Przykład: pensjonat w górach i 24 pokoje
Fikcyjny pensjonat w górach ma 24 pokoje. W sezonie (ferie, święta, lato – 150 nocy w roku) prawie każda noc jest wyprzedana, a mimo to część pokoi stoi pusta: ktoś odwołał rezerwację w ostatniej chwili albo nie przyjechał. Właściciel pyta: ile rezerwacji przyjmować na noc, skoro nie wszyscy przyjeżdżają? To pytanie o overbooking – sprzedaż ponad pojemność, którą linie lotnicze od dziesięcioleci opierają na modelach statystycznych (Rothstein, 1985).
Dane obejmują trzy sezony (lata): 1080 nocy i 21 844 rezerwacje. Limit ustalamy 3 dni przed przyjazdem – później zwolnionego pokoju nie da się sprzedać. W księgach było wtedy 18 757 rezerwacji: bezzwrotnych, elastycznych (z darmowym odwołaniem) i grupowych (4–8 pokoi). Każda kończy się przyjazdem, odwołaniem na mniej niż 3 dni przed przyjazdem albo nieprzyjazdem bez uprzedzenia (no-show). Dla prostoty rezerwacja to jeden pokój na noc przyjazdu; model z przyjazdami rozłożonymi w czasie opisali Bitran i Gilbert (1996).
W sezonie 92.7% nocy było wyprzedanych (średnio 23.79 rezerwacji i 22.04 przyjazdów), poza sezonem – 0.3%. Overbooking ma więc sens w sezonie.
Dane są fikcyjne i wiemy, co w nich ukryliśmy. Prawdziwe p przyjazdu to w sezonie 0.97 (bezzwrotne) i 0.90 (elastyczne), poza sezonem 0.95 i 0.82; noce różnią się wspólnym czynnikiem (pogoda, drogi), a goście z jednej grupy decydują podobnie. Parametry ustawiliśmy ręcznie (lista przy kodzie), ziarna 752 nie zmienialiśmy. Dane: overbooking-pensjonat-rezerwacje.csv.
Rysunek 1: karta „24 pokoje, ile rezerwacji?”
set.seed(752)).Co widać. Przy 24 rezerwacjach średnio 1.73 pokoju stoi pusty. Jedna rezerwacja ponad pojemność zmniejsza tę liczbę do 0.95, ale w 15.5% nocy komuś zabraknie pokoju. Przy przyjętych kosztach daje to 23 177 zł na sezon.
Jak może zmylić. Karta podaje jedną liczbę, a odpowiedź zależy od kosztu odmowy (rysunek 4) i od grup (rysunek 5).
Podpis do pracy:
Ile osób przyjeżdża? Odsetek przyjazdów z przedziałem
Podstawą jest odsetek przyjazdów p wśród rezerwacji obecnych w księgach 3 dni przed przyjazdem, z przedziałem ufności dla proporcji Wilsona, który zalecają Brown i in. (2001).
| Rodzaj rezerwacji | Sezon: n | Sezon: p [95% CI] | Poza sezonem: n | Poza sezonem: p [95% CI] |
|---|---|---|---|---|
| Bezzwrotna | 4601 | .964 [.958, .969] | 3429 | .957 [.950, .963] |
| Elastyczna | 5480 | .898 [.890, .906] | 4076 | .824 [.812, .836] |
| Grupowa | 624 | .904 [.878, .925] | 547 | .890 [.861, .914] |
| Indywidualne razem | 10 081 | .928 [.923, .933] | 7505 | .885 [.877, .892] |
Rezerwacje bezzwrotne kończą się przyjazdem częściej niż elastyczne, a w sezonie goście przyjeżdżają częściej niż poza nim (o 4.34 pp). Ryzyko dla pojedynczej rezerwacji można modelować jak we wpisie o nieodwołanych wizytach (no-show); tu decyzja dotyczy limitu na noc, więc wystarczy p dla grup rezerwacji.
Rysunek 2: ilu gości przyjedzie przy N rezerwacjach
Jeśli każda z N rezerwacji niezależnie kończy się przyjazdem z tym samym p, liczba przyjazdów S ma rozkład dwumianowy:
Rozkład mówi, jak często przyjedzie 22, 23, 24 czy 25 osób. Bierzemy p = .928 (sezon, rezerwacje indywidualne).
Co widać. Przy 24 rezerwacjach przyjeżdża średnio 22.27 osoby, przy 25 – 23.20, a w 15.5% nocy przyjeżdżają wszyscy i jednego gościa trzeba odesłać. Przy 27 rezerwacjach odmowa zdarza się w 69.3% nocy.
Jak może zmylić. Model zakłada, że goście decydują niezależnie i z tym samym p. Mieszanka rodzajów rezerwacji, pogoda i grupy łamią to założenie (rysunki 4 i 5).
Podpis do pracy:
Zdanie do Wyników:
Rysunek 3: koszt pustego pokoju czy koszt odmowy – optymalne N
Pusty pokój to utracona marża: 350 zł. Odmowa to nocleg w innym obiekcie z dojazdem (450 zł) i rekompensata (300 zł): 750 zł. Szukamy N, przy którym wartość oczekiwana kosztu jest najmniejsza:
Reguła na skróty: dokładaj rezerwację, dopóki szansa, że przyjedzie mniej niż 24 osoby, przekracza 750 / (750 + 350) = 0.682. Przy N = 24 wynosi ona 0.833, przy N = 25 – 0.545, więc N* = 25. To rachunek z modelu gazeciarza, tylko niepewny jest przyjazd, nie popyt.
Co widać. Bez overbookingu pensjonat traci na pustych pokojach średnio 604 zł na noc. Przy N = 25 łączny koszt spada do 449.4 zł – o 154.5 zł na noc i 23 177 zł na sezon. Poza sezonem p jest niższe i N* = 26, ale tylko 0.3% nocy poza sezonem ma co najmniej 24 rezerwacje, więc limit prawie nie działa.
Jak może zmylić. Za dużo kosztuje więcej niż za mało: limit spoza sezonu (26) zostawiony na sezon daje odmowę w 43.3% nocy i koszt 588.8 zł. Liczy się też rodzaj rezerwacji: przy samych bezzwrotnych N* = 24, przy samych elastycznych N* = 26.
Podpis do pracy:
Zdanie do Wyników:
Rysunek 4: niepewność p i koszt odmowy – analiza wrażliwości
p znamy tylko z próby. Jego niepewność szacujemy bootstrapem (Efron, 1979): 2000 razy losujemy ze zwracaniem całe noce sezonu (rezerwacje z jednej nocy łączy pogoda) i liczymy p oraz N*. Koszt odmowy – zwłaszcza zła opinia gościa – jest jeszcze mniej pewny, więc robimy analizę wrażliwości dla kosztu od 350 do 3500 zł.
set.seed(7521)).Co widać. Przedział z bootstrapu nocy [.923, .934] jest prawie taki sam jak przedział Wilsona [.923, .933], a we wszystkich 2000 losowaniach N* = 25; zmieniłoby się dopiero przy p ≤ .908 albo p > .953. Więcej zależy od kosztu odmowy: N* = 25 dla kosztu od 425 do 1725 zł, a od 1750 zł (siatka co 25 zł) overbooking się nie opłaca. Przy 1500 zł zysk z sezonu spada do 5759 zł.
Jak może zmylić. Mała niepewność p wynika z 10 081 rezerwacji. Nowy obiekt albo pojedyncze noce (Sylwester) mają szersze przedziały. Analiza wrażliwości nie mówi, ile kosztuje odmowa – tylko, od jakiej kwoty zmienia się decyzja.
Podpis do pracy:
Zdanie do Wyników:
Rysunek 5: grupy odwołują razem – rozkład beta-dwumianowy
Gdy szkoła czy firma odwołuje wyjazd, znika kilka pokoi naraz. Opisuje to rozkład beta-dwumianowy (Williams, 1975): każda grupa ma własne p z rozkładu beta, a zależność mierzy korelacja ρ przyjazdów w grupie – odpowiednik korelacji wewnątrzklasowej. Parametry szacujemy metodą największej wiarygodności ze 198 grup (1171 pokoi).
