Theo dõi sự phát triển của các chỉ số hiệu suất chính (KPI) theo thời gian cho phép chủ khách sạn xác định xu hướng có ý nghĩa, đưa ra dự báo và lập ngân sách cũng như đánh giá kết quả của các chiến lược khác nhau. Để thực hiện loại phân tích này, dữ liệu phải được ghi lại trong các khoảng thời gian nhất quán và theo thứ tự thời gian. Điều này được gọi là một chuỗi thời gian.

Ví dụ, công suất sử dụng phòng trong tháng là một chuỗi thời gian: dữ liệu (công suất sử dụng phòng) được ghi lại trong một khoảng thời gian nhất quán (theo ngày) và được hiển thị theo thời gian. Có nhiều cách để xem xét về chuỗi thời gian, tùy thuộc mục đích của người dung số liệu. Bài viết này đề cập đến hai phương pháp được sử dụng phổ biến nhất: tính mùa vụ và trung bình trượt.

Phương pháp tính theo mùa

Dữ liệu ngành khách sạn có rất nhiều biến động: mùa cao và mùa thấp gây ra biến động mạnh từ giai đoạn này sang giai đoạn tiếp theo. Phương pháp  tính theo mùa cho thấy các biến thể ngắn hạn này để hiểu các xu hướng được lặp lại một cách có hệ thống. Chúng tôi sẽ sử dụng dữ liệu HotStats để minh họa. Biểu đồ theo mùa bên dưới hiển thị dữ liệu RevPAR hàng tháng của Mỹ từ tháng 1 năm 2016 đến tháng 8 năm 2019.

Biểu đồ này cho thấy sự lặp lại có hệ thống của một mô hình được đặc trưng bởi các đỉnh vào tháng 3, tháng 4 và tháng 10 và được đánh dấu giảm vào tháng 1, tháng 2, tháng 7, tháng 8, tháng 9, tháng 11 và tháng 12, với tháng 5 và tháng 6. Điều này rất hữu ích khi cần chuẩn bị ngân sách và dự báo hoạt động hàng tháng. Đây cũng là một cách để kiểm tra nhanh về sự bất thường bởi vì nó giúp dễ dàng phát hiện ra các ngoại lệ di chuyển ra khỏi mô hình và cần giải thích.

Từ góc độ điểm chuẩn, chúng ta vẽ kết quả theo mùa của bộ cạnh tranh trên cùng một biểu đồ và kiểm tra xem các mô hình có khớp để hiểu rõ hơn về bối cảnh kinh doanh hay không. Hơn nữa, mô hình có thể thay đổi theo thời gian. Có thể một điểm thu hút mới đang thúc đẩy hoạt động kinh doanh về phía khu vực mà những tháng trước đây đang còn rất yếu. Biểu đồ theo mùa là công cụ đặc biệt để phát hiện những thay đổi này.

Tuy nhiên, dữ liệu theo mùa vẫn có những hạn chế. Sự biến động làm cho việc xác định xu hướng dài hạn trở nên khó khăn. Nếu muốn hiểu liệu RevPAR hàng tháng của Mỹ đã tăng hay giảm từ tháng 1 năm 2016 đến tháng 8 năm 2019, biểu đồ trên sẽ không giúp ích nhiều. Với các đỉnh và đáy của nó, việc tìm ra một đường xu hướng không đơn giản. Đó chính xác là lý do tại sao các khách sạn chuyển sang trung bình trượt để làm mịn dữ liệu.

Phương pháp trung bình trượt

Phương pháp trung bình trượt loại bỏ các biến thể ngắn hạn để tìm ra những thay đổi phi hệ thống trong bộ dữ liệu, nói cách khác, tăng hoặc giảm không được giải thích bằng cách chuyển từ mùa này sang mùa khác. Điều này được giải quyết bằng cách sử dụng trung bình trượt thay vì kết quả thực tế cho từng khoảng thời gian. Do đó, trọng lượng của dữ liệu lịch sử làm mịn hơn các thay đổi ngắn hạn cụ thể nào.

Để tính toán từng điểm dữ liệu, chúng ta cần quyết định số tháng dữ liệu lịch sử đưa vào mức trung bình. Sử dụng dữ liệu HotStats trong biểu đồ bên dưới để mô tả trung bình trượt 12 tháng của RevPAR của Mỹ từ tháng 1 năm 2016 đến tháng 8 năm 2019.

Mỗi điểm dữ liệu được tính là trung bình đơn giản của 12 tháng liên tiếp. Vì vậy, đối với từng thời kỳ chúng ta có:

• Trung bình trượt  12 tháng tháng 1 năm 2016 = Tổng RevPAR từ tháng 2 năm 2015 đến tháng 1 năm 2016/12
• Trung bình trượt 12 tháng tháng 2 năm 2016 = Tổng RevPAR từ tháng 3 năm 2015 đến tháng 2 năm 2016/12
• Trung bình trượt 12 tháng tháng 8 năm 2019 = Tổng RevPAR từ tháng 9 năm 2018 đến tháng 8 năm 2019/12

Các biến thể có trong biểu đồ theo mùa đã được loại bỏ trong biểu đồ trung bình trượt 12 tháng và hiện tại chúng tôi có thể xác định xu hướng tăng trưởng rõ ràng trong RevPAR của Mỹ trong hầu hết giai đoạn được phân tích. Cũng cần lưu ý rằng xu hướng tăng này đã giảm mạnh kể từ tháng 2 năm 2019. Sự giảm tốc này của RevPAR có thể có ý nghĩa nghiêm trọng đối với lợi nhuận và nên thúc đẩy các chủ khách sạn tích hợp phân tích sâu hơn vào chi phí.

Kết luận

Thông thường, không có cách duy nhất để xem dữ liệu. Mỗi phương pháp mang lại những hiểu biết độc đáo và điều quan trọng là phải hiểu khi nào và làm thế nào chúng nên được sử dụng. 

» Tin mới nhất:

• Nhận biết "Điểm mù" trong đầu tư chứng khoán (24/04/2024)
• Kho vũ khí tuyệt vời để xây dựng kỹ năng viết tiếng Anh cho sinh viên (18/04/2024)
• CÁC YẾU TỐ BỊ LOẠI TRỪ KHI TÍNH GDP (18/04/2024)
• Chiến lược tăng trưởng quốc tế của Tesco (18/04/2024)
• Barra tại GM đối mặt với những thách thức (18/04/2024)

» Các tin khác:

• Tín dụng Forfaiting (18/01/2020)
• Tín dụng Factoring (18/01/2020)
• Qui trình hoạt động chăm sóc khách hàng tại Công ty TNHH Quốc Hùng- P2 (18/01/2020)
• Qui trình hoạt động chăm sóc khách hàng tại Công ty TNHH Quốc Hùng- P1 (18/01/2020)
• Mối liên hệ giữa những kinh nghiệm cá nhân của phụ nữ với hiệu quả lãnh đạo của họ (17/01/2020)
• Ảnh hưởng của hiệu ứng trần nhà kính (17/01/2020)
• BRANDING VS MARKETING (17/01/2020)
• Năm nguyên tắc của Tiền tệ và ngân hàng (Bài 2) (16/01/2020)
• Kế toán Bond Payable - Trường hợp Trái phiếu phát hành theo giá chiết khấu (16/01/2020)
• Kế toán Bond Payable - Trường hợp Trái phiếu phát hành bằng mệnh giá (16/01/2020)