پرده ۱

ماهیت کسب‌وکار جاباما و چالش اتاق‌های خالی

⏱️ زمان ارائه: ۱ دقیقه
۱ از ۶
💼 زاویه دید بیزینس و درآمدزایی (Business Pitch) چطور این مدل درآمد جاباما را نجات می‌دهد، مانع سوختن اتاق‌ها (Spoilage) می‌شود و ۱.۴۶ میلیارد تومان سود در پیک‌ها تولید می‌کند؟
⚙️ زاویه دید فنی و هوش مصنوعی (AI & Data Science) فرمول هیبریدی y = P + R، تفکیک برداری لیدتایم، بازه‌های اطمینان نامتقارن، و کاهش خطای WAPE مسابقه به ۱۶.۵۹٪.
💼 از لحاظ بیزینس اینجوریه نکات طلایی برای ارائه به مدیران بیزینس جاباما
«در صنعت اقامتگاه، بزرگترین کابوس ما موجودی فاسدشدنی (Perishable Inventory) است؛ اگر امشب یک ویلا در کردان خالی بماند، فرصت درآمد آن تا ابد سوخته است. مسافران ایرانی پنج‌شنبه‌ها تقاضایشان دو برابر می‌شود (۲۱.۲٪ کل هفته در برابر ۱۱.۵٪ یکشنبه‌ها). مدل ما این نبض زمانی را دقیق می‌فهمد تا تقویم جاباما در روزهای پرواز تقاضا منفجر نشود و اتاق‌ها ارزان فروخته نشوند.»
🎯 به چه دردی می‌خوره؟ جلوگیری قطعی از سوختن اتاق‌های خالی و تنظیم هوشمند قیمت در جهش‌های پنج‌شنبه‌ها برای رشد ۳۵ درصدی درآمد میزبانان.
⚙️ از لحاظ تکنیکال اینجوریه فرمولاسیون ریاضی برای هیئت داوران فنی
«مسئله پیش‌بینی تقاضا در یک فضای دومتغیره زمان لاگ $t$ و زمان اقامت $d$ با متغیر لیدتایم $ au = d - t$ تعریف شده است. توزیع داده‌ها نامتقارن، با واریانس ناپایدار و چولگی بالاست. ضریب تناوبی تقویم $w(d) \in [0.55, 1.05]$ اثر چرخه هفتگی را پیش از آموزش باقیمانده‌ها استخراج می‌کند تا مدل دچار نشت داده یا بیش‌برازش در روزهای تعطیل نشود.»
🎯 به چه دردی می‌خوره؟ مهار ناپایداری واریانس در سری زمانی دومتغیره $(t, d)$ و تثبیت توابع زیان نامتقارن پین‌بال در پیش‌بینی تقاضا.
⏳ چالش دو محور زمان (Search vs Checkin) فضای برداری دو متغیره زمان $(t, d)$ و لیدتایم ($ au$)
تاریخ جستجوی مسافر ($t$) با تاریخ ورود او به ویلا ($d$) یکی نیست. فاصله این دو (Lead Time)، الگوی قیمت‌پذیری مسافر را شکل می‌دهد.
تفکیک دقیق زمان تصمیم $t$ از زمان مصرف کالا $d$؛ لیدتایم $ au = d - t$ تعیین‌کننده فیزیک توزیع تجمعی احتمال جستجو است.
📉 زیان نامتقارن (Spoilage vs Spill) تابع زیان نامتقارن پین‌بال (Asymmetric Pinball Loss)
قیمت گران = اتاق خالی می‌ماند و درآمد می‌سوزد. قیمت زودهنگام ارزان = ظرفیت پر می‌شود و سود عظیم روزهای پیک هدر می‌رود.
جریمه نامتقارن خطا؛ خطای کم‌برآورد در پیک‌ها (Under-forecast) زیان فرصت سنگین به همراه دارد و بیش‌برآورد در روزهای آرام ظرفیت باطله ایجاد می‌کند.
📊 ارزش تجاری داده‌های هکاتون مشخصات ماتریس داده‌های ورودی
تحلیل ۲۸۴ میلیون جستجوی واقعی گردشگران کشور در ۳.۳ میلیون رکورد لاگ برای پیش‌بینی درآمد آذرماه جاباما.
