¿Cuál es el papel del Big Data en el Revenue Management?

Revenue Management: Miremos Hacia Adelante Para no Quedarnos Atrás

Por Fulvio Giannetti, CEO & Head of Data Science de Lybra

En los últimos años, el mundo del turismo se ha visto sacudido por un fuerte impulso innovador, gracias a la introducción de nuevas tecnologías y a una mayor conciencia empresarial. Como suele ocurrir, la tecnología corre rápido y es necesario hacer una recapitulación para entender qué parte puede ser útil y qué parte debe dejarse de lado.

 

Con el Big Data se completa la visión original del revenue management. Os explico el porqué, pero empecemos por el principio.

 

Breve historia

El Big Data es un concepto relativamente nuevo en el turismo.

Dejando de lado la mera definición académica de las 5V, se trata de una enorme cantidad de datos que pueden estar estructurados (es decir, seguir una lógica tabular como la de Excel) o no estructurados, y que pueden tener distinta naturaleza (emails, imágenes, textos, búsquedas). El desarrollo de esta nueva vertiente tecnológica ha sido posible gracias a la difusión de los sistemas en la nube. La interconexión de los sistemas, combinada con la infinita capacidad de almacenar datos a bajo precio, ha abierto la puerta a la democratización del Big Data, antes dominio exclusivo de unos pocos.

Sin embargo, la creación de una plataforma de gestión de BIG DATA es una operación onerosa, tanto en términos de costes como de competencias, y son pocas las empresas turísticas que pueden llevar a cabo este tipo de proyectos.

 

revenue management

 

BIG DATA en el Revenue Management: sí, pero ¿dónde se aplica?

Big Data sigue siendo un término bastante genérico, muy utilizado sobre todo en marketing, pero a menudo con contornos borrosos. Si en el mundo del turismo los campos de aplicación del Big Data pueden ser muy amplios, en el ámbito del revenue management encuentra su lugar ideal en el análisis de la demanda, veamos por qué.

La definición clásica de revenue management es

– vender al precio adecuado

– en el momento adecuado

– al cliente adecuado.

La evolución de las técnicas de análisis siempre ha girado en torno a estos conceptos. A menudo oímos hablar de la elasticidad de la demanda para entender cuánto está dispuesto a pagar un cliente por una habitación de hotel, pero este dato siempre ha sido difícil de obtener.

El intento más sencillo ha sido analizar el histórico del hotel, los datos del PMS, para estudiar los patrones de compra de los clientes en el pasado, considerándolos válidos también en los años posteriores. La literatura del revenue management está repleta de estudios de casos basados en este modelo de análisis, que presenta algunos puntos débiles que podemos analizar simplemente retomando la definición de revenue management:

 

 

  1. Vender en el momento adecuado:

¿Cuál es el momento adecuado para subir o bajar una tarifa?

– Sin Big Data no lo sabemos

Según el método tradicional, se analiza el histórico, se define una tarifa de partida y, en función del año pasado, modulamos los precios teniendo en cuenta la evolución de la ocupación junto con otras variables más o menos importantes, que también cambian según la forma de trabajar del revenue manager.

Esta modalidad de análisis es correcta pero poco precisa.

Porque sin datos sobre la demanda no sabemos realmente nada sobre los turistas en el presente, sólo tenemos una proyección del pasado.

No sabemos cuándo subir el precio, si vale la pena esperar o no.

Así que se acaba subiendo los precios en el momento equivocado, o no subirlos cuando hubiera clientes dispuestos a comprar a precios más altos. Porque aquí el error que cometen los hoteles (muchos), al no saber lo que realmente ocurre, es seguir a los competidores a ciegas, práctica que suele llevar a una acción que deteriora todo el mercado.

 

  1. Vender al precio adecuado:

¿Cuál es el precio adecuado para el transient?

– Sin los datos de demanda es complejo responder.

