Forecast แม่นเริ่มที่ Data ไม่ใช่ที่โมเดล — ทำไมทุกวันที่ไม่เก็บ Data คือต้นทุนที่ซื้อคืนไม่ได้
ที่ ERW re-forecast ได้แม่น เพราะมี Data รายวันที่เก็บถูกและถูกเวลา — ไม่ใช่เพราะโมเดลเก่ง
- ที่ ERW กล้า re-forecast ครึ่งปีหลังได้อย่างมั่นใจ (RevPAR ก.ค. +5%, advance booking ไตรมาส 4 ใกล้เคียงปีก่อน) เพราะเขามี Data รายวันแยกตาม segment อยู่ในมือ ไม่ใช่เพราะโมเดลเก่งกว่าใคร
- สำคัญเพราะ forecast แม่นแค่ไหนขึ้นอยู่กับ Data ที่ป้อนเข้าไป — pickup, booking pace, segment ต้นทาง, คำขอที่ปฏิเสธ เก็บได้เฉพาะวันที่มันเกิดเท่านั้น ปล่อยผ่านไปคือหายถาวร ซื้อคืนไม่ได้
- สิ่งที่ควรทำ: ถ่ายภาพ on-the-books ทุกวันเวลาเดียวกัน, บังคับ tag segment ตอนรับจอง, จดคำขอที่รับไม่ได้ทันที แล้วลอง forecast จาก Data ตัวเองทุกสัปดาห์
เมื่อวานนี้ 18 สิงหาคม 2569 ที่งาน Opportunity Day ERW (Erawan Group) หั่นเป้ารายได้ทั้งปีลงจาก 9% เหลือ 6% แต่สิ่งที่คนมองข้ามคือ — บริษัทกล้าปรับเป้ากลางปีได้เพราะมี Data ที่ชัดพอจะปรับ เขาบอกได้ว่า RevPAR เดือนกรกฎาคมของกลุ่มเพิ่ม 5% กลุ่ม luxury ถึง economy เพิ่ม 8% Hop Inn เพิ่ม 6% และ advance booking ไตรมาส 4 อยู่ในระดับใกล้เคียงปีก่อน ตัวเลขระดับนี้ไม่ได้เดาเอา มันมาจากการเก็บ Data ที่ถูกและต่อเนื่อง
ผมว่านี่คือประเด็นที่โรงแรมไทยส่วนใหญ่พลาด — เราชอบคิดว่า forecast ที่แม่นคือเรื่องของโมเดลหรือ RMS (Revenue Management System — ระบบบริหารรายได้ที่ช่วยแนะนำราคาและ inventory) แต่ความจริงคือ โมเดลดีแค่ไหน ก็ทำงานได้แค่เท่าที่ Data ป้อนเข้าไปดี ถ้า Data เข้าผิด เก็บไม่ครบ หรือเก็บช้าไป ผลลัพธ์ก็ผิดตาม และที่เจ็บกว่านั้นคือ Data โรงแรมจำนวนมากมีอายุ — เก็บได้เฉพาะวันที่มันเกิด ปล่อยให้แต่ละวันผ่านไปโดยไม่จับ เท่ากับทิ้งวัตถุดิบของ forecast ทิ้งไปเปล่า ๆ
▍ทำไม forecast ที่แม่นถึงเริ่มที่การเก็บ Data ไม่ใช่ที่โมเดลหรือ RMS?
ลองคิดง่าย ๆ — การ forecast คือการอ่านอนาคตจากรูปแบบในอดีต แล้วอดีตนั้นมาจากไหน? มาจากการที่ใครสักคนบันทึกมันไว้ตอนที่มันเกิดขึ้น ถ้าไม่มีคนจับ pickup รายวัน ไม่มีใคร tag ว่า booking นี้มาจาก segment ไหน ต้นทางไหน โมเดลก็ไม่มีอะไรให้เรียนรู้ พูดตรง ๆ คือ RMS ที่แพงที่สุดในตลาด ถ้าป้อน Data ที่มั่วเข้าไป ก็ให้ราคาที่มั่วออกมาเหมือนกัน
