Nesting e Overbooking. Si presuppone che, dall’analisi dello storico di un albergo di 100 camere, il 15 giugno risulti essere una data in cui l’albergo.

Presentazione sul tema: "Nesting e Overbooking. Si presuppone che, dall’analisi dello storico di un albergo di 100 camere, il 15 giugno risulti essere una data in cui l’albergo."— Transcript della presentazione:

1 Nesting e Overbooking

2 Si presuppone che, dall’analisi dello storico di un albergo di 100 camere, il 15 giugno risulti essere una data in cui l’albergo è sempre stato pieno. Si presuppone che la segmentazione sia articolata nel seguente modo:  Il segmento A genera un valore di 500 euro  Il segmento B genera un valore di 350 euro  Il segmento C genera un valore di 250 euro E che le camere siano state allocate nel seguente modo:  40 al segmento A  35 al segmento B  25 al segmento C. Esempio: il nesting 1/3

3 La politica dell’albergo sarà di non accettare:  Più di 25 prenotazioni del segmento C  Non più di 60 prenotazioni del segmento B (25+35)  Mentre si potranno accettare 100 prenotazioni del segmento A (40+35+25) Esempio: il nesting 2/3 ClassePrezzoCamere A50040+35+25 = 100 B35035+25 = 60 C25025 In assenza di logica nesting si potrebbe arrivare all’assurdo di vendere l’intero contingente in classe A e rifiutare la quarantunesima richiesta di servizio per tale classe, quando ancora sono disponibili posti per le classi a tariffe inferiori. In una logica di nesting invece, la disponibilità viene gestita nel seguente modo: La vendita di una camera in classe C comporterà il decremento nelle disponibilità di tutte le classi; la vendita di una camera in classe B comporterà invece la riduzione dei contingenti disponibili in classe B e A. Con tale procedimento, fin quando rimarrà una camera in classe C (quella associata alla tariffa più bassa).

4  La capacità di ogni segmento, una volta individuata la domanda prevista, deve essere valutata dando priorità ai segmenti a contribuzione alta in caso di aumento della domanda.  Si determina un nuovo atteggiamento nei confronti del processo di prenotazione: non accettare prenotazioni anche se per quelle date si hanno camere disponibili.  Non si considera l’incasso certo immediato ma lo spazio ipotetico che questa prenotazione può “togliere” ad un’occupazione a maggiore contribuzione. Esempio: il nesting 3/3

5 Si può stimare il tasso di presenza media sulla base di attendibili valutazioni storiche: Dati: t = tasso di presenza, T la capacità complessiva b il limite di booking Si ha:  b = T / t Esempio: Sia 500 la capacità complessiva, 80% il tasso di presenza:  b = 500 / 0,80 = 625  625 – 500 = 125 che rappresentano i pernottamenti vendibili in più rispetto a quelli disponibili Overbooking: come si calcola?

6 È fondamentale determinare il costo della gestione del cliente in esubero le cui componenti sono:  Il costo diretto per ricompensare l’utente danneggiato  Il costo per attenuare i disagi del disservizio  Il costo per fornire un servizio alternativo  Il costo per non aver svolto il servizio pattuito Per determinare il peso complessivo di questi costi sui ricavi totali si può considerare che: s  n° dei clienti che si presentano al momento dell’erogazione del servizio P  il prezzo unitario (s– T)  n° dei clienti in soprannumero rispetto alla capacità massima C  costo unitario Si ha: Y = (p * s) – C (s – T) Overbooking: come si calcola?

7 Applicazione delle due misure 1/2 VALORI = CAMERE DataValori osservatiValori previstiErrore assolutoErrore relativo 20/077281 21/076259 22/076975 23/074437 24/073635 25/075463 26/075853 Totale

8 Applicazione delle due misure 1/2 VALORI = CAMERE DataValori osservatiValori previstiErrore assolutoErrore relativo 20/07728190,13 21/07625930,05 22/07697560,09 23/07443770,16 24/07363510,03 25/07546390,17 26/07585620,03 27/0757543005 Totale400,9 MAD/E 5 MAPE 11%

9 MAD Totale errori assoluti 40/ Periodo di osservazione (giorni) 8= MAD5  MAD/E (o MAD): media, sul periodo di osservazione, degli errori assoluti  MAPE: media, sul periodo di osservazione, degli errori relativi  Calcolare per ciascun giorno errore assoluto / valore osservato  Calcolare la media MAPE Totale errori relativi 0,9/ Periodo osservazione (n. giorni) 8= MAPE0.11

10 MAD/E MAPE E TRACKING SIGNAL Data Valori osservati valori previstiErrori Errori cumulati MAD mobiliTS 20-lug 8996 21-lug 7672 22-lug 8286 23-lug 5549 24-lug 4642 25-lug 6670 26-lug 7267 La colonna “errori” contiene, per ciascuna data, la differenza tra valori osservati e valori previsti. La colonna “errori cumulati” contiene, data per data, la somma algebrica degli errori relativi ai giorni precedenti. La colonna “MAD mobili” contiene il MAD calcolato, data per data, comprendendo gli errori dei giorni precedenti La colonna “TS” contiene i valori giornalieri del tracking signal. Quest’ultimo si calcola, data per data, rapportando l’errore cumulato con il MAD mobile. MAD e MAPE sono criteri di misurazione dell’errore previsionale che vanno integrati nei sistemi di controllo. Un tipico controllo basato sul MAD è il TRACKING SIGNAL.

11 Data Valori osservati valori previstiErrori Errori cumulati MAD mobiliTS 20-lug 8996-7 7 21-lug 76724-35,5-0,5 22-lug 8286-4-75-1,4 23-lug 554965,3-0,2 24-lug 46424350,6 25-lug 6670-44,8-0,2 26-lug 7267544,90,8 Il controllo del tracking signal consente di valutare la bontà della previsione. Un valore prossimo allo 0 segnala una buona approssimazione tra i valori previsti e quelli osservati. Viceversa, un tracking signal distante da 0 indica una previsione di bassa qualità. MAD/E MAPE E TRACKING SIGNAL