بهبود مدیریت درآمد در صنعت هتلداری با بهره گیری از شبکه عصبی مصنوعی در تعیین پارامتر احتمالی یک مدل رزرو مازاد

نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
بهره گیری از مدل های مدیریت درآمد در صنایع مختلف رو به افزایش است. این افزایش در بهبود عملکرد و سودآوری این مدل ها در کسب و کارها ریشه دارد. یکی از کسب و کارهای پراهمیت در این حوزه، صنعت هتلداری است که دارای فرایند رزرو و متغیرهای تصادفی ناشی از آن است. مدل کلاسیک رزرو مازاد، یک مدل مرسوم در مدیریت درآمد تلقی می شود که تلاش می کند بین تعداد مشتریان حاضر در سرویس مورد نظر و تعداد مشتریان غایب (No-Show) تعادل ایجاد کند. این مدل فرصتی ایجاد خواهد کرد تا بتوان با مطالعه توابعی که توزیع حضور مشتریان را به صورت احتمالی بیان می کنند، تعدادی مشتری مازاد را به سیستم اضافه کرد و عملا از نبود مشتریان غایب نیز درآمد کسب کنند. در این پژوهش، با به کار بستن شبکه عصبی مصنوعی با عنوان ابزاری در تخمین تعداد مشتریان غایب، تابع احتمال دوجمله ای که در مدل رزرو مازاد به کار رفته، بهبود داده شده و پارامتر احتمالی آن به طور دقیق تری برآورد شده است. این امر ناشی از برازشی است که شبکه عصبی پرسپترون یک یا چندلایه در زمینه شاخص های موثر در حاضرشدن یا نشدن مشتریان ایجاد خواهدکرد. بنابراین، این توانایی ایجاد خواهد شد که مدلی پویا را برای هر بار فروش و رزرو مشتریان در بنگاه ایجاد کنیم که پارامتر احتمال حضور یا غیبت مشتریان با در نظر گرفتن شاخص های تاثیرگذار برآورده شود.
زبان:
فارسی
صفحات:
87 تا 106
لینک کوتاه:
magiran.com/p1790169 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!