Ein Vergleich der Prognosemethoden für das Hotelmanagement Larry R. Weatherford a ,. Sheryl E. Kimes von einer Universität von Wyoming, College of Business, Abteilung für Management und Marketing, P. O. Box 3275, Raum 228, Laramie, WY 82071-3275, USA b Cornell University School of Hotel Administration, New York, USA Verfügbar online am 14. März 2002. Die Ankunftsvorhersage ist einer der Schlüsselinputs für ein erfolgreiches Hotel-Revenue-Management-System Wurden keine Untersuchungen zur besten Prognosemethode durchgeführt. In dieser Forschung verwendeten wir Daten von Choice Hotels und Marriott Hotels, um eine Vielzahl von Prognosemethoden zu testen und die genaueste Methode zu bestimmen. Vorläufige Ergebnisse mit dem Choice Hotel Daten zeigen, dass Pickup-Methoden und Regression produziert die geringste Fehler, während die Buchung Kurve und Kombination Prognosen produziert ziemlich ungenau Ergebnisse. Die eingehendere Untersuchung unter Verwendung der Marriott Hotel-Daten zeigte, dass exponentielle Glättung, Abholung und gleitende Durchschnittsmodelle die robustesten waren. Prognoseverfahren Vergleichende Methoden, Zeitreihen Zeitreihe, univariate: exponentielle Glättung HoltWinters, Regression Tabelle 2. Abb. Tabelle 3. Fig. Fig. Fig. 4. Tabelle 6. Fig. Fig. 6. Biografien: Larry WEATHERFORD ist Associate Professor an der University of Wyoming. Er hat einen Doktortitel. Von der Darden Graduate Business School, Universität von Virginia. Larry unterrichtet Undergraduate-und MBA-Klassen in Operations Management und Quantitative Methoden. Er erhielt mehrere hervorragende Lehre-Preise vom College of Business und der University of Wyoming. Er hat auch ein Bestseller-Lehrbuch, Decision Modeling mit Microsoft Excel. Veröffentlicht von Prentice Hall, Inc. im Jahr 2001. Er veröffentlicht hat 17 Artikel in solchen Zeitschriften wie Operations Research, Entscheidungswissenschaften, Naval Research Logistics, Transportation Science, Omega, Internationale Zeitschrift für Technologie-Management, Cornell Hotel und Restaurant Administration Quarterly, Journal of Combinatorial Optimierung, International Journal of Operations und Quantitative Management und ORMS Heute und präsentiert 51 Beiträge auf fünf verschiedenen Kontinenten zu professionellen Organisationen. Er hat mit so großen Unternehmen wie American Airlines, Northwest Airlines, Lufthansa Airlines, Swissair, Scandinavian Airlines, Air New Zealand, South African Airways, Unisys Corporation, Walt Disney World, Hilton Hotels und Choice Hotels, sowie viele andere kleinere konsultiert Unternehmen. Sheryl E. KIMES ist Professor für Operations Management in der School of Hotel Administration an der Cornell University. Sie hat einen Doktortitel. In Betriebsführung von der University of Texas-Austin. Sie spezialisiert sich auf Revenue Management und hat mit einer Vielzahl von Branchen auf der ganzen Welt gearbeitet. Ihre Forschungsergebnisse sind in Interfaces, Journal of Operations Management, Journal of Service Research und anderen Zeitschriften erschienen. Entsprechender Autor. Tel. 1-307-766-3124 Fax: 1-307-766-3488. Copyright 2002 Internationales Institut für Forecasters. Veröffentlicht von Elsevier B. V. Alle Rechte vorbehalten. Zitieren von Artikeln () FORECASTING Seasonal Factor - der Prozentsatz der durchschnittlichen vierteljährlichen Nachfrage, die in jedem Quartal auftritt. Die jährliche Prognose für das Jahr 4 wird auf 400 Einheiten prognostiziert. Durchschnittliche Prognose pro Quartal ist 4004 100 Einheiten. Vierteljährliche Vorhersage Durchschn. Prognostiziert saisonale Faktor. Kausale Vorhersagemethoden Kausale Prognosemethoden basieren auf einer bekannten oder wahrgenommenen Beziehung zwischen dem zu