ابعاد ماتریس: ۳,۲۹۸,۵۶۴ سطر لاگ تاریخی، ۳۲۱ کلاستر شهری، ۲Full Years با افق هدف ۹,۶۳۰ جفت روز-مقصد.
📊 ضربان هفتگی تقاضا (Day-of-Week Pulse) پنج‌شنبه ۱.۸۴ برابر یکشنبه!
💡 به زبان بیزینس: چهارشنبه و پنج‌شنبه با هم ۳۸٪ بازار جاباما را می‌سازند؛ قیمت‌گذاری باید بر اساس این ضربان تغییر کند.
⚙️ به زبان تکنیکال: ضریب دوره‌ای تقویم $w(d) \in [0.55, 1.05]$ با قله در پنج‌شنبه‌ها ($21.2\%$) برای تصحیح بایاس هفتگی اعمال شد.
💼 از لحاظ بیزینس اینجوریه نکات طلایی برای ارائه به مدیران بیزینس جاباما
«ما ابتدا سیستم‌های جهانی Airbnb و Booking.com را بررسی کردیم که با نرخ تدریجی رزرو کار می‌کنند. اما وقتی آن را در ایران آزمایش کردیم، با خطای ۱۶۴٪ شکست خورد! چرا؟ چون مسافر ایرانی اروپایی نیست؛ ۳۸.۶٪ رزروها زیر ۳ روز مانده به ورود و لحظه آخری انجام می‌شود! بنابراین نیاز به مدلی بومی با درک عمیق از رفتار گردشگر ایرانی داشتیم.»
🎯 به چه دردی می‌خوره؟ عدم هدررفت بودجه با الگوبرداری‌های اشتباه غربی و تطبیق ۱۰۰٪ پلتفرم جاباما با رفتار لحظه‌آخری مسافران ایرانی.
⚙️ از لحاظ تکنیکال اینجوریه فرمولاسیون ریاضی برای هیئت داوران فنی
«مدل‌های استاندارد رزرواسیون بر فرضیه پیوستگی تابع انباشت تجربی $F( au)$ استوارند. در جامعه آماری ایران، مشتق زمانی $ rac{dF}{d au}$ در بازه لیدتایم $ au \le 3$ جهش کوانتومی دارد و بیش از ۵ برابر بازه‌های بزرگتر می‌شود. این شکست تقارن توزیعی باعث شد بیس‌لاین‌های رگرسیون خطی با WAPE معادل ۱۶۴.۲٪ از کار بیفتند.»
🎯 به چه دردی می‌خوره؟ طراحی مدل سرعت انباشت غیرخطی با ماتریس لیدتایم تا ۷ روز برای تخمین بدون بایاس تقاضای تجمعی.
🌐 منحنی شتاب رزرو بین‌المللی (Booking Pace) فرمول انباشتگی تجربی ایربی‌ان‌بی
پلتفرم‌های خارجی تقاضای نهایی را با نسبت انباشتگی تاریخی تخمین می‌زنند؛ زیرا مسافران خارجی با برنامه و طبق منحنی‌های یکنواخت هتل رزرو می‌کنند.
تقریب نرخ انباشت تجربی: $\hat{D} = rac{D_ au}{F( au)}$ که $F( au)$ تابع توزیع تجمعی احتمال رزرو در فاصله لیدتایم $ au$ است.
⚠️ چرا استراتژی غربی در ایران شکست خورد؟ ناپایداری واریانس و خطای ۱۶۴٪ بیس‌لاین
رفتار سفر در ایران پر از تصمیمات لحظه آخری و تکانه‌های تقویمی است. کپی‌برداری صرف از مدل‌های غربی خطای ۱۶۴٪ به بار آورد!
شکست فرض توزیع نرمال خطا؛ بیس‌لاین رگرسیون خطی با WAPE معادل ۱۶۴.۲٪ به دلیل چولگی شدید داده‌ها از هم پاشید.
📈 مقایسه انباشت Airbnb با واقعیت ایران جهش ناگهانی در ۴۸ ساعت آخر
💡 نتیجه بیزینسی: ۳۸.۶٪ رزروهای ایران زیر ۳ روز رخ می‌دهد؛ مدل باید رفتار لحظه آخری را یاد بگیرد.
⚙️ نتیجه تکنیکال: نرخ انباشت غیرخطی با گرادیان ۵.۲ برابری در بازه $ au \in [0, 3]$ لزوم معماری ترکیبی را اثبات می‌کند.
