Πρόβλεψη ζήτησης για εποχικές επιχειρήσεις: πρακτικός οδηγός για ξενοδοχεία, εστιατόρια και λιανική

Πρόβλεψη ζήτησης για μια εποχική επιχείρηση σημαίνει να εκτιμάτε πόσους επισκέπτες, κουβέρ ή τεμάχια θα πουλήσετε κάθε μέρα ή εβδομάδα που έρχεται, ώστε να αποφασίσετε πόσα άτομα θα βάλετε στη βάρδια, πόσα θα παραγγείλετε, τι τιμές θα χρεώσετε και πόσα μετρητά θα χρειαστείτε. Για τα περισσότερα ξενοδοχεία, εστιατόρια και καταστήματα, δύο με τρεις σεζόν ημερήσιων πωλήσεων ή κρατήσεων, ένα ημερολόγιο αργιών και εκδηλώσεων και ένα απλό μοντέλο αρκούν για να νικήσουν το ένστικτο.

Η εποχικότητα στην Ελλάδα είναι ασυνήθιστα έντονη. Σύμφωνα με τη Eurostat, τον Ιούλιο και τον Αύγουστο του 2025 έγινε το 42% των διανυκτερεύσεων στα ελληνικά τουριστικά καταλύματα, έναντι 31% στο σύνολο της ΕΕ, και ο πιο πολυσύχναστος μήνας κατέγραψε περίπου 20 φορές τις διανυκτερεύσεις του πιο ήσυχου. Στον συντελεστή Gini που χρησιμοποιεί η Eurostat για να μετρήσει την εποχικότητα, η Ελλάδα σημείωσε 0,49, έναντι 0,59 για την Κροατία και μέσου όρου ΕΕ 0,25. Όταν η ζήτηση κινείται τόσο απότομα, ένα σφάλμα πρόβλεψης 10% τον Αύγουστο κοστίζει περισσότερο απ’ όσο εξοικονομεί μια τέλεια πρόβλεψη τον Φεβρουάριο.

Ο οδηγός αυτός ξεκινά από τα δεδομένα που χρειάζεστε, περνά από τις μεθόδους, από τις απλές στις προχωρημένες, και φτάνει στους δείκτες ακρίβειας, στις συνηθισμένες παγίδες και σε ένα πλάνο έξι εβδομάδων για να μπει η πρόβλεψη στην καθημερινή λειτουργία.

Σε τι χρησιμεύει στην πράξη μια πρόβλεψη

Μια πρόβλεψη δεν είναι αναφορά. Είναι η βάση για τέσσερις αποφάσεις, η καθεμία με τον δικό της χρονικό ορίζοντα και το δικό της επίπεδο λεπτομέρειας.

• Προσωπικό: πόσα άτομα ανά βάρδια, μία έως τρεις εβδομάδες νωρίτερα, ανά ημέρα και ανά service.
• Απόθεμα και αγορές: πόσα να παραγγείλετε πριν από τον χρόνο παράδοσης του προμηθευτή, συνήθως ημέρες έως εβδομάδες νωρίτερα, ανά προϊόν ή κατηγορία.
• Τιμολόγηση: πότε να ανεβάσετε ή να κρατήσετε τις τιμές, εβδομάδες έως μήνες νωρίτερα. Στα ξενοδοχεία αυτό το καθορίζει ο ρυθμός των κρατήσεων.
• Ταμειακός προγραμματισμός: μηνιαίες προβλέψεις εσόδων και εξόδων για τους επόμενους τρεις έως δώδεκα μήνες, μαζί με τη μεγάλη, ήσυχη περίοδο μετά το τέλος της σεζόν.

Αποφασίστε ποιο από αυτά λύνετε πρώτο. Ένα εστιατόριο που θέλει να διορθώσει το πρόγραμμα βαρδιών χρειάζεται ημερήσια κουβέρ ανά service. Ένα ξενοδοχείο που σχεδιάζει τις προσλήψεις πριν από τη σεζόν χρειάζεται εβδομαδιαίες διανυκτερεύσεις. Σπάνια το ίδιο μοντέλο εξυπηρετεί καλά και τα δύο.