Co widać. ρ = .29 (95% CI [.21, .40]); test ilorazu wiarygodności odrzuca model dwumianowy (χ² = 110.45, p < .001). Wariancja liczby przyjazdów w grupie 8 pokoi jest trzy razy większa (2.25 wobec 0.74). Przy N = 25 odmowa grozi w 18.5% nocy zamiast 11.8%, a oczekiwany koszt rośnie z 495.0 do 568.6 zł. N* nadal wynosi 25, ale z mniejszym zapasem.
Jak może zmylić. Zależność grubi oba ogony: od N = 28 model beta-dwumianowy daje niższe ryzyko odmowy, bo częściej zdarza się też, że z grupy przyjedzie wyraźnie mniej osób. Licz ryzyko dla grup, które naprawdę przyjmujesz.
Podpis do pracy:
Zdanie do Wyników:
Rysunek 6: kto „nie przyjechał”? Definicja zmienia wynik
System zna trzy „nieobecności”: no-show, odwołanie na mniej niż 3 dni przed przyjazdem i odwołanie wcześniejsze (pokój sprzedano ponownie). Do decyzji podejmowanej 3 dni przed przyjazdem pasuje jedna definicja: nieobecni to no-show plus późne odwołania, a mianownik – rezerwacje aktywne w dniu decyzji.
Co widać. Licząc tylko no-show, dostajemy p = .971 i N* = 24 – przepada 23 177 zł zysku. Licząc wszystkie odwołania (mianownik 11 871 rezerwacji), dostajemy p = .788 i N* = 29: odmowa w 94.6% nocy, 440 odesłanych gości w sezonie i strata 263 858 zł względem limitu 25.
Jak może zmylić. Wszystkie trzy liczby nazywa się „odsetkiem przyjazdów”. Definicja musi pasować do chwili decyzji – przy limicie ustalanym 7 dni przed przyjazdem byłaby inna.
Podpis do pracy:
Zdanie do Metody:
Co z tym zrobić w firmie
- W sezonie przyjmuj 25 rezerwacji na noc, poza sezonem nic nie zmieniaj. Poza sezonem limit prawie nigdy nie jest osiągany.
- Licz limit dla mieszanki rezerwacji. Więcej bezzwrotnych – mniejszy overbooking (przy samych bezzwrotnych żaden), więcej elastycznych – większy. Przeliczaj limit co sezon.
- Noc z grupą traktuj ostrożniej. Grupa przyjeżdża często w komplecie (139 ze 198 grup), ale gdy rezygnuje, traci kilka pokoi naraz. Zamiast większego overbookingu rozważ zaliczkę i termin odwołania dla grup.
- Ustal z góry, gdzie przeniesiesz gościa. Umowa z pobliskim obiektem obniża koszt odmowy, a od niego zależy decyzja. Rekompensata w gotówce podnosiła satysfakcję bardziej niż bon, ale żadna nadmiarowa rekompensata nie zwiększała chęci powrotu (Noone i Lee, 2011).
- Zapisuj datę i rodzaj każdego odwołania. Prognozę obłożenia na tygodnie przed przyjazdem opisuje wpis o krzywej rezerwacji, a ryzyko finansowe sezonu – próg rentowności z symulacją Monte Carlo. Inne tematy prac z tej dziedziny: statystyka w pracy z turystyki i rekreacji.
Jak opisać w pracy
Opisz definicję nieobecności, okres danych, rozkład liczby przyjazdów, koszty (ze źródłem: cennik, umowa) i analizę wrażliwości. Ogólne zasady opisu są we wpisie statystyka w pracy z zarządzania i ekonomii.
Kod R: rozkład dwumianowy, koszt oczekiwany, bootstrap i rozkład beta-dwumianowy
Kod odtwarza wszystkie liczby z tekstu, tabelę 1 i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy dane, paletę kol, motyw motyw i funkcję minus(), a kolejne przepisy korzystają z obiektów z wcześniejszych. Przepisy 3–8 kończą się nazwą wykresu (p1–p6), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.
Losują przepisy 1 (set.seed(752)) i 5 (set.seed(7521)); ziarna ustalono raz i nie zmieniano. Ręcznie ustalono: 24 pokoje; 150 nocy sezonu i 210 nocy poza sezonem w roku przez 3 lata; średni popyt na noc 32 w sezonie i 13 poza nim (rozkład Poissona, przyjmowano najwyżej 24 rezerwacje); szansę rezerwacji grupowej na noc (0.25 i 0.15; 4–8 pokoi, tylko przy co najmniej 8 rezerwacjach); udział rezerwacji bezzwrotnych wśród indywidualnych (0.45); prawdziwe p przyjazdu (sezon: 0.97 bezzwrotne, 0.90 elastyczne; poza sezonem: 0.95 i 0.82); wspólny wpływ nocy na logit przyjazdu (odchylenie standardowe 0.25); grupy: średnie p 0.88 i korelacja 0.30; udział późnych odwołań wśród nieobecnych (0.30 bezzwrotne, 0.70 elastyczne, 0.80 grupy); liczbę wcześniejszych odwołań na rezerwację (0.02 bezzwrotne, 0.30 elastyczne); koszty (pusty pokój 350 zł, odmowa 750 zł) oraz liczbę prób bootstrapu (2000). Po pierwszym uruchomieniu nie zmieniano parametrów danych ani ziaren. Zmieniono tylko sposób pokazania wyników: na rysunku 2 zamiast N = 24, 27 i 30 pokazano N = 24, 25 i 27; na rysunku 3 oś skrócono do N = 30, a porównanie z p całorocznym (dało to samo N* = 25) zastąpiono limitem spoza sezonu stosowanym w sezonie; histogram na rysunku 4 uzupełniono o strefy N*; poprawiono układ karty i etykiet na rysunkach 5–6 oraz liczbę miejsc po przecinku przy ρ. Przepis 1 zapisuje dane do pliku CSV w katalogu roboczym. Cały kod liczy się kilka sekund.