prognostizierenden Faktor und anderen externen oder internen Faktoren 1. Regression: Die mathematische Gleichung bezieht sich auf eine abhängige Variable auf eine oder mehrere unabhängige Variablen, von denen angenommen wird, dass sie die abhängige Variable beeinflussen 2. ökonometrische Modelle: System von interdependenten Regressionsgleichungen, die einen Wirtschaftszweig beschreiben 3. Input-Output-Modelle: beschreibt die Ströme von einem Sektor der Wirtschaft zur anderen und sagt daher die Inputs vor, die zur Produktion von Outputs in einem anderen Sektor erforderlich sind 4. Simulationsmodellierung Es gibt zwei Aspekte von Prognosefehlern: Bias und Genauigkeit Bias - Eine Prognose ist voreingenommen, wenn sie mehr in eine Richtung als in der anderen Richtung irrt - die Methode neigt zu Unterprognosen oder Überprognosen. Genauigkeit - Prognosegenauigkeit bezieht sich auf die Entfernung der Prognosen von der tatsächlichen Nachfrage ignorieren die Richtung dieses Fehlers. Beispiel: Für sechs Perioden wurden die Prognosen und die tatsächliche Nachfrage nachverfolgt Die folgende Tabelle gibt die Ist-Nachfrage D t und die Prognose-Nachfrage F t für sechs Perioden an: kumulierte Summe der Prognosefehler (CFE) -20 mittlere absolute Abweichung (MAD) 170 6 28,33 mittlere quadriert Fehler (MSE) 5150 6 858.33 Standardabweichung der Prognosefehler 5150 6 29.30 Durchschnittlicher absoluter Prognosefehler (MAPE) 83.4 6 13.9 Welche Informationen prognostizieren prognostiziert, hat eine Tendenz zur Überschätzung der Nachfrage durchschnittlichen Fehler pro Prognose betrug 28,33 Einheiten oder 13,9 von Die tatsächliche Bedarfsabtastverteilung der Prognosefehler hat eine Standardabweichung von 29,3 Einheiten. KRITERIEN ZUR AUSWAHL EINES VORHABENMETHODES Ziele: 1. Maximieren Sie die Genauigkeit und 2. Minimieren Sie Vorspannungspotentialregeln für die Auswahl einer Zeitreihenvorhersagemethode. Wählen Sie die Methode aus, die mit dem kumulativen Vorhersagefehler (CFE) gemessen wird, oder gibt die kleinste mittlere absolute Abweichung (MAD) an oder gibt das kleinste Tracking-Signal oder unterstützt Management-Überzeugungen über das zugrunde liegende Bedarfsmuster oder andere. Es scheint offensichtlich, dass ein gewisses Maß an Genauigkeit und Bias zusammen verwendet werden sollte. Wie ist die Anzahl der zu untersuchenden Perioden, wenn die Nachfrage inhärent stabil ist, werden niedrige Werte von und und höhere Werte von N vorgeschlagen, wenn die Nachfrage inhärent instabil ist, werden hohe Werte von und und niedrigere Werte von N vorgeschlagen FOCUS FORECASTING quotfocus forecastingot bezieht sich auf Eine Annäherung zur Prognose, die Prognosen durch verschiedene Techniken entwickelt, dann wählt die Prognose aus, die durch den quotbestquot dieser Techniken produziert wurde, in denen quotbestquot durch irgendein Maß des Prognosefehlers bestimmt wird. FOKUSVORHERSAGE: BEISPIEL In den ersten sechs Monaten des Jahres betrug die Nachfrage nach einer Einzelhandelseinheit 15, 14, 15, 17, 19 und 18 Einheiten. Ein Händler nutzt ein Fokus-Prognosesystem, das auf zwei Prognosetechniken basiert: einem zweistufigen gleitenden Durchschnitt und einem trendgesteuerten exponentiellen Glättungsmodell mit 0,1 und 0,1. Bei dem exponentiellen Modell lag die Prognose für Januar bei 15 und das Trendmittel Ende Dezember war 1. Der Händler nutzt die mittlere absolute Abweichung (MAD) für die letzten drei Monate als Kriterium für die Auswahl des Modells, das zur Prognose verwendet wird Für den nächsten Monat. ein. Was wird die Prognose für Juli sein und welches Modell wird verwendet? Würden Sie auf Teil a antworten? Wenn die Nachfrage nach Mai 14 statt 19 gewesen wäre
No comments:
Post a Comment