The Art of the Sellout Deel 2: tariefevolutie
:format(webp))
Duik met Daniel Foreman en Brandon Burtis van Pacifica Hotels in de complexiteit van tariefevolutie. Deze aflevering ontrafelt dynamische prijsstrategieën en laat zien hoe je met realtime aanpassingen van je kamertarieven een flinke omzetgroei realiseert. Aan de hand van praktische scenario's leer je hoe je tarieven bepaalt en aanpast om concurrerend te blijven en je winst te maximaliseren. Zo wordt tariefbeheer een krachtig instrument voor succes.
In deel 2 gaan we ons amuseren met het aspect van revenue management dat het meest met ons vak geassocieerd wordt: onze tariefstrategie aanpassen.
In deze aflevering was Brandon Burtis te gast, VP of Revenue Management bij Pacifica Hotels, de grootste eigenaar en uitbater van boetiekhotels aan de Amerikaanse westkust!
Als we het figuurlijke vliegtuig vlot aan de grond willen zetten, beginnen we best met een sleutelbegrip dat we onderweg nodig hebben. Dat begrip is tariefevolutie: simpelweg hoe kamertarieven in de loop van de tijd veranderen.
Je kunt tariefevolutie analyseren voor één hotel, voor een hele markt of voor de hele sector. Bekijk bijvoorbeeld ons recentste rapport over het effect van de Olympische Spelen op de markt in Parijs, en dan vooral deze grafiek:
Dit is een mooi voorbeeld van marktbrede tariefevolutie, die toont hoe tarieven in de loop van de tijd “evolueren”. De X-as toont de “dagen tot aankomst”.
Net als in Deel 1 laat ik je eerst een paar conceptuele curves van tariefevolutie zien. Zodra je ze ziet, begrijp je waarschijnlijk meteen wat er bij elk ervan aan de hand is (maar geen zorgen, anders geef ik wat extra uitleg).
Laten we dus een klein scenario uitspelen…
Stel dat je revenue manager bent in een succesvol hotel. Je zit in een dynamische markt met een drukke evenementenkalender. Het is een routinedag en je bent ijverig aan het werk, wanneer je plots een melding krijgt.
"ping'"
Er is net een groot evenement aangekondigd. Het is een belangrijke demand driver en het vindt over ongeveer een jaar plaats!
Gebruik hier gerust je verbeelding: misschien is het de Super Bowl, de Big Tech Corporate Conference ™ of een grote vogelspottersconventie (wie ben ik om te oordelen). Waar het om gaat: dit wordt een echt groot evenement!
Stel dat we wat te agressief worden en ons tarief tot in de stratosfeer opdrijven, tot $1000 (terwijl onze compset misschien maar rond de $500 zit).
De hebzuchtcurve
Wat gebeurt er als we te hoog prijzen?
Dit fenomeen besprak ik al in een recent artikel over veelgemaakte fouten in revenue management.
Vaak zetten wij revenue managers ofwel een te hoog “dummytarief” om onze inventaris af te schermen, ofwel prijzen we gewoon volledig onrealistisch, in de hoop dat we als bij toverslag een sterke pickup krijgen.
Uit ervaring weet ik wat er dan gebeurt. Bekijk de curve van de tariefevolutie hieronder en let op wat er gebeurt:
:format(webp))
Merk op dat ons hotel heel lang op een onrealistisch prijspunt blijft. Ondertussen hanteert de compset een redelijker verkooptarief.
Naarmate de tijd verstrijkt, dwingt een gebrek aan pickup ons om ons tarief op het laatste moment te verlagen om toch nog bezetting binnen te halen. Dat is bijna altijd een verliezende strategie.
Merk ook op dat de compset in de laatste dagen voor aankomst de kans krijgt om het tarief op te drijven. Dat is het voordeel van een logische prijsstrategie (zij bouwden een goede basisbezetting op, terwijl wij gasten wegjoegen!)
