Mi è stato chiesto più di una volta di spiegare che cosa si intende per Cambio di Paradigma nel Revenue Management in relazione alla previsione della domanda  e, come data scientist, ho difficoltà a spiegarne il significato in modo più semplice.

Spiegare un concetto complesso …

La creazione di previsioni che non sono basate su dati storici è un esercizio di analisi veramente complesso, soprattutto nel settore del turismo. E’ importante sapere che, prima di Lybra, nessun revenue management system  ha mai provato a includere i dati che inseriamo nel nostro algoritmo, per 2 ragioni su tutte:

  • la scarsità di dati futuri 
  • la mancanza di una letteratura scientifica in grado di fornire modelli adeguati.

… il modo migliore è usare una metafora …

Invece dei dati, utilizziamo lo spettro dei colori, dal blu al giallo. Immagina di costruire il miglior algoritmo al mondo combinando questi due colori. Ora, per quanto potente sia il programma, il risultato sarà sempre basato sui due colori; in breve, il risultato suggerito potrebbe essere qualsiasi colore nello spettro dal blu al giallo, comprese molte sfumature di verde.

In questo caso semplicistico (come accade negli RMS tradizionali), siamo limitati dai colori che abbiamo utilizzato come dati di input originali, ma non dalle capacità dell’algoritmo stesso. Vediamo un esempio per illustrare meglio i limiti dei dati di input (o colori) …

Se volessimo creare il marrone, avremmo bisogno di aggiungere un altro colore al nostro algoritmo: il rosso.

Ora, riportiamo il discorso a quello che stiamo facendo con Lybra Assistant; Stiamo creando algoritmi basati su dati provenienti da fonti nuove e diverse, tra cui ricerche di voli, meta ricerche, pressione della domanda OTA, eventi. Per riportarlo alla nostra metafora, stiamo aggiungendo nuovi colori alla fase di input, che viene utilizzata per creare un modello di forecast più accurato.

Abbiamo iniziato questo progetto 4 anni fa e siamo lieti, oggi,  di avere l’opportunità di lavorare con un team dedicato di data scientist all’interno del Gruppo Zucchetti, una delle più grandi aziende europee nel settore IT.

Alcuni insight

Determinare quale variabile è la più importante è più complicato di quanto sembri a prima vista. Per cominciare, è fondamentale capire il significato di “più importante”. È più corretto parlare di “importanza relativa” che tradotto in data science significa “attribuire il giusto peso alle variabili a seconda dei contesti”

Ricerche dei voli

Le ricerche di voli sulle destinazioni sono un fattore importante, ma la rilevanza di questi dati tende a diminuire man mano che ci si allontana dalla città che “ospita” l’aeroporto  (per maggiori dettagli, vi invito a leggere questo articolo ).

Ricerche di prenotazione

Questo dato è importante, può sembrare in alcuni casi ridondante rispetto alle ricerche di voli, ma è utile per gli hotel situati in provincia o lontano dagli aeroporti.

Eventi

Gli eventi sono un altro elemento rilevante, tuttavia non tutti hanno un impatto sulla destinazione e quindi sull’occupazione dell’hotel.

Concorrenti

Capire cosa sta facendo la concorrenza è fondamentale, perché indipendentemente dal fatto che seguano o meno strategie di ricavo o di prezzo, nel loro insieme determinano il prezzo di riferimento, che rappresenta uno dei parametri più importanti che il cliente segue prima di acquistare un prodotto o servizio.
Reputazione

Reputazione

La reputazione gioca naturalmente un ruolo fondamentale perché incide sulla determinazione del prezzo di riferimento da parte del cliente e d’altra parte influisce sulla capacità di pricing dell’hotel. Prezzo e reputazione sono indissolubilmente legati e giocano su diversi livelli temporali. La reputazione è un bene immateriale, che si deteriora anche con una politica dei prezzi a lungo termine troppo bassa.

 

Il vecchio paradigma…

Tutte le variabili giocano un ruolo considerevole nella determinazione del forecast, ma a differenza della sola analisi del dato storico, il peso di ciascuna di queste variabili è relativo, contestualizzato al singolo hotel.

Le previsioni tradizionali prendono nella maggior parte dei casi il dato storico e lo proiettano sul futuro, attraverso l’analisi dei trend di pick up. Questa metodologia è stata la madre del forecast, da 40 anni, cioè dalle origini del revenue management come scienza applicata. Su come fare forecast utilizzando le serie storiche nel PMS (gestionale dell’hotel) sono state fatte molte ricerche negli anni, anche grazie a studi individuali o progetti universitari.

Tuttavia questo tipo di analisi non risulta particolarmente accurata, perchè non considera molte variabili.

Per esempio, se analiziamo solo i trend di pick up dello scorso anno, abbiamo solo un numero, ma non abbiamo alcuna informazione che ci dica perchè è venuto fuori quel pick up.

Non sappiamo nulla del prezzo dei competitor o della pressione della domanda dell’anno scorso. Queste tuttavia sono variabili importanti che hanno condizionato in qualche modo quel pick up, ma è una informazione che i modelli di pick up non utilizzano. Per questo l’accuratezza dei modelli di forecast non eccelle.

Sulla base di queste considerazioni viene facile comprendere il livello di astrazione che i modelli di revenue management tradizionali hanno e perchè oggi, con le nuove tecnologie e soprattutto con la forte dinamicità del mercato, è necessario guardare avanti.

Il nuovo paradigma…

Il processo di ottimizzazione, cioè l’utilizzo di algoritmi complessi con dati complessi, ha come scopo primario quello di trovare il giusto dosaggio delle singole variabili per aumentare l’accuratezza del forecast e di tutte le attività collegate al revenue management.

Tuttavia vista la complessità della materia, è impensabile andare a modificare manualmente il peso di ciascuna variabile per ciascun hotel, ed è per questo che si usano algoritmi di machine learning.  Questi nuovi modelli di intelligenza artificiale lavorano in autonomia, per trovare il giusto equilibrio nel dosaggio di ciascuna delle variabili di mercato, al fine di ottimizzare e supportare, su base scientifica, le decisioni di revenue management.

Questo cambio di paradigma nel Revenue Management è qualcosa che sta già accadendo, stiamo scrivendo su un foglio bianco. Come dicevo all’inizio non esiste ancora una letteratura scientifica a riguardo ma il tema sicuramente offrirà nuovi spunti di ricerca.

Fulvio Giannetti – CEO Lybra