Contenido
El pilar fundamental del Revenue Management es la previsión de demanda. Adelantarnos a los acontecimientos con cierta seguridad, reduce incertidumbre y nos permite establecer las estrategias que ayuden a generar mayores ingresos. Sin modelos de predicción de demanda exactos que respalden nuestras estrategias, nunca podríamos identificar las oportunidades reales que optimicen la cuenta de resultados.
En ocasiones consideramos que hay una oportunidad sin tener una visión global, enfocándonos en un solo dato, algo que por lo general convierte esa oportunidad en riesgo. Por ello, nunca podemos hablar de oportunidades reales en mayúsculas si no consideramos todas las variables. De hecho, ni siquiera contando con toda la información estamos a salvo de equivocarnos.
En los cursos y Máster que imparto siempre comienzo mi introducción mencionando que el Revenue Management no es una ciencia exacta y, desgraciadamente, nunca lo será. Ante tantos cambios, nuestro horizonte avanza más rápido de lo que podemos controlar, distorsionando nuestro medio y alejándonos de la zona de confort. Y aunque parezca un escenario poco confortable, en realidad es el momento perfecto para aprender y evolucionar. En este aprendizaje constante, aparecen nuevas herramientas que nos ayudan a organizar nuestro plan de negocio, como es el caso de la Inteligencia Artificial (IA). Pero, ¿de qué manera colabora la IA con los sistemas de Revenue Management?
Nuevos parámetros a considerar en Revenue Management
En este sentido, enfocándonos en la importancia que tiene la estimación de la demanda como pilar fundamental, los algoritmos juegan un papel trascendental. Sustentan nuestras decisiones basadas en el manejo de cantidades ingentes de datos que nunca podríamos digerir de otro modo. En una etapa inicial, en los RMS (Revenue Management System), los algoritmos solo consideraban ciertos parámetros internos, como los datos de ocupación históricos, los precios de los competidores, las temporadas, los pick ups y poco más. A mi juicio, trataban de ofrecer con esta escasa información una estimación de demanda potencial. Incluso en la actualidad hay algunos RMS que siguen basados en datos internos simplificados por la dificultad que tiene indexar datos externos fuera del pricing de los competidores.
En el desarrollo del RMS, en el que participé motivado por mi experiencia en Resorts hace ya unos años, incluimos parámetros nunca antes vistos y hoy en día de uso poco frecuente. Añadimos en la ecuación los precios de la competencia por tipología de habitación, porcentajes de afinidad para cada competidor (…ya que nunca somos proporcionalmente iguales a cada competidor), y algoritmos más complejos para determinar la sensibilidad de la demanda al precio, entre otros. Consideraba, por lo tanto, el impacto histórico del pick up tras las variaciones de precio en base a parámetros similares de demanda, otorgando a cada día futuro un nivel de riesgo ante la variación de precio, que se mostraba en varios niveles, sensibilidad al precio baja, media o alta. Conceptos inéditos y en mi opinión esenciales a la hora de establecer una estrategia de pricing.
No es más importante cuanto subimos el precio (dato simplificado), sino el impacto que esta subida de precio genera en la demanda, ya que pudiera tener el efecto contrario al deseado. Todavía hoy en día, teniendo estos datos, es difícil ver algoritmos que consideren el cambio de precio para fluctuar la previsión de demanda. En cualquier caso, no puede ser estático o basado en un dato histórico donde quizás no hubo cambios de precio.
Con la llegada de la Inteligencia Artificial al sector empresarial y obviamente a la industria hotelera, comienza una nueva etapa que nos transporta a una nueva dimensión. No me refiero a asistentes virtuales, sino a la incorporación de algoritmos más complejos alimentados por IA, que sin duda cobrarán protagonismo sobre los datos internos.
Cinco factores externos controlados por la inteligencia artificial
Esta capacidad de visión global que tanto reitero la tiene precisamente la IA, ya que puede considerar parámetros externos que nunca se habían incluido en los modelos de predicción de demanda. Imaginemos por un momento si además de los datos existentes en un RMS, añadimos ciertos factores externos controlados por la Inteligencia artificial, por ejemplo:
- Factores de índole socioeconómico: Evolución del consumo y predicciones futuras de empleo, previsión de IPC, situación económica y evolución de los precios de los productos por cada país emisor, pudiendo medir su impacto detallado por el mix de nacionalidades del hotel y anticipar posibles cambios en la elasticidad de la demanda.
- Impacto de la demanda por factores de cambio climático o políticas llevadas por los distintos países emisores en este sentido. Estrategias de líneas aéreas, costes asociados, nuevas tecnologías en aras de reducir la huella de carbono y su impacto en el consumo y en el devenir del transporte aéreo.
- Cambios de rutas aéreas a nivel mundial, y en especial por conflictos internacionales que varíen la demanda entre destinos, anticipando posibles cambios de rutas por el resurgimiento de conflictos. Hoy en día podemos observar variaciones de pick up por este motivo, pero buscamos la anticipación de manera precisa y global con datos proporcionados por la IA.
- Datos de salud, empleo y bienestar social. El clima social no siempre es estable y puede tener un impacto en la demanda. Existen muchos estudios en este sentido, sin embargo, no son siempre considerados o asociados con la demanda hotelera.
- Modelos de comportamiento por el cambio generacional que está afectando a la industria hotelera, donde el uso de las redes sociales expone nuestro negocio. Buscamos un modelo que asocie el RPI (Revenue Performance Index), frente a un grupo competitivo en base a medidas de adaptación anticipada de este cambio generacional, considerando factores provenientes de la reputación online.
Estos son algunos ejemplos donde la Inteligencia Artificial puede alimentar y ajustar el modelo de cálculo de previsión de la demanda, considerando datos externos que hoy en día parecen irrelevantes por no poder ser considerados, pero que tienen un impacto en la demanda futura.
En el Revenue Management se comienzan a esbozar las primeras pinceladas tecnológicas de esta Nueva Era de la Inteligencia Artificial. En el sector turístico, donde por el momento solo somos capaces de ver la punta del iceberg, los nuevos datos provenientes de la Inteligencia Artificial cobrarán ineludiblemente un mayor protagonismo en el Revenue Management actual. Estoy convencido de que, si en este momento participara de nuevo en la implementación de un nuevo RMS, consideraríamos algoritmos con datos provenientes de Inteligencia Artificial, que junto a la capacidad de «machine learning», revolucionarían la manera en la que hoy interactuamos con los sistemas.
En mi opinión, con la IA somos testigos de una nueva revolución tecnológica en la previsión del conocimiento y la información aplicada al negocio. Y aunque en esta etapa tan embrionaria nos surgen dudas sobre la implementación en la industria hotelera, sin duda será una oportunidad de explorar nuevos límites en el contexto del Revenue Management hotelero actual.
Imágenes cedidas: Freepik