Τα δεδομένα που χρειάζεστε

• Δύο με τρεις σεζόν ημερήσιου ιστορικού: πωλήσεις POS, κουβέρ, διανυκτερεύσεις ή τεμάχια. Μία σεζόν δεν αρκεί για να ξεχωρίσει η εποχικότητα από μια μεμονωμένη χρονιά. Τα εβδομαδιαία σύνολα κρύβουν το μοτίβο της ημέρας της εβδομάδας που χρειάζεστε για τις βάρδιες.
• Πίνακας ημερολογίου: ημέρα της εβδομάδας, σχολικές διακοπές, επίσημες αργίες και τριήμερα.
• Κινητές εορτές: το Ορθόδοξο Πάσχα αλλάζει κάθε χρόνο: 20 Απριλίου το 2025, 12 Απριλίου το 2026 και 2 Μαΐου το 2027. Η Καθαρά Δευτέρα (48 ημέρες πριν) και του Αγίου Πνεύματος (50 ημέρες μετά) μετακινούνται μαζί του. Και οι σταθερές κορυφές, όπως ο Δεκαπενταύγουστος, χρειάζονται σήμανση.
• Καιρός: ημερήσια θερμοκρασία και βροχή για την περιοχή σας. Μετράει πολύ για beach bars, καφέ και βεράντες, λιγότερο για ξενοδοχεία πόλης.
• Τοπικές εκδηλώσεις: φεστιβάλ, συναυλίες, γάμοι, αθλητικές διοργανώσεις, αφίξεις κρουαζιερόπλοιων και νέα δρομολόγια πτήσεων στο κοντινότερο αεροδρόμιο.
• Ρυθμός κρατήσεων (ξενοδοχεία και κρατήσεις τραπεζιών): για κάθε μελλοντική ημερομηνία, πόσα δωμάτια ή τραπέζια είχαν ήδη κλειστεί 7, 14, 30 και 60 ημέρες νωρίτερα. Αυτό το ιστορικό «on the books» είναι συχνά ο πιο ισχυρός προγνωστικός παράγοντας.

Μέθοδοι πρόβλεψης, από τις απλές στις προχωρημένες

Δεν χρειάζεστε machine learning από την πρώτη μέρα. Οι παρακάτω μέθοδοι είναι ταξινομημένες κατά προσπάθεια, και η καθεμία πρέπει να συγκρίνεται με την προηγούμενη. Το δωρεάν εγχειρίδιο Forecasting: Principles and Practice των Hyndman και Athanasopoulos είναι η καλύτερη πηγή αν θέλετε τη θεωρία.

Πότε να ανεβείτε επίπεδο

Περάστε στην επόμενη μέθοδο μόνο όταν ξεπερνά την τρέχουσα σε δεδομένα που δεν έχει δει, με διαφορά που αλλάζει κάποια απόφαση. Ως πρακτικός κανόνας, αν ένα μοντέλο gradient boosting βελτιώνει το WAPE λιγότερο από δύο ποσοστιαίες μονάδες σε σχέση με το ETS, το απλούστερο μοντέλο συνήθως κερδίζει λόγω χαμηλότερου κόστους συντήρησης. Μια πρακτική προειδοποίηση για τα lag features: αν προβλέπετε 14 ημέρες μπροστά, το μοντέλο μπορεί να χρησιμοποιήσει μόνο πωλήσεις τουλάχιστον 14 ημερών πριν. Αν στις δοκιμές χρησιμοποιήσετε τις χθεσινές πωλήσεις, θα δείτε μια ακρίβεια που δεν θα συναντήσετε ποτέ στην παραγωγή.

Γιατί ξεκινάτε πάντα από ένα baseline

Baseline είναι η πρόβλεψη που θα παίρνατε χωρίς καμία εξυπνάδα, συνήθως το εποχικό naive. Αυτό θέτει τον πήχη. Πολλές «προβλέψεις με AI» που πουλιούνται σε μικρές επιχειρήσεις δεν συγκρίνονται ποτέ με ένα baseline, και κάποιες θα έχαναν. Αν το μοντέλο σας δεν νικά το «ίδια μέρα πέρσι», δεν είναι έτοιμο.

Η ίδια πειθαρχία ισχύει για κάθε μοντέλο. Για γενικά προβλήματα σε πινακοποιημένα δεδομένα φτιάξαμε το orya-benchmark-pack, ένα open-source εργαλείο βασισμένο σε notebooks που τρέχει αναπαραγώγιμα baselines με cross-validation πριν από οποιαδήποτε βαθύτερη μοντελοποίηση. Δεν είναι εργαλείο για χρονοσειρές, οπότε για μια πρόβλεψη ο πήχης παραμένει το εποχικό naive baseline, δοκιμασμένο στην πιο πρόσφατη σεζόν. Για μια ευρύτερη εικόνα του πού αξίζουν τα μοντέλα την προσπάθεια, δείτε το κείμενό μας για το AI στις μικρές επιχειρήσεις το 2026.