We zijn het er volgens mij allemaal over eens dat wat ik hierboven de “hebzuchtcurve” noem, een weinig optimale strategie is.
In mijn podcastinterview maakte Brandon een sterk punt over de “hebzuchtcurve”: wanneer revenue managers deze fout maken, komt dat meestal door blind optimisme en een verkeerde inschatting van hoeveel vraag er is:
“Het is eerder een optimistische [curve]... je hoopt dat er zoveel vraag zal zijn dat je kunt volhouden op $699 met een minimumverblijf van 5 nachten [als restrictie]. Maar naarmate de datum dichterbij komt, moet je natuurlijk onder ogen zien wat de vraag in werkelijkheid oplevert, en dat is niet zo hoopgevend als je had gewild.”
Ik vind dit een goed punt van Brandon, want zelfs de besten onder ons maken af en toe zulke optimistische fouten, en vaak is een verkeerde inschatting van de vraag de grote boosdoener.
Herinner je je de grafiek over de Olympische Spelen in Parijs aan het begin van deze blog? Momenteel zit de markt in Parijs duidelijk vast in de “hebzuchtcurve”, waarschijnlijk om de reden die Brandon noemde!
De onderprijzingscurve
Laten we het scenario nog eens afspelen, maar nu met een totaal andere aanpak…
"ping"
Het grote evenement wordt aangekondigd, maar in plaats van te hoog te prijzen, laten we ons tarief deze keer te laag.
:format(webp))
Dit is het andere uiterste van het spectrum, dat we de “onderprijzingscurve” kunnen noemen.
Dit patroon in de tariefevolutie zie je vaak wanneer een hotel de aankondiging van een evenement mist of sterke vraagindicatoren onderschat.
Ik heb zelfs een paar “x’en” in de curve gezet om de zeer waarschijnlijke sellouts te simuleren die zouden optreden als dit een echt voorbeeld was!
Uit ervaring kan ik zeggen: deze curve is de ergste nachtmerrie van elke revenue manager!
Merk op dat de compset, nadat ons hotel te vroeg uitverkocht is, het tarief kan blijven opdrijven en alle vraag kan opvangen die het voorbeeldhotel niet meer kon aannemen, tegen veel hogere tarieven.
In de podcastaflevering kon ik Brandon vragen of hij de “onderprijzingscurve” ooit had meegemaakt. Dit was zijn antwoord:
“De meeste mensen waarschijnlijk wel. Wanneer je nieuw bent in een hotel of een markt, ken je misschien nog niet alle demand generators, of duikt er iets op dat niet op je radar stond tot het helaas misschien te laat is!”
Nog een sterk punt van Brandon, want hij heeft zeker gelijk: de paar keer dat ik deze fout zelf maakte, was toen er een evenement werd aangekondigd waar ik gewoon niet op voorbereid was.
Een paar jaar geleden had een nieuw muziekfestival in Austin bijvoorbeeld zijn eerste editie, en het hotel waarmee ik werkte, was in ongeveer 24 uur uitverkocht, tijdens een weekend! Ik lig er nog altijd wakker van.
Hoe ziet een goede curve van tariefevolutie er dan uit, vraag je je af?
De boekingscurve die precies goed zit
Laten we ons scenario nog eens afspelen: we zijn revenue manager en werken zonder zorgen in ons dynamische hotel, en dan…
"ping"
We krijgen een melding over het grote evenement volgend jaar.
:format(webp))
Deze keer hebben we onze kaarten wel goed gespeeld.
Met een combinatie van rate shopping-tools, tools voor vraaganalyse, misschien een BI-oplossing of zelfs een benchmarkingtool drijven we het tarief op een logische manier op naarmate de aankomstdatum dichterbij komt.
Wil je een voorbeeld uit de praktijk zien van hoe deze curve eruitziet? Laten we dan kijken naar een echt hotel dat Rate Insight gebruikt.
