民宿销售数据基础：数据来源、字段解读与清洗整理
销售数据复盘的第一步，不是急着做图表、算指标，而是先搞清楚“数据从哪里来、每个字段到底代表什么、拿到的数据能不能直接用”。很多民宿运营者打开OTA后台或PMS系统，面对几十个字段、上千行订单记录，往往感到无从下手。本章将系统拆解民宿销售数据的四大来源、核心字段的业务含义，以及一套可落地的数据清洗与整理流程，帮助你建立“干净、可信、可分析”的数据底座。
2.1 数据来源：四大渠道的定位与互补
核心原理：没有单一系统能覆盖全部销售数据
民宿的销售数据天然分散在多个系统中。PMS（物业管理系统）记录的是“内部运营事实”——订单状态、房态变化、房价、入住人信息；OTA后台记录的是“渠道流量与转化”——曝光量、浏览量、预订量、点评数据；Excel台账则承载了线下订单、特殊折扣、临时加床等非标信息；BI工具本身不产生数据，而是将上述数据整合为可视化看板。理解这四者的关系，是数据复盘的基础。
| 数据来源 | 核心数据内容 | 优势 | 局限 | 典型使用场景 |
|---|---|---|---|---|
| PMS系统 | 订单、房态、房价、财务结算、客史档案 | 数据准确、口径统一、实时性强 | 不含渠道流量数据；不同PMS字段命名差异大 | 月度财务结算、入住率统计、客单价分析 |
| OTA后台 | 曝光、浏览、预订转化、点评、排名 | 反映渠道流量质量与竞争表现 | 各OTA字段口径不一致；数据不可导出历史明细 | 渠道效果评估、流量转化漏斗分析 |
| Excel台账 | 线下订单、手工调整、渠道对账、杂费记录 | 灵活补充系统外数据 | 依赖人工维护、易出错、无实时性 | 月度对账、特殊订单追溯、成本核算 |
| BI工具 | 聚合指标、趋势图、对比分析、预测模型 | 跨源整合、可视化呈现、支持决策 | 需要前期数据建模；工具本身不产生原始数据 | 经营日报、周报、月度复盘、年度趋势 |
操作流程：建立“PMS为主、OTA为辅、Excel补漏、BI整合”的数据采集机制
- 确定主数据源：以PMS作为订单和财务数据的唯一权威来源，所有渠道订单最终都要在PMS中生成或同步。
- 定期导出OTA数据：每周从各OTA后台导出曝光、浏览、预订、点评等明细数据，按日期和房型维度存档。
- 规范Excel台账：设计统一模板，要求前台每日填写线下订单、渠道调整、特殊备注等信息。
- 建立BI数据模型：将上述三部分数据按日期、渠道、房型三个维度进行关联，形成可复用的分析宽表。
案例拆解：某城市民宿的“数据打架”问题
某民宿有12间客房，同时上线美团、携程、飞猪三个OTA渠道，并使用某国产PMS系统。月初复盘时发现：PMS显示当月入住率78%，但美团后台显示“出租率”为85%，两者相差7个百分点。经排查发现：美团后台的“出租率”分母是“可售间夜数”，而PMS的“入住率”分母是“总房量×天数”，两者口径不同——美团将维修房、自用房排除在分母之外。最终统一采用PMS口径，并在Excel台账中增加“不可售房量”字段，才解决了数据不一致的问题。
2.2 数据字段解读：从原始字段到业务含义
核心原理：字段是数据的“语言”，读懂字段才能读懂业务
一份订单记录通常包含20-40个字段，但并非所有字段都值得分析。我们需要将字段分为五类：订单标识类、时间类、渠道类、财务类、客史类。每一类字段在复盘中有不同的用途。例如，时间类字段可以拆解出“提前预订天数”“入住时长”等关键指标；财务类字段则直接决定收入核算的准确性。
| 字段类别 | 典型字段 | 业务含义 | 复盘用途 |
|---|---|---|---|
| 订单标识 | 订单号、PMS订单ID、渠道订单号 | 唯一识别一笔订单 | 去重、关联、追踪 |
| 时间类 | 下单时间、入住时间、离店时间、取消时间 | 记录订单生命周期 | 计算提前预订天数、入住时长、取消率 |
| 渠道类 | 渠道名称、子渠道、业务员 | 订单来源归属 | 渠道贡献度分析、佣金核算 |
| 财务类 | 挂牌价、折扣价、实收金额、佣金、押金 | 收入与成本构成 | ADR（平均房价）、RevPAR（每间可售房收入）、佣金率 |
| 客史类 | 入住人姓名、手机号、来源地、会员等级 | 客户画像与偏好 | 复购率分析、客源地营销 |
判断方法：识别“脏数据”的常见信号
- 空值：订单号为空、入住时间为空、金额为0等。
- 重复值：同一订单号出现多次，可能是系统同步重复或手工重复录入。
