Fulvio Giannetti — CEO and Head of Data Science at Lybra

Explicar un concepto complejo…

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.

La mejor manera es usar una metáfora…

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 a
la 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.

Algunos conceptos básicos

Determinar qué variable es la ‘más importante’ para crear una previsión en la gestión de los ingresos
es 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 de
los datos significa atribuir el peso correcto a las variables según los contextos;.

¿Qué nuevas variables estamos analizando en nuestro modelo avanzado de revenue management y
por qué son relativamente importantes?

Búsquedas de vuelos

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

Búsquedas de reserva

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

Eventos

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

Compset

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.

Reputación

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.

El antiguo paradigma…

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 es
relativo, 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 nuevo paradigma…

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.