理论科普
行业经验是垂直的：你熟悉酒店，未必懂乐园；你懂宴会，未必碰过餐饮。但经营问题是水平的：无论卖的是房间、餐位、门票还是宴会厅，都要先预测需求，再定价格，再做优化，最后用数据和案例复盘。这个板块按"问题"而不是按"行业"来组织，目的就是让你带走一套可迁移的方法论。
小白入门：为什么按"问题"学，而不是按"行业"学
按行业学，学到的是"酒店这么做、乐园那么做"，换一个行业就得从头再来；按问题学，学到的是"需求预测解决什么、定价回答什么"，然后同一套思路在不同业态里换参数就能用。文旅业态的本质相通：都是固定的产能 + 波动的需求 + 可分级的定价。酒店有房间数，餐饮有座位数，乐园有容量，宴会有时段——产能一旦闲置就永远损失，这就是收益管理要解决的问题。
进阶理解：七类经营问题与四业态应用
下表把七类经营问题放在一起：横向看，是同一套方法在不同场景里的迁移；纵向看，是某类业态会反复遇到的完整问题链。表格内容为方法论映射，用于建立框架，不涉及任何具体门店的私有数据。
| 经营问题 | 酒店 | 餐饮 | 乐园 | 宴会 |
|---|---|---|---|---|
| 需求预测 | 预测分日出租率与提前预订曲线，指导价格开放与超售策略。 | 按天 / 时段预测翻台与备货量，减少损耗与等位流失。 | 预测入园量与高峰日，决定票务分级、容量管控与排班。 | 预测淡旺季档期需求，指导销售目标与套餐定价。 |
| 定价策略 | 分渠道、分房型、分提前期的动态定价与价格梯度。 | 菜单定价、套餐设计与时段价差（下午茶 / 夜宵档）。 | 票价阶梯、淡旺季票价与早鸟 / 夜场票组合。 | 套餐分级、桌数阶梯价与淡旺季报价浮动。 |
| 收益优化 | 超售管理、房型升级销售（upsell）与连住策略。 | 翻台率提升、座位周转优化与加购引导。 | 容量管控、快速通道与二消（餐饮 / 商品）联动。 | 档期复用、增值服务打包与取消 / 改期管理。 |
| 商业分析 | RevPAR / RGI / MPI / ARI 对标拆解与渠道贡献分析。 | 客单价、翻台率、成本率与菜品结构分析。 | 客单价、二消占比与游客结构分析。 | 单场收入、获客成本与销售周期分析。 |
| AI 决策支持 | 需求预测与动态定价模型、智能房量分配建议。 | 销量预测、菜品推荐与备货建议。 | 客流预测、动态排班与票价优化建议。 | 销售线索评分、报价辅助与档期冲突提醒。 |
| 数据看板 | 多店出租率 / ADR / RevPAR 日度看板。 | 门店日营收、翻台与成本实时看板。 | 入园量、二消与高峰时段实时看板。 | 预订漏斗、档期占用与业绩达成看板。 |
| 案例研究 | 复盘公开提价 / 降价案例中的出租率与收入权衡。 | 复盘公开菜单策略与翻台改进案例。 | 复盘公开票价结构调整案例。 | 复盘公开销售周期与档期管理案例。 |
Source: 方法论映射（公开行业方法论整理，非任何门店私有数据） · License: CC BY（示意）
高阶专业：把七类问题串成一条决策链
这七类问题不是孤立的，而是一条决策闭环：先做需求预测（未来会怎样）→ 据此制定定价策略（今天卖什么价）→ 在运营中做收益优化（把单位产能卖出更多）→ 用数据看板监控现状（现在发生了什么）→ 用商业分析归因（为什么是这个结果）→ 用 AI 决策支持生成下一步建议（如果…会怎样）→ 最后用案例研究沉淀经验（下次该怎么做）。一个成熟的收益团队，就是在不断循环这条链。
这套框架对零售、游轮、综合度假村同样成立：零售对应"货架产能 + 促销定价"，游轮对应"舱位产能 + 航次定价"，度假村则是酒店、餐饮、乐园的叠加体。你在这个板块学到的不是"酒店的知识"，而是"经营的方法"。
