DOI: https://doi.org/10.1057/s41272-025-00557-2
تاريخ النشر: 2025-09-04
المؤلف: Mohamad Yusak Anshori وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
يتناول قسم ورقة البحث تحول سورابايا، جاوة الشرقية، إلى مركز حضري متنامٍ يتمتع بإمكانات كبيرة للسياحة، مدفوعًا بشكل أساسي بمعالمه التاريخية. لقد أدى التدفق المتزايد للزوار إلى خلق حاجة ملحة للإقامة المناسبة، مما أدى إلى نمو سريع في قطاع الفنادق. يتعزز هذا النمو بشكل أكبر من خلال الاعتماد الواسع على منصات حجز الفنادق عبر الإنترنت، مما زاد من حدة المنافسة بين الفنادق.
للحفاظ على الأسعار التنافسية وتعزيز الربحية، يقوم إدارة الفنادق بشكل متزايد بتوظيف خوارزميات توقع الإيرادات المتقدمة المعتمدة على البيانات. تقيّم الدراسة بشكل خاص فعالية تقنيتين من تقنيات التعلم الآلي: الانحدار المعزز بالتدرج (GBR) والانحدار باستخدام دعم المتجهات (SVR) في توقع إيرادات الفنادق. تظهر النتائج أن كلا النموذجين يظهران قدرات تنبؤية قوية، حيث حقق GBR خطأ الجذر التربيعي المتوسط (RMSE) قدره 0.044، متفوقًا قليلاً على SVR، الذي سجل RMSE قدره 0.055. تؤكد هذه النتائج على الأهمية العملية لأساليب التعلم الآلي المتقدمة في تحسين استراتيجيات إدارة الإيرادات داخل قطاع الضيافة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على سورابايا، ثاني أكبر مدينة في إندونيسيا، كمركز متنامٍ للسياحة، مدعومًا بمواقعها التاريخية الغنية وعروضها الطهو. لقد خلقت المبادرات الاستباقية لحكومة مدينة سورابايا بيئة ملائمة لكل من السياح الدوليين والمحليين، مما ساهم بشكل كبير في الإيرادات المحلية وأثر إيجابي على الاقتصاد والمجتمع (Ahirwar et al., 2023). تشير مقاييس مثل معدلات إشغال الفنادق، والدخل الفردي، وضرائب المطاعم إلى أن نمو قطاع السياحة مرتبط ارتباطًا وثيقًا بزيادة الإيرادات الإقليمية، مما يسهل بدوره تحسينات البنية التحتية وتعزيز المرافق للسكان والزوار على حد سواء (Jorgensen et al., 2010).
تناقش الورقة أيضًا التأثير التحويلي للعصر الرقمي على تسويق السياحة، خاصة من خلال وسائل التواصل الاجتماعي، التي غيرت سلوك العملاء وعمليات اتخاذ القرار. يقوم أصحاب المصلحة في صناعة السياحة، وخاصة فرق إدارة الفنادق، بدمج استراتيجيات التسويق الرقمي بشكل متزايد للحصول على مزايا تنافسية. يتم التأكيد على استخدام التحليلات التنبؤية كوسيلة لتعزيز إشغال الفنادق وإدارة الإيرادات (Ampountolas & Legg, 2024). علاوة على ذلك، تقدم استراتيجيات الوسائط الرقمية فوائد مثل تحسين جمع البيانات، ورؤى حول اتجاهات السوق، وتطوير خطط تسويقية فعالة (Sridhar et al., 2019). ومع ذلك، يحذر المؤلفون من أن اعتماد هذه التقنيات الرقمية يجب أن يولي الأولوية للاعتبارات الأخلاقية، خاصة فيما يتعلق بأمان البيانات.