Data ที่ forecast ต้องใช้จริง ๆ มีอยู่ไม่กี่กลุ่ม แต่ทุกกลุ่มมี “อายุ” — on-the-books และ pickup (ห้องที่ขายเพิ่มได้ในแต่ละวันสำหรับวันเข้าพักในอนาคต) ต้องถ่ายภาพไว้ทุกวันถึงจะคำนวณ booking pace ได้ว่าปีนี้จองมาเร็วหรือช้ากว่าปีก่อน, segment และต้นทางของแขกต้อง tag ตอนรับจอง เพราะถามทีหลังก็ได้แค่เดา, และคำขอที่รับไม่ได้ เช่น วันที่ห้องเต็มจนต้องปฏิเสธ หรือราคาที่แขกถามแล้วไม่จอง — พวกนี้คือสัญญาณ demand ที่แรงที่สุด แต่ถ้าไม่จดในวันนั้น มันหายไปเลย ไม่มีระบบไหนย้อนไปสร้างให้ได้ นี่คือเหตุผลที่ ERW ปรับเป้าได้อย่างมั่นใจ ในขณะที่โรงแรมที่ไม่เก็บ Data ทำได้แค่หวังว่าเป้าที่ตั้งไว้ต้นปีจะยังจริง
💡 BoydWee เห็นว่า — Data ที่หายวันนี้ ซื้อคืนไม่ได้
สิ่งที่ผมอยากให้โรงแรมไทยเห็นคือ Data มี 2 ประเภทที่ต่างกันมาก ประเภทแรกคือ Data ที่ย้อนไปหาได้ เช่น งบการเงินหรือยอดขายรวม พลาดวันนี้พรุ่งนี้ยังดึงได้ แต่ประเภทที่สองคือ Data ที่มีอายุ — pickup รายวัน, จำนวนครั้งที่ต้องปฏิเสธแขกเพราะห้องเต็ม, ราคาที่คู่แข่งตั้งในวันนั้น, ต้นทางของ booking ที่เข้ามา ถ้าไม่จับตอนมันเกิด มันหายถาวร ไม่ใช่แค่ “หาทีหลังยาก” แต่คือ “ไม่มีอยู่แล้ว”
และนี่คือต้นทุนที่เงียบที่สุด เพราะมันไม่โผล่ในงบ ทุกวันที่ทีมไม่ได้ถ่ายภาพ on-the-books หรือปล่อยให้ช่อง segment ในระบบว่างเปล่า โรงแรมกำลังทิ้งชิ้นส่วนของ forecast ในอนาคตทิ้งไปหนึ่งวัน สะสมไปทั้งปีคือประวัติที่ขาดวิ่น พอถึงเวลาต้องตัดสินใจเรื่องราคาในช่วง demand สูง ก็ไม่มีข้อมูลของตัวเองให้ยึด ต้องกลับไปเดาอีก แล้ววนซ้ำ การเก็บ Data ให้ถูกและถูกเวลาจึงไม่ใช่งานธุรการ แต่คือการลงทุนสร้างสายตาให้ตัวเองมองอนาคตได้ชัดขึ้นทุกวัน
งบการเงินพลาดวันนี้ พรุ่งนี้ยังดึงได้ แต่ pickup ที่ไม่จับวันนี้ หายไปตลอดกาล — และนั่นคือวัตถุดิบของ forecast
📊 สมมติฐาน: ต้นทุนของการ forecast ผิดเพราะ Data ขาด (โรงแรม 80 ห้อง)
ตัวเลขนี้เป็นสมมติฐานเพื่อประกอบความเข้าใจ ไม่ใช่ข้อมูลจริงของโรงแรมใดโรงแรมหนึ่ง จุดสำคัญคือ การตั้งราคาต่ำไปเพียงเล็กน้อยในช่วง demand สูง โดยไม่เห็น booking pace ของตัวเอง สะสมเป็นเงินก้อนได้ในไม่กี่สัปดาห์ และรากของปัญหาคือ Data ที่ไม่ได้เก็บให้ทันเวลา
▍โรงแรมไทยได้อะไรจากตรงนี้ — 3 กรอบเวลา
⏱ 3-6 เดือน: โรงแรมควรเริ่มเก็บ Data อะไรทุกวันเพื่อให้ forecast แม่นขึ้น?
เริ่มจากถ่ายภาพ on-the-books ทุกวัน — จำนวนห้องที่ขายได้และรายได้แยกตามวันเข้าพักในอนาคต เพื่อคำนวณ pickup และ booking pace ต่อมาให้ tag segment และต้นทางของทุก booking ให้ถูกตั้งแต่ตอนรับจอง ไม่ใช่มาเดาทีหลัง เก็บ ADR และ occupancy แยกตามวันในสัปดาห์และช่องทาง และเริ่มจดคำขอที่รับไม่ได้ ทั้งวันที่ห้องเต็มจนต้องปฏิเสธ และราคาที่แขกถามแล้วไม่จอง สิ่งเหล่านี้ไม่ต้องใช้เครื่องมือแพง เริ่มด้วยไฟล์เดียวที่กรอกทุกวันเวลาเดิมก็พอ ขอแค่ทำจริงทุกวัน
📅 6-12 เดือน: จะสร้างวินัยการเก็บ Data ให้ทั้งทีมทำสม่ำเสมอได้อย่างไร?
