Las Bases del Cambio en el Revenue Management

Fulvio Giannetti — CEO and Head of Data Science at Lybra

La creación de previsiones que no se basan (o que se basan mínimamente) en datos históricos es un ejercicio de análisis verdaderamente complejo, especialmente en la industria del turismo y en Revenue Management.

Es importante saber que, antes de Lybra Assistant, ningún proveedor de RMS ha intentado incluir los datos que tenemos en nuestro algoritmo por varias razones, entre ellas la escasez de datos futuros y de literatura científica capaz de proporcionar modelos adecuados.

En lugar de datos, usemos el espectro de colores, desde el azul al amarillo. Imagina construir el mejor algoritmo del mundo combinando estos dos colores. Ahora, a pesar de lo avanzado que sea el programa, el resultado siempre se basará en estos dos colores. En resumen, el resultado sugerido por el programa podría ser cualquier color en el espectro desde el azul al amarillo, incluyendo muchas tonalidades de verde.

En este caso tradicional (como en los RMS tradicionales), estamos limitados por los colores que usamos como nuestros datos de entrada originales, no por las capacidades del programa en sí mismo. Veamos un ejemplo para ilustrar mejor las limitaciones de los datos de entrada (o colores). Si quisiéramos crear el marrón, necesitaríamos añadir otro color al programa: el rojo.

Ahora, volvamos a lo que estamos haciendo en Lybra; hoy, estamos creando algoritmos basados en datos de nuevas y diferentes fuentes, incluyendo búsquedas de vuelos, metabuscadores, presión en la demanda de OTA, eventos. Para volver a nuestra metáfora, estamos añadiendo nuevos colores ala etapa de entrada, que se utiliza para crear una previsión (revenue management de los hoteles) que describe con más precisión la verdadera previsión de la demanda de los hoteles – dándonos la oportunidad de crear todos los colores del mundo.

Empezamos a trabajar en este proyecto hace 4 años y estamos contentos de tener la oportunidad de trabajar con un equipo dedicado perteneciente al Grupo Zucchetti, una de las empresas europeas más importantes en el sector de la informática.

Determinar qué variable es la ‘más importante’ para crear una previsión en la gestión de los ingresoses más complicado de lo que parece a primera vista. Para empezar, es crucial entender el significado de más importante. Es más correcto hablar de ‘importancia relativa’, que traducido en ciencia delos datos significa atribuir el peso correcto a las variables según los contextos.

Las búsquedas de vuelos en los destinos son un factor importante, pero la importancia de estos datos tiende a disminuir cuanto más te alejas de la ciudad que ‘alberga’ el aeropuerto.

Estos datos son importantes, pueden parecer redundantes en algunos casos en comparación con las búsquedas de vuelos, pero son útiles para los hoteles situados en la provincia o lejos de los aeropuertos.

Los eventos son otro elemento importante, sin embargo, no todos tienen un impacto en el destino y por lo tanto en la ocupación del hotel.

Entender lo que hace la competencia es crucial porque, independientemente de si siguen o no estrategias de revenue o de precios, en conjunto, determinan el precio de referencia. El precio de referencia es uno de los parámetros más importantes que el cliente sigue antes de comprar un producto o servicio.

La reputación desempeña naturalmente un papel importante porque influye en la determinación del precio de referencia por parte del cliente y, por otra parte, afecta a la capacidad de fijación de precios del hotel. El precio y la reputación están inextricablemente ligados y juegan en diferentes niveles temporales. La reputación es un activo intangible, que se deteriora incluso con una política de precios demasiado baja a largo plazo.

Todas las variables desempeñan un papel importante en la determinación del pronóstico, pero a diferencia de solamente el análisis de los datos históricos, el peso de cada una de estas variables esrelativo, contextualizado al hotel individual.

En la mayoría de los casos, las previsiones tradicionales toman datos históricos y los proyectan hacia el futuro, mediante el análisis de las tendencias de pick-up. Esta metodología ha sido la madre de las previsiones durante 40 años, es decir, desde los orígenes de la gestión de los ingresos como ciencia aplicada. A lo largo de los años se ha investigado mucho sobre cómo hacer previsiones utilizando las series temporales almacenadas en el PMS (sistema de gestión del hotel), gracias a estudios individuales o proyectos universitarios.

Sin embargo, este tipo de análisis es fundamentalmente inexacto, porque no considera muchas variables ‘relativamente importantes’.

Por ejemplo, si sólo analizamos las tendencias del pick-up del año pasado, sólo tenemos un número, pero no tenemos ninguna información que explique ese resultado. No sabemos nada sobre el precio de los competidores del año pasado o la presión de la demanda del año pasado. Sin embargo, estas son variables importantes que de alguna manera condicionaron el pick-up del año pasado, pero es información que los modelos de pick-up no usan. Por esta razón, la precisión de los modelos de pronóstico no es excelente.

A partir de estas consideraciones, es fácil comprender el nivel de abstracción que tienen los modelos tradicionales de revenue management y por qué hoy en día, con las nuevas tecnologías y sobre todo con el fuerte dinamismo del mercado, es necesario mirar hacia adelante.

El proceso de optimización, es decir, la utilización de algoritmos complejos con datos futuros complejos, tiene el propósito principal de encontrar la dosis correcta de las variables individuales para aumentar la exactitud de la previsión y, por consiguiente, de la fijación de precios y de todas las actividades relacionadas con el revenue management.

Sin embargo, dada la complejidad del tema, es impensable cambiar manualmente el peso de cada variable para cada hotel y es por eso por lo que se utilizan algoritmos de aprendizaje automático.

Estos nuevos modelos de inteligencia artificial funcionan de forma independiente para encontrar el equilibrio adecuado en la dosificación de cada una de las variables de mercado para optimizar y respaldar científicamente las decisiones de revenue management.

ACERCA DE LYBRA (Anteriormente Lybra.Tech)

Lybra es una empresa líder en tecnología que ofrece un innovador sistema de gestión de ingresos (RMS) de aprendizaje automático para el sector hotelero a nivel mundial. El Assistant RMS de Lybra fue diseñado para mejorar la calidad de vida de los hoteleros, al simplificar y automatizar las operaciones diarias para disparar las reservas y los ingresos de sus establecimientos, incluso en momentos de disminución de la demanda, como la pandemia actual de la COVID-19.

En mayo de 2020, Lybra fue adquirida por el Grupo Zucchetti, una empresa líder en tecnología internacional que ofrece servicios de software, hardware y tecnologías de la información y comunicación a muchos sectores globales, incluidos la hostelería, la educación, la fabricación, el transporte y la logística, entre otros. Como parte del Grupo Zucchetti, Lybra está aún mejor posicionada para ofrecer a los clientes de hoteles las sugerencias de precios más precisas debido a la gran cantidad de datos del mercado internacional y la demanda - compilados por las empresas de tecnología hotelera global que son propiedad del Grupo Zucchetti - que ahora está integrado en el Assistant RMS de la empresa. Para obtener más información sobre Lybra, visite lybra.tech.