الطرق
في هذا القسم، يتم توضيح طرق البحث المستخدمة في الدراسة بشكل منهجي. تبدأ العملية بمراجعة شاملة للأدبيات ذات الصلة لتأسيس المراجع الأساسية، والتي تم تلخيصها في الجدول 1. يوضح هذا الجدول الدراسات السابقة من 2021 إلى 2023، مع تسليط الضوء على منهجيات التنبؤ المختلفة المطبقة في إدارة الفنادق، مثل الانحدار باستخدام دعم المتجهات (SVR)، وأقرب الجيران (K-NN)، والانحدار المعزز بالتدرج المتطرف (XGBoost). من الجدير بالذكر أن طريقة SVR حققت خطأ الجذر التربيعي المتوسط (RMSE) قدره حوالي 0.371 لتوقع إشغال الفنادق، بينما حققت طريقة XGBoost دقة مثيرة للإعجاب بلغت 98% في توقع إلغاءات الفنادق.
يتم توضيح الإطار المنهجي بشكل أكبر من خلال مخطط انسيابي في الشكل 1، الذي يوضح النهج خطوة بخطوة المتبع في البحث. تؤكد الدراسة على فعالية تقنيات التعلم الآلي المختلفة، بما في ذلك الانحدار باستخدام دعم المتجهات الأقل تربيعًا (LSSVR)، الذي أسفر عن RMSE قدره حوالي 16.401، متفوقًا على طرق أخرى مثل الغابة العشوائية (RF) والانحدار باستخدام العمليات الغاوسية (GPR). تهدف هذه المنهجية المنظمة إلى تعزيز القدرات التنبؤية في إدارة الفنادق، وبالتالي تحسين الكفاءة التشغيلية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور الكبير للذكاء الاصطناعي (AI) والتعلم الآلي (ML) في تحويل استراتيجيات التسويق الرقمي، خاصة في قطاع الضيافة. تركز الدراسة على استخدام منهجيات التعلم الآلي، وخاصة الانحدار المعزز بالتدرج (GBR) والانحدار باستخدام دعم المتجهات (SVR)، لتوقع معدلات الإيرادات لفندق X. يُلاحظ أن GBR يتمتع بقدرته على دمج نماذج تنبؤية ضعيفة متعددة في نموذج قوي، بينما يتميز SVR بقدرته على تحديد العلاقات غير الخطية في البيانات من خلال وظائف النواة الخاصة به. يتم التأكيد على دمج المتغيرات الاقتصادية الخارجية في توقعات الإيرادات كأمر أساسي لاستراتيجيات التسعير الدقيقة.
تتكون مجموعة البيانات المستخدمة في التحليل من 74 ملاحظة من فندق X، تغطي مقاييس مختلفة تتعلق بالإيرادات من 2018 إلى 2024. كشفت التحليلات الاستكشافية للبيانات (EDA) عن اتجاهات في الإيرادات، بما في ذلك انخفاض ملحوظ خلال جائحة COVID-19، تلاه مرحلة تعافي. تم تقييم أداء كل من GBR وSVR من خلال المحاكاة، حيث حقق GBR أفضل خطأ الجذر التربيعي المتوسط (RMSE) قدره 0.044 في سيناريو واحد، بينما أدت SVR أداءً جيدًا باستمرار مع RMSE قدره 0.055. أظهرت كلا الطريقتين دقة تنبؤية عالية، مما يشير إلى إمكاناتهما للتطبيقات المستقبلية في توقع الإيرادات، خاصة عند تعزيزها بتقنيات تحسين متقدمة.
DOI: https://doi.org/10.1057/s41272-025-00557-2
Publication Date: 2025-09-04
Author(s): Mohamad Yusak Anshori et al.
Primary Topic: Forecasting Techniques and Applications
Overview
The research paper section discusses the transformation of Surabaya, East Java, into a burgeoning metropolitan center with significant potential for tourism, primarily driven by its historical attractions. The increasing influx of visitors has created a pressing need for adequate accommodation, leading to rapid growth in the hotel sector. This growth is further intensified by the widespread adoption of internet hotel booking platforms, which has escalated competition among hotels.