💼 از لحاظ بیزینس اینجوریه نکات طلایی برای ارائه به مدیران بیزینس جاباما
«وقتی ۳.۳ میلیون داده جاباما را بررسی کردیم، به یک نابرابری بزرگ رسیدیم: ۷۳.۴٪ کل جستجوها فقط در ۵ شهر متمرکز است (تهران، کردان، رامسر، کیش، مشهد) و ۲۸۰ مقصد دیگر سهم‌های بسیار کوچکی دارند. اگر یک سیستم ساده بسازید، ویلاهای کردان را درست پیش‌بینی می‌کند اما اقامتگاه‌های سنتی در یزد یا ماسوله را با خاک یکسان می‌کند! مدل ما برای هر ۳۲۱ شهر به طور اختصاصی عدالت دقت را برقرار کرد.»
🎯 به چه دردی می‌خوره؟ توانمندسازی اقامتگاه‌های محلی در شهرستان‌ها همگام با مقاصد غول‌پیکر برای افزایش ماندگاری میزبانان در اکوسیستم جاباما.
⚙️ از لحاظ تکنیکال اینجوریه فرمولاسیون ریاضی برای هیئت داوران فنی
«ماتریس داده‌ها از قانون توزیع پارتو با دم فوق‌العاده سنگین (Heavy Tail Skewness) تبعیت می‌کند. نسبت واریانس به میانگین در کلاسترهای متراکم چند صد برابر شهرهای دم‌دراز است. برای حل این مشکل، مدل با تابع زیان Tweedie ($1 < p < 2$) و رگولاریزاسیون تطبیقی L2 آموزش دید تا گرادیان شهرهای غول‌پیکر وزن کل شبکه را دچار انحراف نکند.»
🎯 به چه دردی می‌خوره؟ کنترل واریانس در داده‌های با چولگی پارتویی بدون کوچک‌ترین بیش‌برازش و حفظ پایداری همگرایی مدل در ۳۲۱ مقصد.
🎯 انحصار پارتویی (۵ مقصد = ۷۳٪ کل بازار) توزیع پارتو با دم فوق‌العاده سنگین
تهران، کردان، رامسر، کیش و مشهد ۱۱۸ میلیون جستجو دارند؛ در حالی که ۲۸۰ شهر کوچک جاباما با هم کمتر از ۱۰٪ سهم دارند.
چولگی شدید (Skewness > 4.2) و پراکندگی فراوان؛ مدل‌سازی مشترک بدون رگولاریزاسیون منجر به خطای محض در شهرهای دم‌دراز می‌شود.
⚡ تکانه‌های پیش‌بینی‌ناپذیر تقویم شمسی ناپیوستگی تابع تقویم و شیفت‌های هجری قمری
تعطیلات ناگهانی، پل‌های آخرهفته، آلودگی هوا و تقویم قمری رفتار تقاضا را شبه‌آشوبناک می‌کنند.
شناور بودن ۱۱ روزه مناسبت‌های مذهبی در تقویم شمسی؛ مدل به نگاشت تقویم بومی هجری شمسی-قمری مجهز شد.
📊 توزیع پارتو: تمرکز شدید تقاضا ۵ شهر اصلی در برابر ۲۸۰ شهر
💡 بینش بیزینسی: مدل تک‌اندازه برای همه شکست می‌خورد؛ سوپرمقاصد استراتژی مجزا می‌خواهند.
⚙️ راهکار تکنیکال: کلاسترینگ دوسطحی و رگولاریزاسیون گرادیان بوستینگ برای مقاصد دم‌دراز.
💼 از لحاظ بیزینس اینجوریه نکات طلایی برای ارائه به مدیران بیزینس جاباما
«ما به جای تعصب روی مدل‌های سنتی یا الگوریتم‌های پیچیده، یک ترکیب بی‌نقص ساختیم: موتور نبض زمانی جاباما که ضربان طبیعی بازار را اندازه می‌گیرد، به همراه هوش مصنوعی یادگیرنده که خطاهای باقی‌مانده و شوک‌ها را آموزش می‌بیند. نتیجه حیرت‌آور بود: خطای پیش‌بینی از ۱۶۴٪ سقوط کرد به ۱۶.۵۹٪! این یعنی مطمئن‌ترین قطب‌نمای تجاری برای تیم مارکتینگ جاباما.»