1. Dane: noce, rezerwacje i ich los
R
# Przepis 1. Fikcyjny pensjonat w górach (24 pokoje): rezerwacje i ich los z trzech sezonów
library(ggplot2)
options(width = 120) # szerokie wydruki tabel
# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw rysunków
kol <- c(niebieski = "#0072B2", pomarancz = "#D55E00", zielony = "#009E73", fiolet = "#CC79A7",
zolty = "#E69F00", szary = "grey40")
motyw <- theme_minimal(base_size = 14) +
theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))
minus <- function(x) gsub("-(?=[0-9])", "−", x, perl = TRUE) # znak minus (−) przed liczbami w etykietach
# Parametry ustalone ręcznie
POKOJE <- 24
noce <- c(sezon = 150, poza = 210) # noce w roku: sezon (ferie, święta, lato) i poza sezonem
popyt <- c(sezon = 32, poza = 13) # średnia liczba chętnych na noc (Poisson); przyjmowano najwyżej 24
p_grupa_noc <- c(sezon = 0.25, poza = 0.15) # szansa, że w nocy jest rezerwacja grupowa (4–8 pokoi)
udzial_bezzwrotnych <- 0.45 # wśród rezerwacji indywidualnych
p_przyjazd <- rbind(sezon = c(bezzwrotna = 0.97, elastyczna = 0.90), # prawdziwe p przyjazdu
poza = c(bezzwrotna = 0.95, elastyczna = 0.82))
sd_noc <- 0.25 # wspólny wpływ nocy (pogoda, drogi) na logit przyjazdu
grupa_mu <- 0.88; grupa_rho <- 0.30 # grupa: średnie p przyjazdu i korelacja wewnątrz grupy (beta-dwumianowy)
p_odwolanie_ostatnia <- c(bezzwrotna = 0.30, elastyczna = 0.70, grupowa = 0.80) # nieobecni: odwołanie < 3 dni vs no-show
wczesne <- c(bezzwrotna = 0.02, elastyczna = 0.30) # odwołania > 3 dni przed przyjazdem (pokój sprzedany ponownie) na rezerwację
set.seed(752)
kalendarz <- do.call(rbind, lapply(1:3, function(r) data.frame(rok = r, okres = rep(names(noce), noce))))
kalendarz$noc <- seq_len(nrow(kalendarz))
rez <- vector("list", nrow(kalendarz))
for (i in seq_len(nrow(kalendarz))) {
ok <- kalendarz$okres[i]
w_ksiegach <- min(rpois(1, popyt[ok]), POKOJE) # rezerwacje aktywne 3 dni przed przyjazdem
m <- if (runif(1) < p_grupa_noc[ok] && w_ksiegach >= 8) sample(4:8, 1) else 0
n_ind <- w_ksiegach - m
typ <- c(rep("grupowa", m), ifelse(runif(n_ind) < udzial_bezzwrotnych, "bezzwrotna", "elastyczna"))
efekt_nocy <- rnorm(1, 0, sd_noc)
p_ind <- plogis(qlogis(p_przyjazd[ok, typ[typ != "grupowa"]]) + efekt_nocy)
p_gr <- if (m > 0) rbeta(1, grupa_mu * (1 - grupa_rho) / grupa_rho, (1 - grupa_mu) * (1 - grupa_rho) / grupa_rho) else numeric(0)
przyjazd <- c(rbinom(m, 1, rep(p_gr, m)), rbinom(n_ind, 1, p_ind))
status <- ifelse(przyjazd == 1, "przyjazd",
ifelse(runif(length(typ)) < p_odwolanie_ostatnia[typ], "odwołanie < 3 dni", "no-show"))
n_wcz <- rpois(1, sum(wczesne[typ[typ != "grupowa"]])) # odwołane wcześniej – w danych, ale nie w księgach w dniu decyzji
typ_wcz <- ifelse(runif(n_wcz) < 0.02 * udzial_bezzwrotnych /
(0.02 * udzial_bezzwrotnych + 0.30 * (1 - udzial_bezzwrotnych)), "bezzwrotna", "elastyczna")
rez[[i]] <- data.frame(noc = kalendarz$noc[i], rok = kalendarz$rok[i], okres = ok,
typ = c(typ, typ_wcz), status = c(status, rep("odwołanie > 3 dni", n_wcz)))
}
rez <- do.call(rbind, rez)
rez$okres <- factor(rez$okres, levels = c("sezon", "poza"), labels = c("sezon", "poza sezonem"))
rez$id <- seq_len(nrow(rez))
rez <- rez[, c("id", "noc", "rok", "okres", "typ", "status")]
write.csv(rez, "overbooking-pensjonat-rezerwacje.csv", row.names = FALSE, fileEncoding = "UTF-8")
ks <- subset(rez, status != "odwołanie > 3 dni") # rezerwacje w księgach w dniu decyzji (3 dni przed przyjazdem)
ks$przyjazd <- as.integer(ks$status == "przyjazd")
c(rezerwacje = nrow(rez), w_ksiegach = nrow(ks), noce = nrow(kalendarz))
table(ks$okres, ks$status)
round(100 * prop.table(table(ks$okres, ks$typ), 1), 1) # udział typów rezerwacji (%)
noc_ks <- aggregate(cbind(rezerwacje = 1, przyjazdy = przyjazd) ~ noc + okres, data = ks, FUN = sum)
noc_ks$pelne <- as.integer(noc_ks$rezerwacje == POKOJE)
cbind(aggregate(cbind(rezerwacje, przyjazdy) ~ okres, data = noc_ks, FUN = function(x) round(mean(x), 2)),
pelne_noce_proc = round(100 * as.vector(tapply(noc_ks$pelne, noc_ks$okres, mean)), 1))Wynik w R
rezerwacje w_ksiegach noce
21844 18757 1080
no-show odwołanie < 3 dni przyjazd
sezon 304 481 9920
poza sezonem 331 594 7127
bezzwrotna elastyczna grupowa
sezon 43.0 51.2 5.8
poza sezonem 42.6 50.6 6.8
okres rezerwacje przyjazdy pelne_noce_proc
1 sezon 23.79 22.04 92.7
2 poza sezonem 12.78 11.31 0.32. Odsetek przyjazdów z przedziałem Wilsona: Tabela 1
R
# Przepis 2. Odsetek przyjazdów (p) z 95% przedziałem Wilsona: według okresu i rodzaju rezerwacji
wilson <- function(x, n) { # przedział Wilsona (prop.test bez poprawki na ciągłość)
ci <- prop.test(x, n, correct = FALSE)$conf.int
c(n = n, przyjazdy = x, p = x / n, dol = ci[1], gora = ci[2])
}
tab_p <- do.call(rbind, lapply(split(ks, list(ks$okres, ks$typ)), function(d)
data.frame(okres = d$okres[1], typ = d$typ[1], t(wilson(sum(d$przyjazd), nrow(d))))))
tab_p <- rbind(tab_p, do.call(rbind, lapply(split(subset(ks, typ != "grupowa"), ~ okres), function(d)
data.frame(okres = d$okres[1], typ = "indywidualne razem", t(wilson(sum(d$przyjazd), nrow(d)))))))
tab_p <- tab_p[order(tab_p$okres, tab_p$typ), ]
rownames(tab_p) <- NULL
tab_p$p <- round(tab_p$p, 4); tab_p$dol <- round(tab_p$dol, 4); tab_p$gora <- round(tab_p$gora, 4)
tab_p
# p do dalszych obliczeń: rezerwacje indywidualne w sezonie i poza nim
ind <- subset(tab_p, typ == "indywidualne razem")
p_sezon <- ind$p[ind$okres == "sezon"]; p_poza <- ind$p[ind$okres == "poza sezonem"]
c(p_sezon = p_sezon, p_poza = p_poza, roznica_pp = round(100 * (p_sezon - p_poza), 2))Wynik w R
okres typ n przyjazdy p dol gora
1 sezon bezzwrotna 4601 4436 0.9641 0.9584 0.9691
2 sezon elastyczna 5480 4920 0.8978 0.8895 0.9056
3 sezon grupowa 624 564 0.9038 0.8782 0.9246
4 sezon indywidualne razem 10081 9356 0.9281 0.9229 0.9330
5 poza sezonem bezzwrotna 3429 3281 0.9568 0.9495 0.9631
6 poza sezonem elastyczna 4076 3359 0.8241 0.8121 0.8355
7 poza sezonem grupowa 547 487 0.8903 0.8614 0.9138
8 poza sezonem indywidualne razem 7505 6640 0.8847 0.8773 0.8918
p_sezon p_poza roznica_pp
0.9281 0.8847 4.3400 3. Rozkład dwumianowy liczby przyjazdów: Rysunek 2
R
# Przepis 3. Ilu gości przyjedzie przy N rezerwacjach? Rozkład dwumianowy: Rysunek 2
# S ~ Bin(N, p): liczba przyjazdów, gdy każda z N rezerwacji niezależnie kończy się przyjazdem z p
podsumuj <- function(N, p, C = POKOJE) {