To maintain competitive pricing and enhance profitability, hotel management is increasingly employing advanced, data-driven revenue forecasting algorithms. The study specifically evaluates the effectiveness of two machine learning techniques: Gradient Boosting Regression (GBR) and Support Vector Regression (SVR) in predicting hotel revenue. The results demonstrate that both models exhibit strong predictive capabilities, with GBR achieving a Root Mean Square Error (RMSE) of 0.044, slightly outperforming SVR, which recorded an RMSE of 0.055. These findings underscore the practical importance of advanced machine learning methods in refining revenue management strategies within the hospitality sector.
Introduction
The introduction of the research paper highlights Surabaya, Indonesia’s second-largest city, as a burgeoning hub for tourism, bolstered by its rich historical sites and culinary offerings. The proactive initiatives of the Surabaya City Government have created a conducive environment for both international and domestic tourists, significantly contributing to local revenue and positively influencing the economy and community (Ahirwar et al., 2023). Metrics such as hotel occupancy rates, per capita income, and restaurant taxation indicate that the growth of the tourism sector is closely linked to increased regional revenue, which in turn facilitates infrastructure improvements and enhanced amenities for residents and visitors alike (Jorgensen et al., 2010).
The paper also discusses the transformative impact of the digital era on tourism marketing, particularly through social media, which has altered customer behavior and decision-making processes. Stakeholders in the tourism industry, especially hotel management teams, are increasingly integrating digital marketing strategies to gain competitive advantages. The use of predictive analytics is emphasized as a means to enhance hotel occupancy and revenue management (Ampountolas & Legg, 2024). Furthermore, digital media strategies offer benefits such as improved data collection, market trend insights, and the development of effective marketing plans (Sridhar et al., 2019). However, the authors caution that the adoption of these digital techniques must prioritize ethical considerations, particularly concerning data security.
Methods
In this section, the research methods employed in the study are systematically outlined. The process begins with a comprehensive review of related literature to establish foundational references, which are summarized in Table 1. This table details previous studies from 2021 to 2023, highlighting various forecasting methodologies applied in hotel management, such as Support Vector Regression (SVR), K-Nearest Neighbors (K-NN), and Extreme Gradient Boosting (XGBoost). Notably, the SVR method achieved a Root Mean Square Error (RMSE) of approximately 0.371 for hotel occupancy forecasting, while the XGBoost method attained an impressive accuracy of 98% for predicting hotel cancellations.
The methodological framework is further elucidated through a flowchart in Figure 1, which illustrates the step-by-step approach taken in the research. The study emphasizes the effectiveness of different machine learning techniques, including Least Square SVR (LSSVR), which yielded an RMSE of around 16.401, outperforming other methods like Random Forest (RF) and Gaussian Process Regression (GPR). This structured methodology aims to enhance the predictive capabilities in hotel management, thereby optimizing operational efficiency.
Discussion
The discussion section of the research paper highlights the significant role of Artificial Intelligence (AI) and Machine Learning (ML) in transforming digital marketing strategies, particularly in the hospitality sector. The study focuses on employing Machine Learning methodologies, specifically Gradient Boosting Regression (GBR) and Support Vector Regression (SVR), to predict revenue rates for Hotel X. GBR is noted for its ability to combine multiple weak predictive models into a robust one, while SVR is adept at identifying nonlinear relationships in data through its kernel functions. The integration of external economic variables into revenue projections is emphasized as essential for accurate pricing strategies.
The dataset used for analysis comprises 74 observations from Hotel X, covering various revenue-related metrics from 2018 to 2024. Exploratory Data Analysis (EDA) revealed trends in revenue, including a notable decline during the COVID-19 pandemic, followed by a recovery phase. The performance of both GBR and SVR was evaluated through simulations, with GBR achieving the best Root Mean Square Error (RMSE) of 0.044 in one scenario, while SVR consistently performed well with an RMSE of 0.055. Both methods demonstrated high predictive accuracy, suggesting their potential for future applications in revenue forecasting, particularly when enhanced with advanced optimization techniques.