Μέτρηση ακρίβειας: MAPE, WAPE και bias

• MAPE (μέσο απόλυτο ποσοστιαίο σφάλμα) = μέσος όρος του |πρόβλεψη − πραγματικό| ÷ πραγματικό. Εξηγείται εύκολα, αλλά οι μικρές πραγματικές τιμές το φουσκώνουν.
• WAPE (σταθμισμένο απόλυτο ποσοστιαίο σφάλμα) = άθροισμα του |πρόβλεψη − πραγματικό| ÷ άθροισμα πραγματικών. Δίνει μεγαλύτερο βάρος στις μεγάλες μέρες, όπως και τα χρήματα.
• Bias = άθροισμα (πρόβλεψη − πραγματικό) ÷ άθροισμα πραγματικών. Θετικό σημαίνει ότι υπερεκτιμάτε (σπατάλη, αδρανές προσωπικό)· αρνητικό ότι υποεκτιμάτε (ελλείψεις, ουρές).

Τα απόλυτα σφάλματα αθροίζουν 50 κουβέρ, άρα WAPE = 50 ÷ 500 = 10%. Το MAPE είναι 12%, ανεβασμένο από τη βροχερή Πέμπτη, όπου μια απόκλιση 10 κουβέρ μετράει ως 25%. Bias = −10 ÷ 500 = −2%: μια μικρή υποεκτίμηση. Αναφέρετε WAPE και bias μαζί. Ένα μοντέλο με χαμηλό WAPE αλλά σταθερά αρνητικό bias θα σας αφήνει με λιγότερο προσωπικό ακριβώς τις καλύτερες βραδιές σας.

Παγίδες στην ποιότητα των δεδομένων και validation

• Κλειστές και μισές μέρες: μέρες που ήσασταν κλειστά, μια διακοπή του POS ή μια ιδιωτική εκδήλωση καταγεγραμμένη ως μηδέν θα μάθουν στο μοντέλο ότι η ζήτηση εξαφανίστηκε. Σημειώστε τις και εξαιρέστε τις ή συμπληρώστε τις.
• 2020 και 2021: οι περιορισμοί της πανδημίας κάνουν αυτές τις χρονιές ακραίες τιμές για σχεδόν κάθε ελληνική τουριστική επιχείρηση. Εξαιρέστε τις ή σημειώστε τις ρητά· μην τις αφήσετε ποτέ να ορίσουν το «κανονικό».
• Προσφορές και αλλαγές τιμών: μια εβδομάδα happy hour ή μια μείωση τιμής ανεβάζει πωλήσεις που δεν θα επαναληφθούν. Καταγράψτε τις ως χαρακτηριστικά.
• Ελλείψεις και πληρότητα: οι πωλήσεις δεν είναι ζήτηση. Ένα γεμάτο ξενοδοχείο στις 14 Αυγούστου δείχνει 100% πληρότητα, όχι τους επιπλέον επισκέπτες που αρνηθήκατε.
• Αλλαγές χωρητικότητας: επιπλέον δωμάτια, μια νέα βεράντα ή δεύτερο κατάστημα αλλάζουν το ταβάνι. Προβλέψτε ανά μονάδα χωρητικότητας ή προσθέστε τη χωρητικότητα ως χαρακτηριστικό.

Ελέγξτε την πρόβλεψη με τον τρόπο που θα τη χρησιμοποιήσετε: εκπαιδεύστε σε προηγούμενες σεζόν και δοκιμάστε στην πιο πρόσφατη, στον πραγματικό ορίζοντα. Έπειτα, προστατέψτε τα δεδομένα εισόδου στην παραγωγή. Το open-source orya-guard είναι ένα ελαφρύ επίπεδο validation που ελέγχει datasets και inference payloads και εντοπίζει αλλαγές στο schema, στήλες που λείπουν, απότομη αύξηση των κενών τιμών, διπλές γραμμές και ασυνήθιστες μετατοπίσεις στα νούμερα πριν αλλοιώσουν αθόρυβα την πρόβλεψη της επόμενης εβδομάδας. Τα κενά στο ημερολόγιο, όπως οι μέρες που λείπουν, χρειάζονται δικό τους έλεγχο.

Από την πρόβλεψη στις αποφάσεις

Πρόγραμμα βαρδιών. Μετατρέψτε τα προβλεπόμενα κουβέρ σε προσωπικό με έναν δείκτη παραγωγικότητας που ήδη γνωρίζετε. Για παράδειγμα, αν ένας σερβιτόρος εξυπηρετεί περίπου 30 κουβέρ σε ένα βραδινό service και η πρόβλεψη για την Παρασκευή είναι 165, χρειάζεστε έξι σερβιτόρους, στρογγυλεμένα προς τα πάνω. Χρησιμοποιήστε το πάνω όριο του εύρους πρόβλεψης τις βραδιές όπου η έλλειψη προσωπικού κοστίζει περισσότερο από το πλεόνασμα.