s <- 0:N; f <- dbinom(s, N, p)
c(N = N, srednia = N * p, P_odmowa = sum(f[s > C]), odmowy = sum(pmax(s - C, 0) * f),
puste = sum(pmax(C - s, 0) * f))
}
round(t(sapply(24:30, podsumuj, p = p_sezon)), 3)
rozk <- do.call(rbind, lapply(c(24, 25, 27), function(N)
data.frame(N = paste("N =", N), s = 0:N, f = dbinom(0:N, N, p_sezon))))
rozk <- subset(rozk, s >= 17)
rozk$stan <- ifelse(rozk$s > POKOJE, "więcej gości niż pokoi", "wszyscy się mieszczą")
p2 <- ggplot(rozk, aes(s, f, fill = stan)) +
geom_col(width = 0.8) +
geom_vline(xintercept = POKOJE + 0.5, linetype = "dashed", colour = "grey20") +
facet_wrap(~ N, ncol = 1) +
scale_fill_manual(values = c("wszyscy się mieszczą" = kol[["niebieski"]], "więcej gości niż pokoi" = kol[["pomarancz"]]),
breaks = c("wszyscy się mieszczą", "więcej gości niż pokoi"), name = NULL) +
scale_x_continuous(breaks = 17:27) +
scale_y_continuous(labels = function(x) paste0(round(100 * x), "%")) +
labs(title = "Liczba gości, którzy przyjadą, przy N rezerwacjach na noc w sezonie",
subtitle = paste0("Rozkład dwumianowy, p = ", sub("^0", "", format(round(p_sezon, 3), nsmall = 3)), "; linia przerywana – 24 pokoje"),
x = "Liczba przyjazdów", y = "Prawdopodobieństwo") +
motyw
p2 # zapis: ggsave("overbooking-rozklad-przyjazdow.svg", p2, width = 10, height = 6.4)Wynik w R
N srednia P_odmowa odmowy puste
[1,] 24 22.274 0.000 0.000 1.726
[2,] 25 23.202 0.155 0.155 0.952
[3,] 26 24.131 0.433 0.577 0.446
[4,] 27 25.059 0.693 1.239 0.180
[5,] 28 25.987 0.862 2.051 0.064
[6,] 29 26.915 0.946 2.935 0.020
[7,] 30 27.843 0.982 3.849 0.0064. Oczekiwany koszt i optymalne N, sezon i poza sezonem, rodzaj rezerwacji: Rysunek 3
R
# Przepis 4. Koszt pustego pokoju vs koszt odmowy: optymalne N i ryzyko w sezonie i poza nim: Rysunek 3
k_pusty <- 350 # utracona marża z pokoju, który stoi pusty (zł)
k_odmowa <- 750 # gość bez pokoju: nocleg w innym obiekcie i dojazd 450 zł + rekompensata 300 zł
koszt <- function(N, p, C = POKOJE, kp = k_pusty, ko = k_odmowa) {
s <- 0:N; f <- dbinom(s, N, p)
kp * sum(pmax(C - s, 0) * f) + ko * sum(pmax(s - C, 0) * f)
}
N_opt <- function(p, ...) { siatka <- 24:40; siatka[which.min(sapply(siatka, koszt, p = p, ...))] }
siatka <- 24:34
k <- data.frame(N = siatka, puste = k_pusty * sapply(siatka, function(N) podsumuj(N, p_sezon)[["puste"]]),
odmowy = k_odmowa * sapply(siatka, function(N) podsumuj(N, p_sezon)[["odmowy"]]))
k$razem <- k$puste + k$odmowy
round(k, 1)
Ns <- N_opt(p_sezon)
c(N_opt_sezon = Ns, prog_krytyczny = round(k_odmowa / (k_odmowa + k_pusty), 3),
P_mniej_niz_24_przy_N_opt_minus_1 = round(pbinom(POKOJE - 1, Ns - 1, p_sezon), 3),
P_mniej_niz_24_przy_N_opt = round(pbinom(POKOJE - 1, Ns, p_sezon), 3),
oszczednosc_na_noc = round(koszt(24, p_sezon) - koszt(Ns, p_sezon), 1),
oszczednosc_na_sezon_150_nocy = round(150 * (koszt(24, p_sezon) - koszt(Ns, p_sezon))))
# Poza sezonem: inne p, więc inne N*. Co się stanie, gdy limit spoza sezonu zostanie w sezonie?
N_poza <- N_opt(p_poza)
round(rbind(sezon = podsumuj(Ns, p_sezon), poza_sezonem = podsumuj(N_poza, p_poza),
sezon_z_limitem_spoza_sezonu = podsumuj(N_poza, p_sezon)), 3)
c(N_opt_poza = N_poza, koszt_sezon_z_limitem_spoza = round(koszt(N_poza, p_sezon), 1),
noce_poza_sezonem_z_co_najmniej_24_rez_proc = round(100 * mean(noc_ks$rezerwacje[noc_ks$okres == "poza sezonem"] >= 24), 1))
# Rodzaj rezerwacji: N* przy samych bezzwrotnych, obecnym udziale i samych elastycznych (sezon)
p_typ <- setNames(tab_p$p[tab_p$okres == "sezon"], tab_p$typ[tab_p$okres == "sezon"])
koszt_mix <- function(N, f_b, pb = p_typ[["bezzwrotna"]], pe = p_typ[["elastyczna"]]) {
nb <- round(f_b * N); fs <- convolve(dbinom(0:nb, nb, pb), rev(dbinom(0:(N - nb), N - nb, pe)), type = "open")
s <- 0:N; fs <- pmax(fs, 0)
c(N = N, koszt = k_pusty * sum(pmax(POKOJE - s, 0) * fs) + k_odmowa * sum(pmax(s - POKOJE, 0) * fs),
P_odmowa = sum(fs[s > POKOJE]))
}
f_b_sezon <- with(subset(ks, okres == "sezon" & typ != "grupowa"), mean(typ == "bezzwrotna"))
mix <- do.call(rbind, lapply(c(samych_bezzwrotnych = 1, obecny_udzial = f_b_sezon, samych_elastycznych = 0), function(f) {
w <- t(sapply(24:36, koszt_mix, f_b = f)); w[which.min(w[, "koszt"]), ] }))
cbind(udzial_bezzwrotnych = round(c(1, f_b_sezon, 0), 3), round(mix, 3))
et <- paste0(c("sezon (p = ", "poza sezonem (p = "), sub("^0", "", format(round(c(p_sezon, p_poza), 3), nsmall = 3)), ")")
ryz <- rbind(data.frame(okres = et[1], N = 24:30, P = sapply(24:30, function(N) podsumuj(N, p_sezon)[["P_odmowa"]])),
data.frame(okres = et[2], N = 24:30, P = sapply(24:30, function(N) podsumuj(N, p_poza)[["P_odmowa"]])))
ryz$okres <- factor(ryz$okres, levels = et)
kw <- subset(k, N <= 30)
kd <- rbind(data.frame(N = kw$N, skladnik = "puste pokoje", zl = kw$puste),
data.frame(N = kw$N, skladnik = "odmowy", zl = kw$odmowy),
data.frame(N = kw$N, skladnik = "razem", zl = kw$razem))
pa <- ggplot(kd, aes(N, zl, colour = skladnik, linetype = skladnik, shape = skladnik)) +
geom_line(linewidth = 0.9) + geom_point(size = 2.4) +
annotate("point", x = Ns, y = min(k$razem), size = 5, shape = 21, colour = "grey10", stroke = 1.2) +
annotate("text", x = Ns, y = min(k$razem) + 420, label = paste0("N* = ", Ns), fontface = "bold", size = 4.2) +
scale_colour_manual(values = c("puste pokoje" = kol[["niebieski"]], "odmowy" = kol[["pomarancz"]], "razem" = "grey15"), name = NULL) +
scale_linetype_manual(values = c("puste pokoje" = "dashed", "odmowy" = "dotdash", "razem" = "solid"), name = NULL) +
scale_shape_manual(values = c("puste pokoje" = 16, "odmowy" = 17, "razem" = 15), name = NULL) +
scale_x_continuous(breaks = 24:30) +
labs(title = "A. Oczekiwany koszt na noc (sezon)", x = "Przyjęte rezerwacje N", y = "zł na noc") + motyw
pb <- ggplot(ryz, aes(N, P, colour = okres, shape = okres)) +
geom_line(linewidth = 0.9) + geom_point(size = 2.4) +
scale_colour_manual(values = c(kol[["pomarancz"]], kol[["niebieski"]]), name = NULL) +
scale_shape_manual(values = c(17, 16), name = NULL) +
scale_x_continuous(breaks = 24:30) +
scale_y_continuous(labels = function(x) paste0(round(100 * x), "%")) +
guides(colour = guide_legend(ncol = 1), shape = guide_legend(ncol = 1)) +
