Prediksi Booking yang Bakal Batal: Skor 5 Sinyal Tanpa Software Mahal
Banyak buku Revenue Management bilang predictive analytics itu urusan tim data scientist, model machine learning, dan software jutaan rupiah per bulan. Wajar kalau pemilik hotel 10-50 kamar langsung menutup bukunya di bab itu.
Tapi di hotel kecil Indonesia, pertanyaan yang paling mahal sebenarnya bukan "berapa harga besok". Pertanyaannya: dari booking yang sudah masuk, mana yang bakal batal?
Ini lho yang menarik. Anda tidak butuh machine learning untuk menjawab itu. Anda butuh satu kebiasaan: memberi skor pada setiap booking baru, lalu membaca polanya. Hasilnya sama-sama uang — kamar yang tadinya kosong jadi bisa dijual, dan Anda berhenti overbook buta-buta.
Bayangkan layar tanggal 12 Desember
Coba bayangkan Anda lagi lihat kalender hotel: 22 kamar, tanggal 12 Desember (Jumat), 19 kamar sudah terjual, sisa 3. Dulu, di titik ini pemilik hotel biasanya bingung. Overbook atau tidak? Kalau tidak, risiko 2 kamar kosong. Kalau iya, risiko harus merelokasi tamu ke hotel lain — mahal dan bikin nama jelek.
Padahal jawabannya bisa dihitung: dari 19 booking itu, 2 kamar secara statistik memang akan batal atau no-show. Bukan feeling, tapi angka. Dan angka itu keluar dari lima sinyal sederhana di bawah.
5 sinyal yang menandai booking berisiko
Ambil data enam bulan terakhir dari ekstranet OTA dan buku tamu Anda. Lalu beri bobot untuk setiap booking baru:
| Sinyal | Kenapa berisiko | Bobot |
|---|---|---|
| Booking lebih dari 30 hari sebelum check-in | Terlalu banyak waktu untuk berubah pikiran | 2 |
| Belum ada DP atau konfirmasi ulang | Tidak ada uang yang dipertaruhkan | 2 |
| Tarif fleksibel (bisa batal gratis) | Pintu keluar terbuka lebar | 2 |
| Tamu baru, belum pernah menginap | Belum ada keterikatan | 1 |
| Tanggal jatuh di periode ramai | Tamu bisa pindah ke hotel lain yang lebih murah | 1 |
Total maksimal 8 poin. Semua bisa dikerjakan di Google Sheets dengan rumus IF biasa, diisi resepsionis saat booking masuk. Lima menit per booking, tidak lebih.
Tiga zona, tiga cara menangani
Skor saja tidak berguna kalau tidak jadi keputusan. Pecah jadi tiga zona, lalu hitung berapa yang biasanya hilang di tiap zona dari data historis Anda sendiri:
| Skor | Zona | Rata-rata batal (contoh) | Tindakan |
|---|---|---|---|
| 0-2 | Aman | 4% | Jangan ganggu, catat saja |
| 3-5 | Waspada | 11% | Kirim pengingat WhatsApp H-7 |
| 6-8 | Risiko tinggi | 24% | Telepon + minta DP hari ini |
Angka 4%, 11%, dan 24% di atas bukan angka suci — itu hasil hitung dari data satu hotel. Hotel Anda akan punya angka sendiri, dan justru itu yang membuat skor ini berharga. Setelah dua bulan mencatat, Anda punya wash factor per tanggal, bukan lagi asumsi "semua booking 10% batal" yang dipakai rata.
Kembali ke tanggal 12 Desember
Dengan skor, 19 booking itu pecah jadi: 5 berisiko tinggi, 4 waspada, 10 aman.
Ekspektasi yang hilang = (5 × 24%) + (4 × 11%) + (10 × 4%) = 2 kamar.
Sekarang keputusannya jelas:
- Jual 1 kamar ekstra, bukan 2. Buffer 1 kamar karena malam Jumat relokasi mahal.
- Telepon 5 booking berisiko tinggi hari ini, minta DP atau konfirmasi tertulis. Sekitar 30% biasanya langsung transfer — sisanya jujur bilang batal, dan itu kabar bagus karena Anda masih punya waktu menjual kamarnya.
- 4 booking waspada cukup dikirimi pengingat WhatsApp, tidak perlu ditelepon.
Satu kamar tambahan di malam Jumat dengan ADR Rp 650 ribu = Rp 650 ribu masuk tanpa tambahan biaya operasional berarti. Kalau pola ini muncul di sekitar 9 tanggal per bulan, tambahannya sekitar Rp 5,85 juta per bulan. Okupansi bulan itu bergerak dari 68% (449 dari 660 kamar-malam) ke 69,4% (458 kamar-malam), dan RevPAR dari Rp 442 ribu ke sekitar Rp 451 ribu.
Biaya yang dikeluarkan? Sekitar 45 chat dan telepon per bulan, kira-kira 4 jam kerja resepsionis. Itu saja.
Ilmu course vs realita hotel kecil
Course mengajarkan predictive analytics dengan regresi, data pelanggan dalam jumlah besar, dan integrasi PMS. Untuk hotel 22 kamar, tiga hal itu tidak realistis — dan tidak perlu.
Yang perlu diadaptasi:
- Datanya cukup 6 bulan, bukan 5 tahun. Hotel kecil sering baru ganti manajemen atau sistem, jadi data lama tidak relevan.
- Prediksi yang berguna bukan "okupansi bulan depan", tapi "booking mana yang akan hilang minggu ini". Yang kedua langsung bisa ditindak.
- Jangan pakai skor untuk menolak tamu. Skor tinggi bukan alasan menaikkan harga sepihak atau mencurigai tamu. Skor itu alat kerja internal Anda.
- Selalu hitung ulang setelah dua bulan. Pola berubah saat musim berganti; bobot sinyal yang pas di low season bisa salah di high season.
Dan ingat, overbooking tetap punya batas. Skor membantu Anda berani sedikit lebih agresif, bukan menghapus risiko relokasi. Baca juga cara menghitung wash factor dan batas aman overbook sebelum menaikkan angka.
Kalau nanti ekspektasi batal ternyata tidak terjadi dan kamar benar-benar kosong jam 6 sore, Anda sudah punya urutan keputusan sendiri: tahan harga atau jual murah.
Mulai minggu ini
Tiga langkah, semuanya gratis:
- Buat satu spreadsheet: nomor booking, tanggal, channel, lead time, status DP, jenis tarif, tamu baru/lama, skor, hasil akhir (datang/batal/no-show).
- Isi skor untuk 20 booking terakhir sebagai latihan — biasanya langsung kelihatan mana yang memang batal.
- Terapkan H-7 untuk booking berskor 6 ke atas, dan evaluasi setelah 8 minggu.
Tidak ada software baru, tidak ada langganan bulanan. Yang berubah cuma satu: Anda berhenti menebak, dan mulai menghitung. Untuk melengkapi gambaran besarnya, baca juga strategi no-show dan kebijakan pembatalan supaya skor ini nyambung dengan aturan DP di hotel Anda.