实战公开案例
真实单店的经营数据几乎不公开，因此本板块沿用全站口径：公开行业方法论 + 教学示意数值，演练的是"同一道经营问题在不同业态怎么解"，而不是引用任何一家具体门店的私有数据。
演练：把"需求预测"这道题放到四个业态
假设你只有"过去 12 个月的分日数据"这一个输入，方法都是同一套：移动平均 + 季节性指数 + 事件修正（春节、黄金周、大型展会等日期单独标记）。看它怎么迁移：
- 酒店：预测目标是分日出租率与提前预订曲线。输出直接用于"今天放开到哪个价格档"。
- 餐饮：预测目标是分时段翻台与备货量。输出用于"备多少料、排多少班、等位多久"。
- 乐园：预测目标是入园量与高峰日。输出用于"票务分级、快速通道配置、二消备货"。
- 宴会：预测目标是淡旺季档期需求。输出用于"销售目标分解、报价浮动、提前锁档"。
关键点：方法（移动平均 + 季节性指数）没有变，变的只是预测对象、数据颗粒度和结果用途。这就是"可迁移的方法论"的含义——你在一个业态练熟的方法，到另一个业态只需要换参数。
Source: 教学示意演练（非真实经营数据） · License: CC BY（示意）
行业常见误区
按问题学收益管理，最容易踩的坑恰恰是"用行业经验代替方法论"。以下误区逐一对照。
- 误区一：只学本行业经验，不迁移方法。换一个业态就觉得自己"不懂行"，其实需求预测、定价、优化是同一套骨架，行业的差异只是参数不同。
- 误区二：把工具当方法。会算 RevPAR、会拉报表，不等于会收益管理。工具回答"是什么"，方法论回答"下一步该做什么"。
- 误区三：照搬别家价格。定价不基于自己的需求结构与成本结构，直接抄竞对，是收益管理最常见的失效方式。
- 误区四：数据看板 = 决策。看板回答"现在发生了什么"，决策支持回答"如果…会怎样、该做什么"。前者是仪表盘，后者是方向盘。
- 误区五：AI 决策支持是黑箱魔法。模型输出必须配业务规则与人工校验兜底；把决策权完全交给模型而不理解其假设，风险极高。
实操交互工具
「决策实验室」是一个只做假设推演的沙盒：调整一个或多个经营旋钮，立即看到收入结果的变化。所有运算在你的浏览器本地完成，不上传服务器。模型为教学简化的示意口径，用于训练决策直觉，不替代真实经营预测。
情境 1 · 房价弹性
调整房价幅度，观察在给定需求弹性下，出租率与 RevPAR 如何变化。
情境 2 · 会员占比
提高会员占比会摊薄门市价，但也带来直连成本节省与复购。先看混合 ADR 的数字账。
情境 3 · 早餐定价
早餐是"含早打包"还是"单独定价"？拖动旋钮看每房每天的毛利贡献。
说明：三个情境均为教学简化模型（线性弹性假设），用于训练"旋钮—结果"的直觉；真实决策需结合本店需求曲线、成本结构与市场数据。
案例思考题
以下题目用于自我检验。前两题建议先独立估算，再进「决策实验室」验证。
- 题 1（房价弹性）：基准 ADR 500 元、出租率 70%、可售 200 间。如果降价 10% 带来出租率升到 78%，RevPAR 是升是降？先心算，再用情境 1 验证（弹性系数调到使结果接近的位置）。
- 题 2（会员占比）：门市价 600 元、会员占比 40%、会员 8 折。混合 ADR 比全部门市价摊薄了多少？讨论：这个"摊薄"是完整账吗？会员还有哪些价值没算进去（直连佣金节省、复购、满意度）？
- 题 3（方法论迁移）：把"需求预测"这道题迁移到你最熟悉的业态（酒店 / 餐饮 / 乐园 / 宴会任选）：你会用哪 3 个数据源、预测哪个指标、误差容忍度是多少？写下你的答案，再对照本页七类问题矩阵看还缺哪个环节。