labs(title = "B. Szansa, że komuś zabraknie pokoju", x = "Przyjęte rezerwacje N", y = "P(więcej gości niż 24)") + motyw
p3 <- patchwork::wrap_plots(pa, pb, ncol = 2)
p3 # zapis: ggsave("overbooking-koszt-oczekiwany.svg", p3, width = 10, height = 5.6)Wynik w R
N puste odmowy razem
1 24 604.0 0.0 604.0
2 25 333.3 116.1 449.4
3 26 156.2 432.6 588.8
4 27 63.1 929.3 992.4
5 28 22.4 1538.1 1560.5
6 29 7.1 2201.4 2208.5
7 30 2.0 2886.6 2888.7
8 31 0.5 3579.5 3580.0
9 32 0.1 4274.7 4274.8
10 33 0.0 4970.5 4970.6
11 34 0.0 5666.6 5666.6
N_opt_sezon prog_krytyczny P_mniej_niz_24_przy_N_opt_minus_1
25.000 0.682 0.833
P_mniej_niz_24_przy_N_opt oszczednosc_na_noc oszczednosc_na_sezon_150_nocy
0.545 154.500 23177.000
N srednia P_odmowa odmowy puste
sezon 25 23.202 0.155 0.155 0.952
poza_sezonem 26 23.002 0.182 0.223 1.221
sezon_z_limitem_spoza_sezonu 26 24.131 0.433 0.577 0.446
N_opt_poza koszt_sezon_z_limitem_spoza
26.0 588.8
noce_poza_sezonem_z_co_najmniej_24_rez_proc
0.3
udzial_bezzwrotnych N koszt P_odmowa
samych_bezzwrotnych 1.000 24 301.560 0.000
obecny_udzial 0.456 25 451.643 0.148
samych_elastycznych 0.000 26 560.782 0.2405. Bootstrap nocy i analiza wrażliwości na koszt odmowy: Rysunek 4
R
# Przepis 5. Niepewność p (bootstrap nocy) i wrażliwość N* na koszt odmowy: Rysunek 4
# Losujemy ze zwracaniem całe noce sezonu – rezerwacje z tej samej nocy łączy pogoda i stan dróg
ind_s <- subset(ks, okres == "sezon" & typ != "grupowa")
po_nocach <- aggregate(cbind(n = 1, x = przyjazd) ~ noc, data = ind_s, FUN = sum)
B <- 2000
set.seed(7521)
p_boot <- replicate(B, { i <- sample(nrow(po_nocach), replace = TRUE); sum(po_nocach$x[i]) / sum(po_nocach$n[i]) })
wilson_s <- unlist(tab_p[tab_p$okres == "sezon" & tab_p$typ == "indywidualne razem", c("dol", "gora")])
round(rbind(wilson = wilson_s, bootstrap_nocy = quantile(p_boot, c(0.025, 0.975))), 4)
N_boot <- sapply(p_boot, N_opt)
table(N_boot) # N* w 2000 losowaniach bootstrapu
# Oczekiwany koszt na noc uśredniony po niepewności p (dla każdego N)
k_boot <- sapply(24:28, function(N) mean(sapply(p_boot, koszt, N = N)))
round(rbind(N = 24:28, przy_p_punktowym = sapply(24:28, koszt, p = p_sezon), usredniony_po_p = k_boot), 1)
# Przy jakim p zmienia się N*? (próg między 25 a 26)
p_siatka <- seq(0.85, 0.99, by = 0.0005)
N_p <- sapply(p_siatka, N_opt)
c(p_od_ktorego_N_25 = max(p_siatka[N_p >= 26]), p_od_ktorego_N_24 = max(p_siatka[N_p >= 25]))
# Analiza wrażliwości: koszt odmowy od 350 do 3500 zł (reputacja – trudna do wyceny)
ko_siatka <- seq(350, 3500, by = 25)
wr <- do.call(rbind, lapply(c(dolna = wilson_s[[1]], punktowe = p_sezon, gorna = wilson_s[[2]]), function(pp)
data.frame(p = pp, ko = ko_siatka, N = sapply(ko_siatka, function(ko) N_opt(pp, ko = ko)))))
wr$wariant <- factor(rep(c("dolna granica CI", "p punktowe", "górna granica CI"), each = length(ko_siatka)),
levels = c("dolna granica CI", "p punktowe", "górna granica CI"))
aggregate(ko ~ N + wariant, data = wr, FUN = function(x) paste(range(x), collapse = "–"))
roczny <- sapply(c(750, 1500, 3000), function(ko) 150 * (koszt(24, p_sezon, ko = ko) - koszt(N_opt(p_sezon, ko = ko), p_sezon, ko = ko)))
setNames(round(roczny), c("zysk_sezon_ko_750", "zysk_sezon_ko_1500", "zysk_sezon_ko_3000"))
bt <- as.data.frame(table(N = N_boot)); bt$udzial <- bt$Freq / B
progi <- c(max(p_siatka[N_p >= 26]), max(p_siatka[N_p >= 25]))
strefy <- data.frame(od = c(0.89, progi), do = c(progi, 0.965), N = paste("N* =", 26:24))
pa <- ggplot() +
geom_rect(data = strefy, aes(xmin = od, xmax = do, ymin = -Inf, ymax = Inf, fill = N), alpha = 0.35) +
geom_histogram(data = data.frame(p = p_boot), aes(p), binwidth = 0.0005, fill = "grey25") +
geom_vline(xintercept = progi, linetype = "dashed", colour = "grey30") +
geom_text(data = strefy, aes(x = (od + do) / 2, y = Inf, label = N), vjust = 1.6, size = 4, fontface = "bold") +
scale_fill_manual(values = c("N* = 26" = kol[["pomarancz"]], "N* = 25" = "grey85", "N* = 24" = kol[["niebieski"]]), guide = "none") +
scale_x_continuous(breaks = seq(0.89, 0.96, 0.01), labels = function(x) sub("^0", "", format(x, nsmall = 2))) +
coord_cartesian(xlim = c(0.89, 0.965), expand = FALSE) +
labs(title = "A. p z 2000 losowań nocy a progi N*", x = "Odsetek przyjazdów p (sezon)", y = "Liczba losowań") + motyw
pb <- ggplot(wr, aes(ko, N, colour = wariant, linetype = wariant)) +
geom_step(linewidth = 1, position = position_nudge(y = rep(c(-0.08, 0, 0.08), each = length(ko_siatka)))) +
geom_vline(xintercept = k_odmowa, colour = "grey30", linetype = "dotted") +
annotate("text", x = k_odmowa + 60, y = 26.4, label = "750 zł", hjust = 0, size = 3.8, colour = "grey30") +
scale_colour_manual(values = c(kol[["niebieski"]], "grey15", kol[["pomarancz"]]), name = NULL) +
scale_linetype_manual(values = c("dashed", "solid", "dotdash"), name = NULL) +
scale_y_continuous(breaks = 24:29) +
guides(colour = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1)) +
labs(title = "B. N* a koszt odmowy", x = "Koszt jednej odmowy (zł)", y = "Optymalne N*") + motyw
p4 <- patchwork::wrap_plots(pa, pb, ncol = 2)
p4 # zapis: ggsave("overbooking-niepewnosc-p.svg", p4, width = 10, height = 5.6)Wynik w R
dol gora
wilson 0.9229 0.9330
bootstrap_nocy 0.9228 0.9336
N_boot
25
2000
[,1] [,2] [,3] [,4] [,5]
N 24.0 25.0 26.0 27.0 28.0
przy_p_punktowym 604.0 449.4 588.8 992.4 1560.5
usredniony_po_p 603.6 449.7 589.9 993.7 1561.8
p_od_ktorego_N_25 p_od_ktorego_N_24
0.908 0.953
N wariant ko
1 24 dolna granica CI 2075–3500
2 25 dolna granica CI 500–2050
3 26 dolna granica CI 350–475
4 24 p punktowe 1750–3500
5 25 p punktowe 425–1725
6 26 p punktowe 350–400
7 24 górna granica CI 1500–3500
8 25 górna granica CI 375–1475
9 26 górna granica CI 350–350
zysk_sezon_ko_750 zysk_sezon_ko_1500 zysk_sezon_ko_3000
23177 5759 0 6. Rezerwacje grupowe: rozkład beta-dwumianowy: Rysunek 5
R
# Przepis 6. Rezerwacje grupowe: odwołania zależne – rozkład beta-dwumianowy: Rysunek 5
gr <- aggregate(cbind(m = 1, x = przyjazd) ~ noc + okres, data = subset(ks, typ == "grupowa"), FUN = sum)
c(grupy = nrow(gr), pokoje = sum(gr$m), p_przyjazdu = round(sum(gr$x) / sum(gr$m), 4),
cale_grupy_nieobecne = sum(gr$x == 0), grupy_w_komplecie = sum(gr$x == gr$m))