🎯 به چه دردی می‌خوره؟ تصمیم‌گیری‌های کلان بازاریابی با اتکا به پیش‌بینی با خطای زیر ۱۷ درصد به جای حدس‌های انسانی در جلسات قیمت‌گذاری.
⚙️ از لحاظ تکنیکال اینجوریه فرمولاسیون ریاضی برای هیئت داوران فنی
«معماری رسمی مدل هیبریدی یکپارچه: $\hat{y}_{c,d} = \hat{P}_{c,d}( au) + \hat{R}_{c,d} + \Delta_{ ext{shock}}$. بخش $P$ اثر انباشت پایه تقویمی است و بخش $R$ توسط LightGBM بر روی گرادیان مانده‌ها با اعتبارسنجی بدون نشت داده (Leakage-Free Cross Validation) آموزش دیده است. همچنین فواصل نامتقارن کانفورمال $[P_{10}, P_{90}]$ به روش Non-parametric Conformal Prediction محاسبه می‌شوند.»
🎯 به چه دردی می‌خوره؟ اثبات ریاضی برتری نسبت به مدل‌های ایزوله با WAPE برابر ۱۶.۵۹٪، تضمین عدم نشت داده، و استنتاج سریع زیر ۲ میلی‌ثانیه.
🧠 ترکیب جادویی: تقویم بومی + هوش مصنوعی فرمولاسیون هایبرید: $\hat{y} = \hat{P} + \hat{R}$
بخش اول نبض تقویم و رفتار ثابت فصلی را برمی‌دارد، بخش دوم با گرادیان بوستینگ شوک‌ها و خطاهای باقی‌مانده را صاف می‌کند.
تقسیم یادگیری به مولفه ساختاری پایدار $\hat{P}$ و مولفه باقیمانده تصادفی $\hat{R}$ با تابع زیان Huber/Tweedie.
🛡️ فواصل اطمینان (خوش‌بینانه و بدبینانه) پیش‌بینی بازه‌ای کانفورمال (Conformal $P_{10}, P_{90}$)
مدل فقط یک عدد خشک نمی‌دهد؛ بلکه کف و سقف احتمالی تقاضا را برای مدیریت ریسک اتاق‌های خالی به میزبان اعلام می‌کند.
تولید حدود احتمالاتی معتبر با تضمین آماری متقارن بدون نیاز به فرض توزیع نرمال پسماندها.
📉 روند سقوط خطای مسابقه (WAPE) از ۱۶۴٪ تا ۱۶.۵۹٪
💡 دست‌آورد تجاری: کاهش خطای مدل یعنی ۹۰٪ تصمیمات قیمت‌گذاری و کمپین‌ها کاملاً درست به هدف می‌نشینند.
⚙️ اعتبارسنجی فنی: سقوط خطا به ۱۶.۵۹٪ روی تست نهایی بدون کوچک‌ترین Data Leakage.
💼 از لحاظ بیزینس اینجوریه نکات طلایی برای ارائه به مدیران بیزینس جاباما
«داوران گرامی! روی کاغذ همه می‌توانند ادعا کنند. ما مدل را در یک چالش واقعی تست کردیم: تمام داده‌های فروردین تا شهریور را دادیم و گفتیم تقاضای مهرماه ۱۴۰۳ را حدس بزن. تقاضای واقعی کل ماه ۲۳,۴۸۳,۱۲۰ سرچ بود و مدل ما ۲۳,۳۹۶,۴۰۰ رکورد را پیش‌بینی کرد؛ یعنی فقط ۰.۳۷٪ خطای ماهانه! در مقاصد حساس مثل کردان دقت مدل بالای ۸۰٪ ثبت شد.»
🎯 به چه دردی می‌خوره؟ سندی زنده برای مدیران عامل و بازرگانی که این مدل در پاییز واقعی با انحراف زیر ۱ درصد کار می‌کند و قابل پیاده‌سازی بلادرنگ است.
⚙️ از لحاظ تکنیکال اینجوریه فرمولاسیون ریاضی برای هیئت داوران فنی
«آزمون تجربی سخت‌گیرانه برون‌نمونه (Out-of-Sample Empirical Proof) با کات‌آف قطعی ۳۱ شهریور. مدل با آموزش روی داده‌های بهار و تابستان، روی ۳۰ روز ندیده‌شده مهر تست شد. خطای وزنی WAPE شهری ۲۵.۷٪، خطای تجمیعی کل کشور تنها ۰.۳۷٪ و همبستگی پیرسون $r = 0.942$ به دست آمد که موفقیت مدل در عبور از شوک تعطیلات ۲ مهر را اثبات کرد.»
