出差时入住温泉旅馆先看数据，再订房

情境：出差日真正的最后一公里

从车站到旅馆的那段路，往往比新干线的两小时更消耗人。方向感、行李、雨、末班车，四件事叠在一起，判断力会明显下降。这也是我们把抵达动线放在评分权重第一位的原因：它决定你还有没有力气去泡那一泡。

记录里最典型的一次是 22:47 到站、22:15 末班车已走的案例。住客拖着 28 寸箱子走了 1.4 公里上坡，到店后直接睡下。那次入住评分 5.2，但泉质本身能打 8 分以上。体验的崩塌常常发生在进门之前。

冲突：四十分钟的窗口被谁吃掉

把一次出差时入住温泉旅馆的夜晚摊开，你会发现可自由支配的只有 40 到 60 分钟。晚餐、邮件、洗澡、收拾第二天的资料，每一项都在抢这段时间。真正被牺牲的通常不是泡汤本身，而是泡完之后那二十分钟的缓冲。

我们的做法是把窗口量化：从进房门到上床，中间还剩多少分钟；内汤从更衣到出浴，实际占用多久；早餐首轮出餐到你需要出发，够不够。三个数字一对，很多人会改主意，把泡汤挪到第二天早上六点半。

问题：五个参数够不够描述一晚

一开始我们记了二十多个字段，后来发现大部分在决策时用不上。收敛到五项之后，判断反而更准：通勤时长、泉质与泉温、夜间静音、可用桌面、深夜餐食。五项各二十分，加权后得到总分，权重写在页面顶部，你可以不同意，也可以自己改。

这个模型有明确的失效场景。它不衡量景观，不衡量餐食精致度，也不衡量服务人员的态度。带家人度假的人看了会觉得偏颇，这没关系，它本来就不是为那个场景写的。

答案：周报看窗口，月报看趋势

单周数据的波动很大，一场雨就能把均价和可订率带偏。所以我们在下方做了一个分屏对照：左边是七日窗口，右边是四周汇总，两栏同步滚动，同一行永远是同一个指标。看到分歧大的行，用黄色标出来，那通常是最值得注意的地方。

比如单人房可订率，周报 78%、月报 71%，说明这一周偏松，但你若把行程挪到下周，未必还有这个价。反过来，早餐等待时间周报 6 分钟、月报 9 分钟，说明这周恰好清淡，不代表常态。

趋势：短汤治正在变成一种固定需求

过去两年，工作日入住、次日中午前离店的订单占比从 34% 升到 52%。这批人不要会席料理，不要接送游览，只要一张能摊开电脑的桌子、一池温度合适的汤、一顿六点半就能吃的早饭。供给端反应慢半拍，于是出现了大量体验落差。

我们把这类需求叫短汤治。它不需要旅馆改造硬件，只需要把信息说清楚：末班车几点、内汤几点人少、早餐几点开。信息透明本身就是一种服务，且成本极低。

边界：数据算不出的那部分

有些东西我们始终没有量化。比如脱衣所里那块擦手毛巾是否干爽，比如前台在你凌晨到店时是不是真的醒着，比如走出内汤那一刻山里的风。这些构成一晚的记忆，但它们无法稳定复现，写进评分只会制造噪音。

所以我们把它们放进评论精选，让具体的人说具体的事，并标注入住日期与出发城市。你读到的不是平均分，是一次具体的经历。判断仍然由你来做。