรกิจอาจจะเสริมเรื่องอาหาร (เช่นปรับจาก BB, HB ให้เป็น FB) หรือมีบริการเสริมพิเศษอื่นๆ (เช่น สปา) เพื่อให้รู้สึกถึงความเป็น Premium Customers มากขึ้น ก็จะยิ่งช่วยกระตุ้นให้ลูกค้ากลุ่มนี้ตัดสินใจจองที่พักกับธุรกิจมากยิ่งขึ้น

Risk & Mitigation

1. External factors — เมื่อปรับลดราคาลงแล้ว จะต้องพิจารณา reaction จากคู่แข่งประกอบด้วยว่าถ้าคู่แข่งมีการลดราคาที่คล้ายคลึงกัน ธุรกิจจะปรับตัวอย่างไร รวมไปถึง การจัดสรรวัตถุดิบในการเตรียมอาหาร หากมีการจัดเซทอาหารเพิ่มเติมเพื่อเสนอให้กับลูกค้ากลุ่มที่มาพักระยะสั้น
2. Internal factors — ถึงแม้ว่าการปรับลดราคาจะทำให้รายได้เพิ่มขึ้น แต่ทั้งนี้ธุรกิจจะต้องประเมินถึง capacity ในการรับลูกค้าด้วยว่ามีทรัพยากรเพียงพอหรือไม่ รวมถึงการลดราคาจะทำให้ Brand Royalty เสียหรือไม่

• จบ-

Reference

(1) K-Mean Customer Cluster: https://colab.research.google.com/drive/1TgZN5017zCyw44FlaKVQPiXjYTy5vB4n

(2) Volume Hypothesis

https://colab.research.google.com/drive/1XkbAtUD8CXpO3Jh7rx_xtXHS8NqZIThJ#scrollTo=tHZVCLLNybW6

(3) Room Revenue Hypothesis

https://colab.research.google.com/drive/1ZjvauI8mkJ3uDM6Pee3KQCWnXE5D7TUr#scrollTo=Uc4wKp3aasCu

(4) Food&Beverage Revenue Hypothesis

https://colab.research.google.com/drive/1Z0NUAhgkFt4gK1WmYDY7WgmaYCBlI9bK?usp=sharing

(5) Duration Hypothesis

https://colab.research.google.com/drive/1PQN5KQXACGoDTPHpw6vIbYVPiF06mScF?usp=sharing#scrollTo=IQxXIrnFcGvy