一、三类数据源：行情、自身、竞对

满房大师生成调价建议，首先依赖三类基础数据。一是OTA行情数据，包括周边同档次酒店在各渠道的挂牌价与实际成交价波动；二是酒店自身经营数据，包括历史入住率、提前预订节奏、退订率与房价执行情况；三是竞对监测数据，即店长在后台设定的竞对酒店清单的价格变化。三类数据每天多次更新，而不是一周一次的静态报表。

这里有一个常见误解需要澄清：AI不是简单「抄竞对的价格」。竞对数据只是参考维度之一，最终建议价会结合本酒店自身的预订进度来修正——比如竞对涨价了，但你的酒店提前预订进度已经超过历史同期，此时未必需要跟涨。

二、从数据到建议：规则与预测的双层计算

在数据之上，系统做两层计算。第一层是需求预测：根据历史同期入住节奏、当前预订速度、节假日与本地展会日历，推算未来若干天每天的需求强度，标注出「供大于求」「供需平衡」「供不应求」三种状态。第二层是价格建议：在需求预测的基础上，叠加店长设定的价格底线与封顶价，生成每天的建议价区间。

价格底线和封顶价是店长唯一必须主动设置的两个参数。它们的存在保证了AI建议永远不会低于保本价、也不会高出市场接受度，这是系统设计的硬约束。

三、人工确认：建议可以一键采纳，也可以逐条修正

生成的调价建议不会直接生效。店长在后台会看到「建议价、当前价、调整理由」三列信息，可以选择一键采纳，也可以只采纳部分日期、对个别日期手动改价并备注原因。每一次采纳或修正都会被系统记录，作为后续建议优化的依据。

建议新店长前两周采用「逐日确认」的方式，观察建议价与自己经验的差异，逐步建立信任后再切换到批量采纳。理解了建议的生成逻辑，AI调价才真正从「黑盒」变成店长趁手的工具。