Hotel yield management using different reservation modes
Notice bibliographique
Résumé
Purpose This paper explores the implementation of yield management using different reservation modes at a global hotel network (referred to as the “Group”). Design/methodology/approach The Group operates close to half‐a‐million rooms in about 4,000 hotels world‐wide. Following an overview of yield management in hotel industry, the two reservation modes used in the Group are presented. The performance of Group's online and off‐line reservation modes globally over a two‐year period is then discussed in terms of three yield management performance measures, namely: average price (AP), occupancy rate, and average revenue per available room. Findings The findings indicate that the online mode outperforms the off‐line mode with respect to performance measures of AP and average revenue. Further to a global‐based comparison, a localized evaluation of these two modes is also presented for two sub‐groups of hotels clustered in a given region. Statistical analysis of findings is provided, pointing to a substantial revenue increase for the hotel sub‐group that switched from the off‐line to the online reservation mode, compared with the hotel sub‐group that continued to operate off‐line. The paper concludes with a brief discussion on the strengths, weaknesses, opportunities and threats associated with the online reservation mode. Research limitations/implications Future research could look into the impact of specific macro and micro economic conditions on the three yield management performance measures defined. Originality/value The research reported is of value to hotel executives who want to pursue online reservations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».