一、建立酒店大数据模型分析体系与指标

　　目前，国内的酒店大都没有成熟的大数据模型可用。我们可以自行探索建立起来。这里要引入一个战略管理工具——平衡计分卡。这是源自哈佛大学教授卡普兰与诺朗顿研究院的执行长诺顿于二十世纪九十年代所从事的一种绩效评价体系研究。经过近20年的发展，平衡计分卡已经发展为集团战略管理的工具，在集团战略规划与执行管理方面发挥着非常重要的作用。

　　平衡计分卡需要设定四个维度的指标：财务、客户、内部运营、学习与成长。结合酒店经营管理的实际，我们不妨建立这样的指标：第一，财务指标，酒店GOP;第二，客户指标：客户满意率、老客户留存率、新客户拓展率、网络好评率等;第三，内部运营指标，每家酒店都可以根据自身实际设定各个运营部门的指标，比如房务部可以有RevPAR、餐饮部可以有餐饮毛利率、菜品出新率，工程部可以有能耗比率等;第四，学习与成长指标，如员工满意率、员工离职率、员工技能提升率等。所有的指标确定以后，整个大数据模型分析的体系框架就出来了。

　　二、采集指标数据，进行酒店大数据模型测试

　　这个步骤需要酒店用一到两年的时间进行大规模的指标数据采集，然后运用一定的数据分析软件进行指标数据间关系的测算。比如，客户满意率数据与酒店GOP数据有何关系，是否符合逻辑，当客户满意率上升一个百分点时，酒店GOP上升多少百分点;当客户满意率下降一个百分点时，酒店GOP又如何变化?

　　具体操作中，需要关注两个问题：第一，酒店的信息技术平台能否给予强有力的支撑?如果不能，首先要做的是提升酒店的信息技术平台，使之具备大规模的数据采集能力和分析能力。第二，特殊因素影响。比如酒店经营淡旺季的行业特征因素对数据的影响，以及特殊事件造成的数据变动异常。这些在做数据分析时，都是属于要剔除的非正常影响因素。

　　三、构建酒店大数据原生模型

　　我们积累了大量经过测试且符合逻辑的数据后，就可以用来进行建模了。构建酒店大数据原生模型，需要用到线性回归分析、方差分析、主成份分析、典型相关分析和聚类分析等方法，从而对应地建立起线性回归模型等。比如，酒店GOP数据与客户满意率数据之间如果存在线性回归关系，就可构建一个酒店GOP——客户满意率线性回归模型。

　　这里我们必须明确六种关系：即财务指标与客户指标的关系、财务指标与内部运营指标的关系、财务指标与学习和成长指标的关系、客户指标与内部运营指标的关系、客户指标与学习和成长指标的关系、内部运营指标与学习和成长指标的关系。每种关系都可构建一种关系模型。就是说，六种不同的关系模型共同构成了酒店大数据原生模型。我们知道，使用酒店大数据原生模型的最终目的就是服务于酒店的经营管理决策。有了这些模型，我们可以预测未来不同时间段的经营情况，以便采取措施对经营管理施加有利的影响。

　　四、再验证、再完善，形成稳定模型

　　原生模型的适用性是有待检验的。酒店需要再用两到三年的时间对原生模型进行再验证、再完善。如何实施呢?我们假定以酒店GOP——客户满意率线性回归模型为例。首先，采集一个季度的客户满意率数据，然后放入模型去计算酒店GOP的季度理想值，再将酒店GOP的季度理想值与酒店GOP的季度实际值进行对比，以验证该模型的准确度。如果准确度不高，就要分析原因，并对模型做进一步完善。如此连续做几个季度的测算、分析、调整、完善，即可形成一个比较可靠、有适用性的稳定模型。