酒店传统的经营指标是客房出租率和平均房价。传统经营指标的缺陷是没有考虑房价与出租率的关系。单独考量这些指标都无法正确判断酒店的经营效果。收益管理的理论及其收益的衡量指标，则有效地避免了上述局限。酒店收益管理的衡量指标主要有如下几种。
（一）单房收益（RevPAR）
RevPAR是Revenue Per Available Room的缩写，即每间可供出租房产生的平均实际营业收入。
RevPAR=实际客房营业额/可售客房数
=实际平均房价×客房出租率
由于酒店客房产品的不可存储性，将出租率和平均房价结合起来，能更好地分析酒店的经营绩效，寻找出租率和平均房价的最佳结合点，从而实现客房收入最大化的目标。诚如希尔顿酒店集团市场营销总监所言：“收益是‘希尔顿’的生命，平均房价和客房出租率早已被收益所取代。”
如：A酒店有客房200间，公布房价200元。某日销售客房100间，房费收入16000元。则：
RevPAR=实际客房营业额/可售客房数
=16000/200
=80（元）
或
=实际平均房价×实际出租率
=16000/100×100/200
=160×50%
=80（元）
（二）客房收益率（PAR）
客房收益率是指酒店每天的实际客房销售额收入与潜在的客房销售收入之间的比例。潜在的客房销售收入是指酒店通过客房出租所能获得的最大客房收入，也就是客房数和公布房价的乘积。
客房收益率=实际客房销售额/潜在客房销售额×100%
=出租率×房价实现率
如：酒店有客房200间，公布房价200元。某日销售客房100间，房费收入16000元。则：
实际客房销售额=16000元
潜在客房销售额=200间×200元=40000元
客房出租率=100间/200间×100%
=50%
房价实现率=16000元/（100间×200元）×100%
=80%
客房收益率=出租率×房价实现率(www.xing528.com)
=50%×80%
=40%
（三）市场渗透指数（MPI）
市场渗透指数指酒店的平均出租率与竞争市场平均出租率的比率，该指数表示酒店在竞争对手中的获客能力。
市场渗透指数=酒店的出租率/竞争市场平均出租率×100%
市场渗透指数评估原则：指数高于100%，表示酒店的获客能力（销售能力）高于竞争对手；指数低于100%，则表示酒店的获客能力低于竞争对手。
（四）平均房价指数（API）
平均房价指数指酒店的平均房价与竞争市场平均房价的比率。
平均房价指数=酒店的平均房价/竞争市场平均房价×100%
平均房价指数评估原则：指数高于100%，表示酒店的平均房价高于竞争对手；指数低于100%，则表示酒店的平均房价低于竞争对手。
（五）收益产生指数（RGI）
收益产生指数指酒店的单房收入与竞争市场平均单房收入的比率。
收益产生指数=酒店单房收入/竞争市场平均单房收入×100%
竞争市场平均单房收入=竞争市场酒店客房总收入/竞争市场酒店可售房间总数
收益产生指数评估原则：指数高于100%，表示酒店当前价格政策与经营策略优于竞争对手；指数低于100%，表示酒店的价格政策与经营策略需要及时调整。
知识链接 疫情影响下的酒店收益管理工作应当何去何从？
1.数据量化帮助酒店精准预测市场需求
酒店在预测未来市场趋势的过程中，遇到的最大问题是无法对外部市场信息进行量化，无法实时掌握诸如2020年疫情这类变化莫测的市场环境，以及单纯依靠人工经验判断所造成的预测误差。要想解决这些问题，酒店首先需要了解需求漏斗原理，从产生市场需求到最终预订酒店的过程就像一个漏斗，经过出行意愿、消费意愿和消费决策的层层筛选，最终就可以得到本酒店的无限制市场需求预测。例如，交通大数据具有天然的提前性，对于它的量化可以准确推测出潜在住客的出行意愿。同理，对酒店历史数据、OTA大数据、展会数据等也可以进行量化，做到让消费者的需求趋势有迹可循，都被量化出来，并通过基于大数据的AI预测模型，就可以更精准地预测酒店需求、出租率等，实现预测结果的优化。
2.基于大数据的AI模型帮助酒店优化价格
疫情使酒店竞争环境愈发激烈，行业内的削价竞争存在发生的可能，竞争的结果不但不会刺激收益提升，反而会导致酒店正常的价格体系以及行业市场秩序被破坏，虽然酒店都想得到制定价格的最优解，但是传统的方法很难做到。因为除了需要量化数据之外，酒店价格策略的优化需要遵循互动反馈机制，明确用以衡量价格变化对需求量影响程度的需求价格弹性指数。当收益经理根据市场预测调整定价后，消费者会立即对价格做出反应，这些人为难以捕捉的动态需求量变化很难通过人工方式获取。这种情况下，酒店该如何切实有效地进行价格再优化呢？答案是，基于大数据的AI模型可以精确地捕捉到价格变化所带来的需求变动并通过需求价格弹性双向模型的循环去无限逼近最优解。
基于量化的数据，“头脑丰盈”的AI利用深度神经网络在上千万甚至上亿的数据维度上进行模型的建立和最优结果的搜索和优化，并对酒店和消费者进行模拟，进行一次又一次的博弈，使用生成对抗网络进行动态定价。在这个基于现实的虚拟实战中寻求最佳解的过程，也就得出了酒店的最佳收益决策。是否调价？调至什么价格？诸如此类的问题，都会由动态运算给出动态定价的答案。在这个过程中，大数据是物质基础，反馈提供了模型实时更新的基础，对抗解决了数据量扩张的实际问题，从而让定价决策变得有理有据。
3.精准定位竞争圈锁定价格优势
酒店想要在竞争圈建立价格优势，找到自己真实的竞争对手至关重要。那么，从数据的角度寻找竞争对手会有什么意想不到的收获吗？先来看携程的一组数据，有一个客人选择一个机票和一个酒店，浏览了300多个不同的页面，100多家酒店，横跨了3个城市，最终预订了一张机票和一家酒店。为什么？因为他的出游并没有确定目的地，这种不确定性现象在疫情影响下将表现得更加突出。面对消费者如此复杂的选择过程，想要真正意义上找到与自己酒店存在客源竞争的酒店，就需要我们把这些复杂的关系量化。
从数据角度来看，平均状态下一个酒店可能会跟700家酒店产生这样的线条关系，700家酒店是你可能的竞争对手，这700家酒店两两之间产生竞争关系是会形成49万个竞争关系强弱，这基本上是不可以靠人来判断的，但大数据的AI模型却可以做到精准的定位，跟踪你真正对手酒店的价格变动，从而进行有的放矢的营销策略调整和产品优化。
（资料来源：http://www.pchotelcms.com/news/1087.html.）
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