# Logarytm wiarygodności beta-dwumianowego: mu – średnie p, rho – korelacja przyjazdów w grupie
ll_bb <- function(th, x, m) {
mu <- plogis(th[1]); rho <- plogis(th[2]); a <- mu * (1 - rho) / rho; b <- (1 - mu) * (1 - rho) / rho
sum(lchoose(m, x) + lbeta(x + a, m - x + b) - lbeta(a, b))
}
fit <- optim(c(qlogis(0.9), qlogis(0.1)), ll_bb, x = gr$x, m = gr$m, control = list(fnscale = -1), hessian = TRUE)
mu_g <- plogis(fit$par[1]); rho_g <- plogis(fit$par[2])
ll_bin <- sum(dbinom(gr$x, gr$m, sum(gr$x) / sum(gr$m), log = TRUE))
se <- sqrt(diag(solve(-fit$hessian)))
LR <- 2 * (fit$value - ll_bin)
round(c(mu = mu_g, rho = rho_g, rho_dol = plogis(fit$par[2] - 1.96 * se[2]),
rho_gora = plogis(fit$par[2] + 1.96 * se[2]), LR = LR), 4)
0.5 * pchisq(LR, 1, lower.tail = FALSE) # p testu rho = 0 (wartość na brzegu: połowa p z chi-kwadrat(1))
# Wariancja liczby przyjazdów w grupie 8 pokoi: dwumianowy vs beta-dwumianowy
c(war_dwumianowy = round(8 * mu_g * (1 - mu_g), 3), war_beta_dwumianowy = round(8 * mu_g * (1 - mu_g) * (1 + 7 * rho_g), 3))
d_bb <- function(m, mu, rho) { # rozkład beta-dwumianowy dla 0..m
a <- mu * (1 - rho) / rho; b <- (1 - mu) * (1 - rho) / rho
exp(lchoose(m, 0:m) + lbeta(0:m + a, m - 0:m + b) - lbeta(a, b))
}
# Noc w sezonie: grupa 8 pokoi + (N − 8) rezerwacji indywidualnych
noc_z_grupa <- function(N, model, m = 8) {
f_gr <- if (model == "beta-dwumianowy") d_bb(m, mu_g, rho_g) else dbinom(0:m, m, mu_g)
fs <- pmax(convolve(f_gr, rev(dbinom(0:(N - m), N - m, p_sezon)), type = "open"), 0)
s <- 0:N
c(N = N, P_odmowa = sum(fs[s > POKOJE]), odmowy = sum(pmax(s - POKOJE, 0) * fs),
koszt = k_pusty * sum(pmax(POKOJE - s, 0) * fs) + k_odmowa * sum(pmax(s - POKOJE, 0) * fs))
}
gn <- do.call(rbind, lapply(c("dwumianowy", "beta-dwumianowy"), function(md)
data.frame(model = md, t(sapply(24:30, noc_z_grupa, model = md)))))
gn$P_odmowa <- round(gn$P_odmowa, 3); gn$odmowy <- round(gn$odmowy, 3); gn$koszt <- round(gn$koszt, 1)
gn
sapply(split(gn, gn$model), function(d) d$N[which.min(d$koszt)]) # N* w nocy z grupą
gn$model <- factor(gn$model, levels = c("dwumianowy", "beta-dwumianowy"),
labels = c("grupa jak 8 osobnych rezerwacji (dwumianowy)", "grupa odwołuje razem (beta-dwumianowy)"))
p5 <- ggplot(gn, aes(N, P_odmowa, colour = model, shape = model, linetype = model)) +
geom_line(linewidth = 1) + geom_point(size = 2.6) +
geom_text(data = subset(gn, N %in% 25:26 & model == levels(model)[1]), aes(label = paste0(round(100 * P_odmowa, 1), "%")),
hjust = -0.3, vjust = 1.2, size = 3.8, show.legend = FALSE) +
geom_text(data = subset(gn, N %in% 25:26 & model == levels(model)[2]), aes(label = paste0(round(100 * P_odmowa, 1), "%")),
hjust = 1.3, vjust = -0.4, size = 3.8, show.legend = FALSE) +
scale_colour_manual(values = c(kol[["niebieski"]], kol[["pomarancz"]]), name = NULL) +
scale_shape_manual(values = c(16, 17), name = NULL) +
scale_linetype_manual(values = c("dashed", "solid"), name = NULL) +
scale_x_continuous(breaks = 24:30) +
scale_y_continuous(labels = function(x) paste0(round(100 * x), "%"), limits = c(0, 1)) +
guides(colour = guide_legend(ncol = 1), shape = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1)) +
labs(title = "Noc w sezonie z grupą 8 pokoi: szansa, że komuś zabraknie pokoju",
subtitle = minus(paste0("Grupa: średnie p = ", sub("^0", "", format(round(mu_g, 3), nsmall = 3)),
", korelacja w grupie ρ = ", sub("^0", "", format(round(rho_g, 2), nsmall = 2)))),
x = "Przyjęte rezerwacje N (w tym 8 grupowych)", y = "P(więcej gości niż 24)") + motyw
p5 # zapis: ggsave("overbooking-grupy-beta-dwumianowy.svg", p5, width = 10, height = 5.6)Wynik w R
grupy pokoje p_przyjazdu cale_grupy_nieobecne grupy_w_komplecie
198.0000 1171.0000 0.8975 1.0000 139.0000
mu rho rho_dol rho_gora LR
0.8975 0.2936 0.2054 0.4005 110.4530
[1] 3.898698e-26
war_dwumianowy war_beta_dwumianowy
0.736 2.248
model N P_odmowa odmowy koszt
1 dwumianowy 24 0.000 0.000 689.6
2 dwumianowy 25 0.118 0.118 495.0
3 dwumianowy 26 0.364 0.473 560.8
4 dwumianowy 27 0.624 1.072 894.1
5 dwumianowy 28 0.815 1.842 1415.9
6 dwumianowy 29 0.921 2.704 2040.3
7 dwumianowy 30 0.971 3.609 2710.4
8 beta-dwumianowy 24 0.000 0.000 689.6
9 beta-dwumianowy 25 0.185 0.185 568.6
10 beta-dwumianowy 26 0.449 0.621 723.0
11 beta-dwumianowy 27 0.662 1.251 1090.8
12 beta-dwumianowy 28 0.797 2.000 1590.6
13 beta-dwumianowy 29 0.877 2.820 2167.3
14 beta-dwumianowy 30 0.925 3.682 2790.4
beta-dwumianowy dwumianowy
25 25 7. Pułapka: trzy definicje nieobecności: Rysunek 6
R
# Przepis 7. Pułapka: co liczymy jako „nie przyjechał”? Trzy definicje p: Rysunek 6
wsz_s <- subset(rez, okres == "sezon" & typ != "grupowa") # z odwołaniami > 3 dni przed przyjazdem
tab_st <- table(wsz_s$status)
tab_st
w_ks <- sum(tab_st[c("przyjazd", "no-show", "odwołanie < 3 dni")])
defs <- data.frame(definicja = c("tylko no-show", "no-show + odwołanie < 3 dni (poprawnie)", "wszystkie odwołania"),
x = c(w_ks - tab_st[["no-show"]], tab_st[["przyjazd"]], tab_st[["przyjazd"]]),
n = c(w_ks, w_ks, sum(tab_st)))
defs$p <- defs$x / defs$n
defs$N_opt <- sapply(defs$p, N_opt)
# Skutek limitu N wyznaczonego z każdej definicji, oceniony przy poprawnym p (sezon)
defs$P_odmowa <- sapply(defs$N_opt, function(N) podsumuj(N, p_sezon)[["P_odmowa"]])
defs$odmowy_na_sezon <- 150 * sapply(defs$N_opt, function(N) podsumuj(N, p_sezon)[["odmowy"]])
defs$koszt_na_noc <- sapply(defs$N_opt, koszt, p = p_sezon)
defs$strata_na_sezon <- 150 * (defs$koszt_na_noc - koszt(Ns, p_sezon))
cbind(defs[, 1:3], round(defs[, -(1:3)], 3))
defs$definicja <- factor(defs$definicja, levels = defs$definicja)
pa <- ggplot(defs, aes(p, definicja, colour = definicja, shape = definicja)) +
geom_point(size = 4) +
geom_text(aes(label = sub("^0", "", format(round(p, 3), nsmall = 3))), vjust = -1.1, size = 4, show.legend = FALSE) +
scale_colour_manual(values = c(kol[["niebieski"]], "grey15", kol[["pomarancz"]]), guide = "none") +
scale_shape_manual(values = c(16, 15, 17), guide = "none") +
scale_x_continuous(limits = c(0.75, 1), labels = function(x) sub("^0", "", format(x, nsmall = 2))) +
scale_y_discrete(labels = function(x) gsub(" \\(", "\n(", x), limits = rev) +
labs(title = "A. Szacowane p", x = "Odsetek przyjazdów", y = NULL) + motyw