Ποσότητες παραγγελίας. Ένας απλός κανόνας: παραγγελία = προβλεπόμενη κατανάλωση για (χρόνο παράδοσης του προμηθευτή + περίοδο ελέγχου) + απόθεμα ασφαλείας − τρέχον απόθεμα − ποσότητες ήδη σε παραγγελία. Το απόθεμα ασφαλείας πρέπει να μεγαλώνει μαζί με το σφάλμα πρόβλεψης, οπότε μια καλύτερη πρόβλεψη απελευθερώνει άμεσα μετρητά.

Μόλις υπάρξει η πρόβλεψη, βάλτε τη στην ίδια οθόνη με τα πραγματικά νούμερα. Οι KPIs του οδηγού μας για ένα KPI dashboard μικρής επιχείρησης γίνονται πολύ πιο χρήσιμοι με μια γραμμή πρόβλεψης δίπλα τους.

Πλάνο υλοποίησης 6 εβδομάδων

1. Εβδομάδα 1: ορίστε την απόφαση. Διαλέξτε μία χρήση, όπως το πρόγραμμα βαρδιών του εστιατορίου ή την τιμολόγηση του ξενοδοχείου, τον ορίζοντά της και το επίπεδο λεπτομέρειας. Συμφωνήστε πώς θα κρίνετε την επιτυχία.
2. Εβδομάδα 2: συλλογή και καθαρισμός δεδομένων. Εξάγετε δύο με τρεις σεζόν ημερήσιου ιστορικού. Φτιάξτε τον πίνακα ημερολογίου με ημερομηνίες σε σχέση με το Πάσχα, αργίες και εκδηλώσεις. Σημειώστε κλειστές μέρες, προσφορές και τα έτη 2020–2021.
3. Εβδομάδα 3: baseline. Φτιάξτε ένα εποχικό naive και έναν κινητό μέσο όρο. Μετρήστε WAPE και bias στην πιο πρόσφατη σεζόν. Αυτός είναι ο πήχης.
4. Εβδομάδα 4: καλύτερα μοντέλα. Δοκιμάστε ETS και, αν έχετε αρκετούς παράγοντες, ένα μοντέλο gradient boosting με χαρακτηριστικά ημερολογίου, καιρού και ρυθμού κρατήσεων. Κρατήστε μόνο ό,τι νικά το baseline στον πραγματικό ορίζοντα.
5. Εβδομάδα 5: σύνδεση με την απόφαση. Δώστε την πρόβλεψη στη μορφή που χρησιμοποιεί ο υπεύθυνος: φύλλο βαρδιών, πρόταση παραγγελίας, ειδοποίηση τιμολόγησης. Προσθέστε έλεγχο των δεδομένων εισόδου.
6. Εβδομάδα 6: παράλληλη λειτουργία και αξιολόγηση. Χρησιμοποιήστε την πρόβλεψη δίπλα στην υπάρχουσα κρίση για μία ή δύο ολόκληρες εβδομάδες. Συγκρίνετε και τα δύο με τα πραγματικά νούμερα και μετά αποφασίστε αν θα την υιοθετήσετε, θα την προσαρμόσετε ή θα σταματήσετε.

Πώς μπορεί να βοηθήσει η Orya One

Βρισκόμαστε στην Παραλία Κατερίνης, στην καρδιά μιας σεζόν που την ορίζει ο τουρισμός, γι’ αυτό σχεδιάζουμε προβλέψεις γύρω από τις αποφάσεις που παίρνουν πραγματικά οι ιδιοκτήτες: βάρδιες, παραγγελίες, τιμές και ταμείο. Οι υπηρεσίες machine learning που προσφέρουμε καλύπτουν όλη τη διαδρομή, από τον καθαρισμό του ιστορικού σας και ένα τίμιο baseline μέχρι την εγκατάσταση ενός ελεγμένου μοντέλου. Τα open-source εργαλεία που αναφέραμε είναι τα ίδια που χρησιμοποιούμε για να κρατάμε τη διαδικασία αναπαραγώγιμη, και η επιλεγμένη δουλειά μας δείχνει τι έχουμε φτιάξει.

Αν έχετε μερικές σεζόν πωλήσεων ή κρατήσεων και θέλετε να μάθετε αν μια πρόβλεψη θα έβγαζε τα λεφτά της, στείλτε μας μια σύντομη περιγραφή. Θα σας πούμε ευθέως αν τα δεδομένα σας είναι έτοιμα και ποια μέθοδος αξίζει να δοκιμαστεί πρώτη.