بهبود مديريت درآمد در صنعت هتلداري با بهره‌گيري از شبكة عصبي مصنوعي در تعيين پارامتر احتمالي يك مدل رزرو مازاد

The Improvement of Revenue Management in the Hoteling Industry using Neural Networks to Determine Stochastic Parameter in an Overbooking Model

بهره‌گيري از مدل‌هاي مديريت درآمد در صنايع مختلف رو به افزايش است. اين افزايش در بهبود عملكرد و سودآوري اين مدل‌ها در كسب­و­كارها ريشه دارد. يكي از كسب­و­كارهاي پراهميت در اين حوزه، صنعت هتلداري است كه داراي فرايند رزرو و متغيرهاي تصادفي ناشي از آن است. مدل كلاسيك رزرو مازاد، يك مدل مرسوم در مديريت درآمد تلقي مي‌شود كه تلاش مي‌كند بين تعداد مشتريان حاضر در سرويس مورد نظر و تعداد مشتريان غايب (No-Show) تعادل ايجاد كند. اين مدل فرصتي ايجاد خواهد كرد تا بتوان با مطالعة توابعي كه توزيع حضور مشتريان را به صورت احتمالي بيان مي‌كنند، تعدادي مشتري مازاد را به سيستم اضافه كرد و عملاً از نبود مشتريان غايب نيز درآمد كسب كنند. در اين پژوهش، با به كار بستن شبكة عصبي مصنوعي با عنوان ابزاري در تخمين تعداد مشتريان غايب، تابع احتمال دوجمله‌اي كه در مدل رزرو مازاد به كار رفته، بهبود داده شده و پارامتر احتمالي آن به طور دقيق‌تري برآورد شده است. اين امر ناشي از برازشي است كه شبكة عصبي پرسپترون يك يا چندلايه در زمينة شاخص‌هاي مؤثر در حاضرشدن يا نشدن مشتريان ايجاد خواهدكرد. بنابراين، اين توانايي ايجاد خواهد شد كه مدلي پويا را براي هر بار فروش و رزرو مشتريان در بنگاه ايجاد كنيم كه پارامتر احتمال حضور يا غيبت مشتريان با در نظر گرفتن شاخص‌هاي تأثيرگذار برآورده شود.

The use of revenue management models has been increased in various industries. The cause of such increasing is as a result of performance and profitability of these models in businesses. Hoteling industry is considered as an important business in the field of revenue management that has a reservation process and stochastic variables due to it. Classic overbooking model is considered as a common model in revenue management that causes to make a trade-off between the number of present customers and no-show customers. This model makes a situation for studying the functions which describe costumers’ presence distribution in probable form and then we can add some customers to system for increasing revenue due to no-shows. In this research, the binomial probability distribution using in overbooking model has been improved and estimated its probable parameter more accurately using artificial neural network as a tool in no-show estimation. This estimation is caused by fitting to effective indexes in show-up or no-show process using one-layer or multi-layer perceptron neural network. Therefore, a dynamic model for each sale and customers’ reservation is represented that it can estimate the probability parameter of customers’ show-up or no-show considering effective indexes.