Dit hotel in een zeer dynamische markt had een heel sterke curve van tariefevolutie die meteen mijn aandacht trok.
Een voorbeeld uit de praktijk van een prijscurve die precies goed zit
Ons voorbeeldhotel is weergegeven in het donkerblauw, samen met de rest van de compset.
Een “perfecte” curve van tariefevolutie bestaat niet, maar dit is wel het soort vorm waar revenue managers naar zouden moeten streven.
Het uiteindelijke verkooptarief van het hotel lag veel hoger dan 30 dagen voor aankomst, met een sterk stijgende prijstrend in de loop van de tijd.
Een voorbeeld uit de praktijk van de boekings- en prijscurve
Om te tonen hoe de boekingscurve en de prijscurve samenwerken, zie je hier de bijbehorende boekingscurve voor dezelfde nacht, opnieuw in de ‘pace’-grafiek van Rate Insight.
Dit was een heel stabiele boekingscurve, met als enige grote sprong die op precies 30 dagen voor aankomst. Wat ik interessant vind, is dat onze revenue manager voet bij stuk hield en niet overdreven reageerde op die sprong in bezetting!
Dan de compset, en die verdient wel wat lof: deze markt lijkt in de aanloop naar de aankomstdatum behoorlijk gedisciplineerd te zijn geweest. Slechts 1 hotel verlaagt zijn tarief in de laatste 2 dagen voor aankomst. Onze lichtlavendelkleurige concurrent is ongeveer 8 dagen vooraf uitverkocht, maar zoals we in deze reeks leren, is dat niet per se slecht.
Terug naar ons hotel: op deze manier prijzen vroeg ongetwijfeld wat lef, maar het loonde. Het hotel bleef gestaag een basisbezetting opbouwen, en de revenue manager begon in de laatste 9 dagen voor aankomst echt het maximum uit het tarief te halen.
In die laatste 9 dagen gaat het hotel van 75% naar een perfecte sellout op de dag van aankomst.
Dames en heren, een applaus voor onze revenue manager met diamond hands!
:format(webp))
Belangrijkste inzichten
Naast prijszetting kwamen in mijn interview met Brandon nog veel andere interessante onderwerpen aan bod: omzet maximaliseren, de perfecte sellout realiseren en de data analyseren om tot de juiste prijs te komen. Bij Pacifica legt Brandon sterk de nadruk op:
Boekingsvensters per kanaal en segment analyseren, zodat je die gasten kunt binnenhalen tegen de hoogst mogelijke ADR, op het piekmoment in hun boekingspatroon.
Andere segmenten en promotiestrategieën met een aantrekkelijke prijs inbouwen, zoals niet-restitueerbare advance purchase-tarieven om mogelijke annuleringen in andere segmenten op te vangen.
Andere aanvullende mogelijkheden aanbieden naast het basistarief, over het hele gasttraject, om de omzet te maximaliseren (arrangementen, voorzieningen, enzovoort).
Heb je de aflevering nog niet beluisterd? Doe dat dan zeker!
Laten we deze aflevering afronden en het eenvoudig houden, want er is volgens mij een heel voor de hand liggende oefening die ons allemaal betere revenue managers maakt. Probeer dit:
Log in op Rate Insight en maak een grafiek van de tariefevolutie voor 5 of 10 van je recente technische sellouts (nachten met meer dan 95% bezetting).
Analyseer de vorm van je curve van tariefevolutie. Ben je een revenue manager van de hebzuchtcurve? Een “onderprijzer”? Of prijs je al ongeveer waar je zou moeten zitten? Verklaart de vorm van je curve waarom je op sommige nachten de sellout misliep?
Bij het schrijven van deze blog en het script van de podcast steunde ik voor deze aflevering vooral op twee tools: Business Intelligence en Rate Insight.
Wil je meer weten over deze producten of over onze andere oplossingen? Neem dan hier contact met ons op!
:format(webp))
:format(webp))