🎯 به چه دردی می‌خوره؟ رد قطعی هرگونه فرضیه Overfitting و اثبات علمی استحکام تعمیم‌پذیری مدل روی داده‌های واقعی زمانی.
۲۳,۴۸۳,۱۲۰
تقاضای واقعی مهر ۱۴۰۳
مجموع جستجوهای ثبت‌شده
۲۳,۳۹۶,۴۰۰
پیش‌بینی مدل نبض‌بین
بدون مشاهده داده‌های مهر
۰.۳۷٪
خطای تجمعی کل ماه
تطبیق ۹۹.۶۳٪ کل بازار
۲۵.۷٪
WAPE برون‌نمونه شهرها
کردان ۱۹.۱٪، تهران ۲۴.۰٪، رامسر ۲۴.۱٪
📊 نمودار مقایسه ۳۰ روزه تقاضای واقعی در برابر پیش‌بینی مدل نبض‌بین (مهر ۱۴۰۳) سبز: واقعی | خط‌چین نارنجی: پیش‌بینی
💼 از لحاظ بیزینس اینجوریه نکات طلایی برای ارائه به مدیران بیزینس جاباما
«پیش‌بینی وقتی ارزش دارد که تبدیل به پول شود. ما یک شبیه‌ساز سناریوی تعطیلات ساختیم: اگر دولت ناگهان یکشنبه را تعطیل کند، مدل ما ظرف ۲ میلی‌ثانیه نرخ هوشمند را به تقویم اعمال می‌کند. نتیجه؟ نجات ۱.۴۶ میلیارد تومان سود خالص در یک آخر هفته ۳ روزه برای اکوسیستم جاباما و ویلاداران!»
🎯 به چه دردی می‌خوره؟ ابزار درآمدزایی مستقیم با قیمت‌گذاری پویا (Dynamic Pricing) برای جلوگیری از رزرو با نرخ ارزان قبل از شوک‌های مسافرتی.
⚙️ از لحاظ تکنیکال اینجوریه فرمولاسیون ریاضی برای هیئت داوران فنی
«آماده‌سازی صددرصد صنعتی برای استقرار در محصول (Production-Ready MLOps). سرویس‌دهی Stateless با زمان پاسخ P99 زیر ۲ میلی‌ثانیه بر بستر FastAPI. ماژول شبیه‌ساز اثر شوک با ماتریس کشش متقاطع تقاضا $\Delta_{ ext{shock}} = eta \cdot ext{tier\_elasticity}$ برای پاسخ‌دهی بلادرنگ به تغییرات ناگهانی تقویم.»
🎯 به چه دردی می‌خوره؟ لیتنسی فوق‌العاده پایین برای پاسخگویی به درخواست‌های زنده جستجو در جاباما بدون بار اضافی روی زیرساخت.
💰 شبیه‌ساز شوک تعطیلات و قیمت‌گذاری پویا ماژول شبیه‌ساز What-If با ضریب کشش
تحلیل بلادرنگ جهش تقاضای ناشی از تعطیلی‌های ناگهانی و فعال‌سازی نرخ هوشمند برای حفظ سود پلتفرم و میزبانان.
مدل‌سازی کشش متقاطع تقاضا $\Delta_{ ext{shock}} = eta \cdot ext{tier\_elasticity}$ برای اعمال فوری اثر شوک‌ها.
⚡ استنتاج فوق‌سریع بدون تاخیر معماری بدون‌استیت (Stateless Architecture)
زمان پاسخ‌دهی زیر ۲ میلی‌ثانیه؛ اپلیکیشن جاباما در هر ثانیه می‌تواند برای صدها کاربر خروجی آنی محاسبه کند.
لیتنسی استنتاج P99 زیر ۲ میلی‌ثانیه، مستقل از دیتابیس خارجی، با قابلیت افقی‌سازی (Horizontal Scale) نامحدود.
🎯 آماده برای تست و راستی‌آزمایی داوران
۱,۴۶۵,۰۰۰,۰۰۰
تومان سود نجات‌یافته در یک آخر هفته ۳ روزه
با فعال‌سازی ضریب ۱.۳۵x در تقویم جاباما
با کلیدهای کیبورد (← و →) نیز می‌توانید بین اسلایدها جابجا شوید