- 异常值：房价为负数、入住时间早于下单时间、离店时间早于入住时间。
- 格式不一致：日期格式有“2024-01-01”和“2024/1/1”两种；手机号有11位和带区号两种。
- 逻辑矛盾：订单状态为“已入住”但离店时间为空；渠道为“直连”但佣金不为0。
实战场景：从OTA后台导出数据的字段映射
以携程Ebooking后台为例，导出的订单明细中，“订单金额”字段包含房费、加床费、早餐费、服务费等多项费用，而PMS中的“实收金额”可能只包含房费。如果直接对比两个字段，必然产生差异。正确做法是：在Excel中建立“字段映射表”，将OTA的“订单金额”拆分为“房费”“加床费”“其他费用”三个子字段，再与PMS的对应字段进行匹配。
字段映射表示例（携程 → 内部标准）：
携程“订单金额” → 内部“订单总金额”
携程“房费” → 内部“房费收入”
携程“加床费” → 内部“其他收入-加床”
携程“优惠金额” → 内部“折扣金额”
携程“佣金比例” → 内部“佣金率%”
携程“入住日期” → 内部“入住日期”（格式统一为YYYY-MM-DD）2.3 数据清洗与整理方法：从原始数据到分析宽表
核心原理：清洗是“减法”，整理是“加法”
数据清洗解决的是“不能用的数据”问题——去重、补缺、纠错；数据整理解决的是“不好用的数据”问题——新增计算字段、标准化维度、生成汇总表。两者结合，才能形成一份高质量的分析数据集。对于民宿行业，建议使用Excel Power Query或Python Pandas进行清洗，前者适合非技术背景的运营者，后者适合有编程能力的团队。
操作流程：五步清洗法
- 第一步：去重——以“订单号+渠道”为唯一键，删除完全重复的记录。
- 第二步：缺失值处理——对于关键字段（如入住时间、金额），缺失则标记为“待核查”；对于非关键字段（如客史备注），缺失可保留为空。
- 第三步：格式标准化——统一日期格式、金额保留两位小数、手机号统一为11位、渠道名称统一为“美团”“携程”“飞猪”“直连”“线下”五类。
- 第四步：异常值修正——对房价为负、入住时间早于下单时间等逻辑错误进行修正或剔除。
- 第五步：新增计算字段——生成“入住时长”“提前预订天数”“订单金额-佣金=净收入”等派生字段。
案例拆解：一次完整的月度数据清洗过程
背景与约束：某民宿（20间客房）使用某国产PMS，同时运营美团、携程两个OTA渠道，另有少量线下直客。月度复盘需要计算各渠道的RevPAR、ADR、佣金率、取消率等指标。原始数据包含PMS导出的订单表（约600行）和两个OTA后台导出的订单表（各约300行）。
初始现象：PMS订单表中存在12条重复记录（同一订单号出现两次）；美团导出的日期格式为“2024/3/5”，而PMS为“2024-03-05”；有3笔订单的实收金额为0（可能是测试订单或退款未处理）；携程订单中有5笔“佣金比例”字段为空。
分析判断过程：首先，以“PMS订单号”为唯一键，删除重复的12条记录，保留最早创建的一条。其次，将美团日期格式统一为“YYYY-MM-DD”。对于实收金额为0的订单，逐一核对PMS中的订单状态——确认其中2笔为已取消订单，1笔为“担保未入住”订单，全部标记为“无效订单”并从分析数据集中剔除。对于佣金比例为空的携程订单，按携程默认佣金率15%填充，并添加“佣金估算”标记。
实际操作步骤：在Excel中建立“清洗日志”工作表，记录每一步操作的数量和原因。使用Power Query将三个数据源合并为一张宽表，新增“净收入=实收金额-佣金”字段，并生成“月份”“渠道”“房型”三个维度字段。
结果对比：清洗前，三个数据源合计约1200行；清洗后，有效分析数据为1150行。清洗前，PMS入住率与OTA出租率相差7个百分点；清洗后，统一口径计算出的入住率为76.5%，与美团后台的“出租率”差异缩小到1个百分点以内（差异来自不可售房量的统计时点）。
风险与代价：清洗过程中剔除了3笔“无效订单”，但其中1笔实际产生了线下补款，导致当月收入少计200元。复盘经验：对于金额为0的订单，不能直接剔除，必须先与财务核对。
总结复盘：数据清洗的“三个不要”
- 不要等到月底才清洗——建议每周进行一次小清洗，每月进行一次大清洗。
- 不要只依赖自动化工具——工具能处理格式问题，但业务逻辑判断（如“这笔订单是否有效”）需要人工介入。
- 不要忽略字段口径的统一——在清洗之前，先定义好“标准字段字典”，确保所有数据源都映射到同一套字段定义上。