วินัยไม่ได้มาจากการขอให้ทีมขยัน แต่มาจากการออกแบบให้เก็บถูกเป็นเรื่องง่ายและเก็บผิดเป็นเรื่องยาก ตั้ง field ใน PMS ให้บังคับกรอก segment และต้นทางตอนรับจอง ลดช่องกรอกอิสระที่ทำให้ข้อมูลมั่ว วางรอบให้ทีมถ่ายภาพ on-the-books เวลาเดียวกันทุกวันเพื่อให้ pace เทียบกันได้ และทบทวนคุณภาพข้อมูลทุกสัปดาห์ว่ามี booking ที่ segment ว่างหรือ tag ผิดกี่รายการ ที่สำคัญที่สุด — ให้ทีมเห็นว่าข้อมูลที่เขากรอกกลายเป็นการตัดสินใจเรื่องราคาจริง เมื่อคนเห็นว่างานของตัวเองมีผล วินัยจะตามมาเอง
🔭 2-3 ปี: Data ที่เก็บสะสมจะกลายเป็นสินทรัพย์ในการ forecast ได้อย่างไร?
เมื่อโรงแรมมีประวัติ pickup curve, booking pace และ segment mix ที่สะอาดสะสมหลายปี คุณจะเห็นรูปแบบ demand ของตัวเองที่ตลาดภายนอกมองไม่เห็น — รู้ว่า segment ไหนจองล่วงหน้ากี่วัน วันไหนควรปิดราคาถูกเพราะเดี๋ยวเต็มเอง วันไหนต้องเร่งขาย และเมื่อ RMS หรือเครื่องมือ AI เข้ามา มันจะเรียนรู้จากประวัติที่สะอาดของคุณได้ทันที ไม่ต้องเริ่มจากศูนย์และไม่ต้องเดาแทนคุณ Data ที่เก็บถูกและต่อเนื่องจึงเป็นสินทรัพย์ที่คู่แข่งลอกไม่ได้ เพราะมันคือประวัติเฉพาะของโรงแรมคุณเอง คนที่เริ่มเก็บวันนี้ ในอีก 2-3 ปีจะนำคนที่เพิ่งเริ่มอยู่หลายก้าว
⚡ ประโยชน์สำหรับโรงแรมไทย — Action 3 ขั้น เริ่มได้สัปดาห์นี้
- Audit: เช็กว่าวันนี้คุณเก็บอะไรได้ vs ควรเก็บอะไร — ลิสต์ Data ที่ควรมีทุกวัน (on-the-books, pickup, booking pace, segment และต้นทางของแขก, ADR และ occupancy แยกช่องทาง, คำขอที่ปฏิเสธและราคาที่ถามแล้วไม่จอง) แล้วขีดว่าอันไหนจับได้จริง อันไหนหลุด รายการที่หลุดคือรูรั่วของ forecast คุณ
- Fix: จับ Data ให้ถูกที่จุดเกิด และถูกเวลา — ตั้ง field ใน PMS ให้บังคับกรอก segment และต้นทางตอนรับจอง วางรอบถ่ายภาพ on-the-books เวลาเดียวกันทุกวัน และให้ทีมจดคำขอที่รับไม่ได้ทันทีในวันที่เกิด อย่ารอสิ้นเดือนแล้วมานั่งเดา
- Trial: ลอง forecast จาก Data ของตัวเองทุกสัปดาห์ — ใช้ pickup และ pace ที่เก็บมาทำ forecast สัปดาห์ต่อสัปดาห์ แล้วเทียบกับผลจริงว่าพลาดตรงไหน ทำซ้ำจนทั้งข้อมูลและสายตาของทีมคมขึ้น
ตัวเลขในกล่องสมมติฐานด้านบนเป็นตัวอย่างเพื่อความเข้าใจ ไม่ใช่ข้อมูลจริงของโรงแรมใด ส่วนข้อมูล ERW อ้างอิงจากที่บริษัทแถลงต่อสาธารณะเมื่อ 18 ส.ค. 2569
กลับมาที่ ERW อีกครั้ง — เหตุผลที่เขาปรับเป้ากลางปีได้โดยไม่เสียความน่าเชื่อถือ ไม่ใช่เพราะเขาโชคดีหรือมีโมเดลวิเศษ แต่เพราะเมื่อ demand เปลี่ยน เขามี Data ที่สดและสะอาดพอจะเห็นการเปลี่ยนนั้นก่อนคนอื่น แล้วขยับได้ทัน
คำถามที่โรงแรมของคุณต้องตอบจึงไม่ใช่ “เราควรซื้อ RMS ตัวไหน” แต่คือ — วันนี้เราเก็บ Data ที่ forecast ต้องใช้ ครบและทันเวลาแค่ไหน? ถ้าคำตอบคือปล่อยให้แต่ละวันผ่านไปโดยไม่จับ ต่อให้ได้เครื่องมือดีแค่ไหนมา มันก็ทำได้แค่เดาแทนคุณเร็วขึ้นเท่านั้นเอง
อยากลองตรวจสอบว่าโรงแรมคุณเก็บ Data ครบและทันเวลาแค่ไหน หรือรูรั่วอยู่ตรงไหน — ทักมาคุยกันได้เลย