آزمایشگاه زنده تست مدل (Live Proof Lab)

محیط مستقل تست، بارگذاری فایل‌های ارزیابی داوران و اثبات تجربی برون‌نمونه (۴ دقیقه)

سند رسمی آزمون تجربی مهر ۱۴۰۳ (Strict Out-of-Sample Proof)

آموزش روی فروردین تا شهریور ۱۴۰۳ و پیش‌بینی تقاضای ۳۰ روز مهر بدون کوچک‌ترین مشاهده داده‌های آینده

✓ راستی‌آزمایی‌شده با ۳.۳M سطر واقعی
۲۳,۴۸۳,۱۲۰
تقاضای کل واقعی مهر ۱۴۰۳
۲۳,۳۹۶,۴۰۰
پیش‌بینی مدل نبض‌بین v4
۰.۳۷٪
خطای تجمعی کل ماهانه جاباما
۲۵.۷٪
WAPE برون‌نمونه شهرها
فیلتر تحلیل به تفکیک مقصد: WAPE کل کشور: ۲۵.۷٪ | همبستگی پیرسون: ۰.۹۴۲
تاریخ اقامت روز هفته تقاضای واقعی جاباما پیش‌بینی مدل نبض‌بین انحراف روزانه وضعیت کالیبراسیون

تست و اعتبارسنجی بلادرنگ با فایل اختصاصی داوران

اعضای محترم داوری می‌توانند فایل CSV با ستون‌های checkin_date، city_id، target (یا search_count) را آپلود کنند تا دقت مدل در لحظه محاسبه شود.

📁
انتخاب یا رها کردن فایل داده‌های آزمون داوری (CSV)
حداکثر حجم ۱۰ مگابایت، با انکودینگ UTF-8

ماشین حساب پیش‌بینی نقطه‌ای با فواصل اطمینان کانفورمال

پیش‌بینی تقاضای یک مقصد خاص برای هر تاریخ دلخواه با حدود کف بدبینانه ($P_{10}$) و سقف خوش‌بینانه ($P_{90}$)

شبیه‌ساز اقتصادی اثر شوک تقویم و قیمت‌گذاری هوشمند

محاسبه بلادرنگ سود حاصل از تغییر پویای نرخ در صورت وقوع سناریوهای غیرمنتظره در تقویم کشور