Data โรงแรมคุณ “สะอาด” จริงหรือเปล่า? — 5 จุดที่ data มักเพี้ยนเงียบๆ

Trap 1: Segment Tag มั่ว — Revenue จัดผิดลิ้นชัก

เกิดอะไรขึ้น: Guest จอง OTA ถูก tag เป็น “Transient” ทั้งหมด ทั้งที่ในนั้นมี corporate traveler, leisure, และ package ปนกัน Front desk รับ Walk-in corporate guest แล้ว log เป็น “Rack Rate” โดยไม่ได้เลือก Segment ให้ถูกต้อง

ทำไมมันสำคัญ: Demand Forecast และ market Segmentation analysis อาศัย Segment data เป็นฐานทั้งหมด ถ้า corporate Demand ถูกนับรวมอยู่ใน leisure Demand — model จะไม่เห็นว่าช่วงไหนคือ weekday business travel peak, ช่วงไหนคือ weekend leisure surge pricing opportunity

ทำไมถึงเชื่อ: Corporate traveler มี booking window, cancellation pattern, และ LOS (Length of Stay) ที่ต่างจาก leisure อย่างมีนัยสำคัญ ถ้าทั้งสอง group อยู่ใน Segment เดียวกัน — signal เหล่านี้หายหมด

ตัวอย่างประกอบ: โรงแรมบูทีค 80 ห้องในเชียงใหม่ track revenue ภาพรวม Transient ได้ดี แต่พอลองแยก Segment จริงๆ พบว่า 35% ของ “Transient” คือ long-stay corporate ที่มาจากบริษัทเดิมซ้ำๆ — information นี้หายไปทั้งหมดจาก Forecast model

Trap 2: Complimentary และ House Use ไม่ Mark — Room ผีใน Occupancy

เกิดอะไรขึ้น: ห้อง complimentary สำหรับ travel agent FAM trip, ห้อง house use สำหรับ maintenance staff, หรือห้อง upgrade ที่ไม่ได้เก็บ rate — ถูก log เป็น occupied ปกติ โดยไม่มี flag แยกออกมา

ทำไมมันสำคัญ: Occupancy ที่รายงานสูง แต่ ADR (Average Daily Rate) กดต่ำลงเพราะห้อง “ฟรี” เหล่านี้ถูกนับ — ผลคือ RevPAR คำนวณออกมาต่ำกว่าความเป็นจริง AI pricing tool ที่อ่าน historical RevPAR จะ “เห็น” ว่าโรงแรมนี้ทำ revenue ได้น้อยกว่าที่ควร และอาจ recommend rate ที่ conservative เกินไป

ตัวอย่างประกอบ: โรงแรม 120 ห้องมี comp night เฉลี่ย 8-10 คืน/เดือน ไม่มาก แต่ถ้าไม่ mark ให้ชัด — ตลอดปีมี comp ปน 96-120 คืนใน Occupancy data ข้อมูล 3 ปีย้อนหลังที่ใช้ train Forecast model จะมี comp noise ปะปนอยู่ 288-360 คืน ซึ่งดึง ADR historical ให้ต่ำลงอย่างเงียบๆ

Trap 3: Rate ค้างใน Channel Manager — ราคาที่ระบบ “คิดว่าขายอยู่” กับราคาจริงไม่ตรงกัน

เกิดอะไรขึ้น: Revenue manager อัพเดท rate ใน PMS แต่ลืม push ออก Channel Manager หรือ push แล้วแต่ connection timeout โดยไม่มีใครสังเกต ผลคือ OTA ยังขาย rate เดิมอยู่ — อาจต่ำกว่าหรือสูงกว่า rate ที่ตั้งใจ

ทำไมมันสำคัญ: Rate ที่ขายผ่าน OTA ไม่ตรงกับ rate ที่บันทึกใน PMS สร้าง discrepancy ใน booking data ใน Pickup report จะเห็น revenue number ที่ไม่สัมพันธ์กับ rate ที่ตั้งใจ rate strategy ที่วางไว้ไม่ได้ถูก execute จริง แต่ผลจาก “stale rate” กลับถูกบันทึกเป็น historical data

ตัวอย่างประกอบ: โรงแรมรีสอร์ทปรับ rate ขึ้น 400 บาทในช่วง high season แต่ Channel Manager connection หลุด 3 วัน OTA หนึ่งขาย rate เดิมต่อ — bookings 14 ห้องใน 3 วันนั้น บันทึกใน system เป็น “sold at X” ทั้งที่ intent คือ “sold at X+400”

Trap 4: Walk-in และ No-show บันทึกไม่ถูก — Last-minute Demand จริงๆ มองไม่เห็น

เกิดอะไรขึ้น: Walk-in guest ถูก log ผิด category — บางครั้งถูก assign ราคาเดียวกับ OTA booking ที่มีอยู่แล้ว หรือถูก enter เป็น “Phone Reservation” ทำให้ไม่ปรากฏเป็น Walk-in จริงๆ ในรายงาน ส่วน No-show บางรายถูก mark เป็น “cancelled” แทนที่จะเป็น “No-show” เพื่อหลีกเลี่ยงขั้นตอน charge

ทำไมมันสำคัญ: Walk-in data บอก last-minute Demand จริงๆ ของ market — ถ้าโรงแรมมี Walk-in สม่ำเสมอในบางวันหรือบางช่วงเวลา นั่นคือ signal ว่า closing rate ที่ set ไว้อาจต่ำเกินไป No-show pattern บอก booking reliability ของแต่ละ Segment — สำคัญมากสำหรับ overbooking strategy

ตัวอย่างประกอบ: โรงแรมในย่านธุรกิจ พบว่าวันพฤหัสบดีมี Walk-in สม่ำเสมอช่วง 18:00-21:00 แต่เพราะ front desk log เป็น “same-day booking” — data ใน system ไม่แสดง Walk-in pattern นี้ RM ไม่เคยรู้ว่าสามารถ hold rate ช้าลงในคืนพฤหัสได้

Trap 5: Group Block ไม่ Wash — Phantom Inventory ที่ขัดขวาง Transient Revenue

เกิดอะไรขึ้น: Group block จอง 50 ห้อง แต่ pick up จริงมาแค่ 35 ห้อง ส่วนที่เหลือ 15 ห้องควรถูก “wash” กลับมาเป็น available inventory ให้ขาย Transient ทันเวลา แต่ถ้าไม่มีระบบ wash ที่ชัดเจน — ห้อง 15 ห้องนั้นจะนอนล็อคอยู่ใน system จนวันเช็คอิน

ทำไมมันสำคัญ: Inventory ที่ล็อคอยู่ใน group block ที่ไม่ได้ใช้ = missed transient revenue ขณะเดียวกัน OTB (On The Books) Pace จะแสดงว่าโรงแรม “เกือบเต็ม” ทั้งที่จริงๆ ยังมีห้องว่างอยู่ — ทำให้ทีมไม่รู้สึก urgent ที่จะ push transient sales

ตัวอย่างประกอบ: โรงแรม MICE 200 ห้อง มีงานสัมมนาจอง 80 ห้อง cutoff 14 วันก่อน event แต่ไม่มีระบบ auto-wash — ถึงวัน cutoff ทีม RM ยังไม่ได้ release เพราะรอ confirm จาก organizer อีก 3 วันผ่านไป ห้อง 20 ห้องที่ไม่ถูก pick up ยังค้างอยู่ใน block