Un método alternativo es, de nuevo, analizar los patrones de precios sobre el histórico, pero ¿Estamos seguros de que en el pasado se hizo un pricing correcto? NO, por lo que es muy probable que se traslade el error al presente. Aquí también surgen problemas para los algoritmos.

Ejemplo: en los modelos de machine learning (algoritmos de aprendizaje automático) de clasificación como el reconocimiento automático de imágenes, el algoritmo está «entrenado» para reconocer la imagen porque antes se le da la imagen correcta. Reconoce una manzana entre los plátanos porque al principio se le muestra la manzana o una idea óptima de manzana. El ejemplo puede extenderse a los modelos de texto predictivo, como suele hacer Google.

En el caso de los hoteles es un poco más complicado: En un hotel, tomando datos históricos, el principal problema es que no se sabe si lo que ha pasado es lo óptimo. Se sabe que el año pasado se vendieron 20 habitaciones por 100 euros, pero no se sabe si este es el resultado óptimo. Tal vez se hubiese podido vender el mismo número de habitaciones a un precio más alto. Por eso, entrenar un sistema sólo con los datos del año pasado para predecir el futuro puede llevar a resultados no óptimos.

 

Para concluir:

No hay dicotomía entre Small Data (datos del PMS) y Big Data (datos de la demanda), nunca ha existido porque uno es la culminación del otro

El Big Data en el revenue management ofrece la oportunidad de analizar en tiempo real cuántos clientes buscan un destino, desde qué país, con qué capacidad de gasto. Información clave para aplicar el precio correcto al cliente adecuado. Problemas (requiere una gran infraestructura y modelos analíticos avanzados)

Small Data permite observar en detalle la información principal del hotel, la evolución de las principales métricas, elementos esenciales para definir estrategias de venta. Problemas (La inserción de los datos a analizar en el PMS debe hacerse de forma correcta)

 

El Hub de datos de la demanda, un proyecto innovador para democratizar el Big Data en beneficio de los hoteles

Lybra ha desarrollado el primer gran proyecto de BIG DATA para el análisis de la demanda, gracias a los datos de miles de hoteles combinados con el mapeo de los precios de venta y el análisis de eventos. Un proyecto creado para añadir al revenue management la parte que, como hemos visto, siempre ha faltado y que nos permite responder a las preguntas que todos nos hacemos cada día:

¿Cuántos turistas hay que comprarían mis habitaciones? ¿Cuánto están dispuestos a gastar?

Small Data y Big Data juntos, cada uno de los dos sets de datos, si están bien ensamblados, pueden aportar importantes beneficios al análisis y, por tanto, al negocio de los hoteles.

 

Lybra Assistant, con la incorporación del módulo Lybra EYE, es el primer RMS que combina las ventajas del Small Data y del Big Data en un solo sistema, ofreciendo una experiencia única al revenue manager, que ahora es capaz de monitorizar los datos del mercado y la presión de la demanda en REAL-TIME. Este proyecto ha puesto el Big Data al alcance de todos los hoteles, aumentando exponencialmente la precisión del análisis en comparación con los métodos tradicionales.

Por el momento, el módulo Lybra EYE sólo está disponible en Italia, pero estará disponible para los hoteles de otros países en los próximos meses. Contacta con [email protected] para saber cuándo estará disponible el módulo Lybra EYE en tu país o para saber más sobre cómo Assistant RMS puede ayudar a tu establecimiento a adoptar los datos de la demanda futura -incluyendo las búsquedas de vuelos- para establecer las tarifas de habitaciones más precisas y en tiempo real, y captar la demanda que ya está llegando a tu destino.

 

 

CAPTION: Utilizando el control deslizante de la imagen del globo dinámico de arriba, puedes ver el número de búsquedas de vuelos internacionales para viajes a Italia durante los meses de verano; a medida que mueves la barra, cambia el día del análisis. Estos datos en tiempo real proceden del uso de Lybra Assistant RMS + el módulo Lybra EYE.

 

Suscríbase a nuestro Newsletter

Últimos artículos