pb <- ggplot(defs, aes(factor(N_opt), P_odmowa, fill = definicja)) +
geom_col(width = 0.6) +
geom_text(aes(label = paste0(round(100 * P_odmowa, 1), "%\n", round(odmowy_na_sezon), " odmów/sezon")),
vjust = -0.25, size = 3.6, lineheight = 0.9) +
scale_fill_manual(values = c(kol[["niebieski"]], "grey15", kol[["pomarancz"]]), guide = "none") +
scale_y_continuous(labels = function(x) paste0(round(100 * x), "%"), limits = c(0, 1.12)) +
scale_x_discrete(expand = expansion(add = 0.75)) +
labs(title = "B. Skutek limitu w sezonie", x = "Limit N* z danej definicji", y = "Noce z odmową") + motyw
p6 <- patchwork::wrap_plots(pa, pb, ncol = 2, widths = c(1.1, 1))
p6 # zapis: ggsave("overbooking-definicja-nieobecnosci.svg", p6, width = 10, height = 5.6)Wynik w R
no-show odwołanie < 3 dni odwołanie > 3 dni przyjazd
293 432 1790 9356
definicja x n p N_opt P_odmowa odmowy_na_sezon koszt_na_noc strata_na_sezon
1 tylko no-show 9788 10081 0.971 24 0.000 0.000 603.960 23177.47
2 no-show + odwołanie < 3 dni (poprawnie) 9356 10081 0.928 25 0.155 23.225 449.444 0.00
3 wszystkie odwołania 9356 11871 0.788 29 0.946 440.279 2208.494 263857.638. Grafika: karta „24 pokoje, ile rezerwacji?”: Rysunek 1
R
# Przepis 8. Grafika: karta „24 pokoje, ile rezerwacji?”: Rysunek 1
f3 <- function(x) sub("^0", "", format(round(x, 3), nsmall = 3))
zl <- function(x) paste(format(round(x), big.mark = " "), "zł")
pokoje <- expand.grid(kol_ = 1:6, wiersz = 1:4)
pokoje$x <- (pokoje$kol_ - 1) * 1.1; pokoje$y <- (4 - pokoje$wiersz) * 1.1 + 0.6
extra <- data.frame(x = 6 * 1.1, y = 3 * 1.1 + 0.6) # rezerwacja ponad pojemność (N* − 24 = 1)
kp <- k[k$N == 24, "razem"]; kn <- k[k$N == Ns, "razem"]
gr25 <- gn[gn$N == 25, ]
karty <- data.frame(
x = 7.9, y = c(5.0, 3.75, 2.5, 1.25, 0),
naglowek = c("Ile osób przyjeżdża?", "Co kosztuje pomyłka?", "Ile rezerwacji przyjąć?", "Ryzyko przy N* = 25",
"Uwaga na grupy i reputację"),
tresc = c(paste0("p = ", f3(p_sezon), " [", f3(wilson_s[1]), ", ", f3(wilson_s[2]), "] w sezonie,\n", f3(p_poza), " poza sezonem"),
paste0("pusty pokój ", zl(k_pusty), ", odmowa ", zl(k_odmowa), "\n(relokacja + rekompensata)"),
paste0("N* = ", Ns, " – o jedną ponad pojemność;\nzysk ", zl(150 * (kp - kn)), " na sezon (150 nocy)"),
paste0("odmowa w ", round(100 * podsumuj(Ns, p_sezon)[["P_odmowa"]], 1), "% nocy; puste średnio\n",
round(podsumuj(Ns, p_sezon)[["puste"]], 2), " pokoju zamiast ", round(podsumuj(24, p_sezon)[["puste"]], 2)),
paste0("grupa 8 pokoi: odmowa w ", round(100 * gr25$P_odmowa[2], 1), "% zamiast ", round(100 * gr25$P_odmowa[1], 1),
"% nocy;\nodmowa od ", min(wr$ko[wr$wariant == "p punktowe" & wr$N == 24]), " zł → N = 24")))
p1 <- ggplot() +
geom_rect(data = pokoje, aes(xmin = x, xmax = x + 1, ymin = y, ymax = y + 1), fill = "#D6E6F2", colour = kol[["niebieski"]], linewidth = 0.6) +
geom_text(data = pokoje, aes(x + 0.5, y + 0.5, label = seq_len(nrow(pokoje))), size = 4.2, colour = "#0f1d3a") +
geom_rect(data = extra, aes(xmin = x, xmax = x + 1, ymin = y, ymax = y + 1), fill = "#FBE3D6", colour = kol[["pomarancz"]],
linewidth = 0.9, linetype = "dashed") +
annotate("text", x = 6.6 + 0.5, y = 3.3 + 0.6 + 0.5, label = "+1", fontface = "bold", size = 4.2, colour = kol[["pomarancz"]]) +
annotate("text", x = 0, y = 0.3, label = "24 pokoje (niebieskie) + 1 rezerwacja\nponad pojemność (przerywana)",
hjust = 0, vjust = 1, size = 4, lineheight = 0.95, colour = "grey25") +
annotate("text", x = 0, y = -0.85, hjust = 0, vjust = 1, label = paste0("Bez overbookingu: średnio ", round(podsumuj(24, p_sezon)[["puste"]], 2),
" pustego\npokoju na noc"), size = 4, lineheight = 0.95, colour = "grey25") +
geom_rect(data = karty, aes(xmin = x, xmax = x + 10, ymin = y - 0.55, ymax = y + 0.58), fill = "grey97", colour = "grey75") +
geom_text(data = karty, aes(x + 0.2, y + 0.33, label = naglowek), hjust = 0, fontface = "bold", size = 4.5, colour = "#0f1d3a") +
geom_text(data = karty, aes(x + 0.2, y - 0.2, label = tresc), hjust = 0, size = 4, lineheight = 0.95, colour = "grey15") +
annotate("text", x = 0, y = 6.45, label = "24 pokoje, ile rezerwacji?", hjust = 0, fontface = "bold", size = 6.5, colour = "#0f1d3a") +
annotate("text", x = 0, y = 5.95, label = "Pensjonat w górach – noc w sezonie,\ndecyzja 3 dni przed przyjazdem (dane fikcyjne)",
hjust = 0, vjust = 1, size = 4, lineheight = 0.95, colour = "grey30") +
coord_equal(xlim = c(0, 18), ylim = c(-1.7, 6.8), expand = FALSE) +
theme_void() + theme(plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 10, 10, 10))
p1 # zapis: ggsave("overbooking-karta-24-pokoje.svg", p1, width = 10, height = 4.9)9. Kontrola palety: symulacja zaburzeń widzenia barw
R
# Przepis 9. Kontrola palety: symulacja zaburzeń widzenia barw
library(colorspace)
roznica <- function(k) { # odległość dwóch barw w przestrzeni CIELAB (ΔE)
lab <- coords(as(hex2RGB(k), "LAB"))
sqrt(sum((lab[1, ] - lab[2, ])^2))
}
pary <- list("niebieski – pomarańczowy" = c("#0072B2", "#D55E00"), "niebieski – grafit" = c("#0072B2", "#262626"),
"pomarańczowy – grafit" = c("#D55E00", "#262626"), "pokój – rezerwacja ponad" = c("#D6E6F2", "#FBE3D6"),
"czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)),
protanopia = roznica(protan(k))))), 1)Wynik w R
widzenie_typowe deuteranopia protanopia
niebieski – pomarańczowy 114.6 108.3 91.9
niebieski – grafit 51.7 53.3 51.3
pomarańczowy – grafit 86.0 75.9 62.8
pokój – rezerwacja ponad 19.3 18.6 15.7
czerwony – zielony (do unikania) 121.7 21.1 31.6Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Losowanie danych, przedziały Wilsona (prop.test), rozkład dwumianowy (dbinom, pbinom), splot rozkładów (convolve) i estymacja metodą największej wiarygodności (optim) – pakiet stats i funkcje podstawowej instalacji R. Rysunki wykonano w pakiecie ggplot2, panele złożono pakietem patchwork i zapisano pakietem svglite, a paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
- colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
- svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite
Pułapki
- Późne odwołanie a no-show. Oba zostawiają pusty pokój (rysunek 6), różni je rozliczenie: przy rezerwacji bezzwrotnej no-show i tak płaci. Licząc zysk, a nie tylko puste pokoje, uwzględnij oba przychody.
- Jedno p na cały rok. Limit spoza sezonu (26) w sezonie daje odmowę w 43.3% nocy. Licz p dla okresów, w których stosujesz limit.
- Niezależność to założenie. Grupy i pogoda zwiększają rozrzut liczby przyjazdów. U nas wpływ nocy był mały, grup – wyraźny. Nadmierne rozproszenie sprawdzaj, zanim zaufasz modelowi dwumianowemu.
- Koszt odmowy tylko w złotówkach. Odesłany gość może wystawić złą opinię. Pokaż, przy jakiej kwocie decyzja się zmienia (u nas między 1725 a 1750 zł).
- Historia bez overbookingu. Nie wiemy, czy goście „nadmiarowych” rezerwacji zachowają się tak samo. Po wprowadzeniu limitu sprawdzaj p na nowych danych.
Najczęstsze pytania
Ile rezerwacji można przyjąć ponad liczbę pokoi?
Tyle, przy ilu oczekiwany koszt pustych pokoi i odesłanych gości jest najmniejszy. Liczbę przyjazdów opisz rozkładem dwumianowym z odsetkiem przyjazdów z własnych danych i dokładaj rezerwację, dopóki szansa, że przyjedzie mniej gości niż pokoi, przekracza koszt odmowy / (koszt odmowy + koszt pustego pokoju). W przykładzie z 24 pokojami, p = .928 i kosztami 750 i 350 zł wychodzi 25 rezerwacji.
Jak policzyć odsetek przyjazdów do overbookingu?
Weź rezerwacje aktywne w chwili decyzji (u nas 3 dni przed przyjazdem) i policz, jaka ich część zakończyła się przyjazdem; nieobecni to no-show i późne odwołania. Wcześniejszych odwołań nie wliczaj, bo pokój sprzedano ponownie. W przykładzie inne definicje dawały p = .971 albo .788 zamiast .928 i limit 24 albo 29 zamiast 25.
Czy overbooking opłaca się przy rezerwacjach bezzwrotnych?
Zwykle mniej. Gość z rezerwacją bezzwrotną przyjeżdża częściej (w przykładzie p = .964 wobec .898 przy rezerwacji elastycznej), więc puste pokoje zdarzają się rzadziej. Przy samych rezerwacjach bezzwrotnych optymalne było 24 rezerwacje, czyli brak overbookingu, przy samych elastycznych – 26.
Dlaczego rezerwacje grupowe zwiększają ryzyko overbookingu?
Bo goście z jednej grupy przyjeżdżają albo rezygnują razem, więc liczba przyjazdów ma większy rozrzut niż w rozkładzie dwumianowym. Opisuje to rozkład beta-dwumianowy: w przykładzie korelacja w grupie wyniosła .29, a przy 25 rezerwacjach z grupą 8 pokoi szansa odmowy wzrosła z 11.8% do 18.5%.
Jak uwzględnić w overbookingu koszt utraty reputacji?
Nie zgaduj jednej kwoty – zrób analizę wrażliwości: policz optymalną liczbę rezerwacji dla kosztu odmowy w szerokim zakresie i podaj, od jakiej kwoty decyzja się zmienia. W przykładzie 25 rezerwacji było najlepsze przy koszcie odmowy od 425 do 1725 zł, a od 1750 zł overbooking przestawał się opłacać.
Powiązane hasła
Przeczytaj też
Nieodwołane wizyty (no-show)
Gabinety fizjoterapii: model ryzyka nieprzyjścia, kalibracja, przeciek i ile wizyt dopisać z rozkładu Poissona-dwumianowego – z kodem R.
Czytaj →PoradnikKrzywa rezerwacji i pick-up
Kemping z 40 domkami: krzywa rezerwacji, prognoza obłożenia metodą pick-up, MAE według horyzontu i czas do anulowania (Kaplan–Meier, Cox) – z kodem R.
Czytaj →PoradnikModel gazeciarza i zapas bezpieczeństwa
Sieć piekarni: kwantyl krytyczny, sprzedaż ≠ popyt w dniach wyprzedanych, zapas mąki z błędów prognozy, poziom obsługi α i β – rysunki i kod R.
Czytaj →Piszesz pracę o rezerwacjach albo ustalasz limity w obiekcie?
Pomożemy policzyć odsetek przyjazdów, dobrać rozkład i koszty, wyznaczyć limit rezerwacji z analizą wrażliwości i opisać wyniki tak, żebyś umiał(a) je obronić.
Oferta dla studentówWyceń analizęBibliografia i dalsza literatura naukowa (APA 7)
- Bitran, G. R., & Gilbert, S. M. (1996). Managing hotel reservations with uncertain arrivals. Operations Research, 44(1), 35–49. https://doi.org/10.1287/opre.44.1.35
- Brown, L. D., Cai, T. T., & DasGupta, A. (2001). Interval estimation for a binomial proportion. Statistical Science, 16(2), 101–133. https://doi.org/10.1214/ss/1009213286
- Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. https://doi.org/10.1214/aos/1176344552 ● Otwarty dostęp
- Noone, B. M., & Lee, C. H. (2011). Hotel overbooking: The effect of overcompensation on customers’ reactions to denied service. Journal of Hospitality & Tourism Research, 35(3), 334–357. https://doi.org/10.1177/1096348010382238
- Rothstein, M. (1985). OR forum—OR and the airline overbooking problem. Operations Research, 33(2), 237–248. https://doi.org/10.1287/opre.33.2.237
- Williams, D. A. (1975). The analysis of binary responses from toxicological experiments involving reproduction and teratogenicity. Biometrics, 31(4), 949. https://doi.org/10.2307/2529820
Cytowania BibTeX
@article{bitran1996managing, author={Bitran, Gabriel R. and Gilbert, Stephen M.}, title={{Managing hotel reservations with uncertain arrivals}}, journal={Operations Research}, year={1996}, volume={44}, number={1}, pages={35--49}, doi={10.1287/opre.44.1.35}}@article{brown2001interval, author={Brown, Lawrence D. and Cai, T. Tony and DasGupta, Anirban}, title={{Interval estimation for a binomial proportion}}, journal={Statistical Science}, year={2001}, volume={16}, number={2}, pages={101--133}, doi={10.1214/ss/1009213286}}@article{efron1979bootstrap, author={Efron, Bradley}, title={{Bootstrap methods: Another look at the jackknife}}, journal={The Annals of Statistics}, year={1979}, volume={7}, number={1}, pages={1--26}, doi={10.1214/aos/1176344552}}@article{noone2011hotel, author={Noone, Breffni M. and Lee, Chung Hun}, title={{Hotel overbooking: The effect of overcompensation on customers’ reactions to denied service}}, journal={Journal of Hospitality \& Tourism Research}, year={2011}, volume={35}, number={3}, pages={334--357}, doi={10.1177/1096348010382238}}@article{rothstein1985or, author={Rothstein, Marvin}, title={{OR forum—OR and the airline overbooking problem}}, journal={Operations Research}, year={1985}, volume={33}, number={2}, pages={237--248}, doi={10.1287/opre.33.2.237}}@article{williams1975analysis, author={Williams, D. A.}, title={{The analysis of binary responses from toxicological experiments involving reproduction and teratogenicity}}, journal={Biometrics}, year={1975}, volume={31}, number={4}, pages={949}, doi={10.2307/2529820}}