Guardiamo avanti, per non riamanere indetro
Il mondo del turismo negli ultimi anni è stato scosso da una forte spinta innovativa, grazie all’introduzione delle nuove tecnologie e ad una maggiore consapevolezza manageriale. Come spesso accade, la tecnologia corre veloce ed è necessario fare un recap per capire quale parte può essere utile e quale parte va tralasciata.
Con i Big Data si completa la visione originaria del revenue management. Vi spiego il perchè, ma partiamo dall’inizio
Breve storia
I Big Data sono un concetto relativamente nuovo nel turismo.
Sorvolando la mera definizione accademica delle 5V, si tratta di una enorme quantità di dati che possono essere strutturati (cioè seguono una logica tabellare come excel) o non strutturati, e possono avere natura diversa (Email, immagini, testi, ricerche). Lo sviluppo di questo nuove filone tecnologico è stato reso possibile con la diffusione dei sistemi in Cloud. L’interconnessione dei sistemi, unita alla infinita capacità di immagazzinare i dati a prezzi contenuti, ha aperto le porte alla democratizzazione dei Big Data, prima esclusiva solo di pochi.
Creare una piattaforma di gestione dei BIG DATA è tuttavia un’operazione onerosa sia dal punto di vista dei costi che delle competenze, nel turismo sono poche le aziende in grado di portare avanti questo tipo di progettualità: Il Gruppo Zucchetti è stato il primo player del settore a percorrere questa strada innovativa. Una buona notizia che dimostra la volontà e la possibilità di essere innovativi in un settore conservativo come il nostro.
I BIG DATA nel Revenue Management: sì, ma dove si applica?
Big data rimane un termine abbastanza generico, molto usato sopratutto nel marketing ma spesso dai contorni sfumati. Se nel mondo del turismo i campi di applicazione dei Big Data possono essere molto estesi, nel campo del revenue management trova una sua collocazione ideale nell’analisi della domanda, vediamo perché.
La definizione classica del revenue management è
- vendere al prezzo giusto
- al momento giusto
- al cliente giusto.
L’evoluzione delle tecniche di analisi è sempre ruotata intorno a questi concetti. Spesso si sente parlare di elasticità della domanda per capire quanto un cliente è disposto a pagare per una camera d’hotel, tuttavia questo dato è sempre stato complesso da ricavare.
Il tentativo più semplice è stato quello di analizzare lo storico dell’hotel, i dati del PMS, per studiare i pattern di acquisto dei clienti nel passato considerandoli validi anche negli anni successivi. La letteratura del revenue management è piena di case study basati su questo modello di analisi che presenta dei punti di debolezza che possiamo analizzare semplicemente riprendendo la definizione di revenue management:
1. Vendere al momento giusto:
Qual è il momento giusto per alzare o abbassare una tariffa?
- Senza Big Data non lo sappiamo
Secondo il metodo tradizionale si analizza lo storico, si definisce una tariffa di partenza e in base all’anno scorso moduliamo i prezzi tenendo in considerazione l’evoluzione dell’occupazione insieme ad altre variabili più o meno importanti, che cambiano anche in base alla modalità di lavoro del revenue manager.
Questa modalità di analisi è corretta ma poco precisa.
Perchè senza i dati di domanda In realtà non sappiamo nulla dei turisti nel presente, abbiamo solo una proiezione dal passato.
Non sappiamo quando alzare il prezzo, se conviene aspettare o no.
Quindi si finisce per alzare i prezzi nel momento sbagliato, oppure non alzarli quando ci sarebbero clienti disposti ad acquistare a prezzi più alti. Perchè qui l’errore che commettono gli hotel (molti), non sapendo cosa accade veramente, è di seguire i competitors al buio, pratica che spesso porta ad un’azione che deprime tutto il mercato.
2. Vendere al prezzo giusto:
Qual è il prezzo giusto per i transient?
- Senza il dato di domanda è complesso rispondere.
Un metodo alternativo è analizzare anche in questo caso i pattern dei prezzi sullo storico, ma siamo sicuri che in passato è stato fatto un pricing giusto? NO, quindi è molto probabile che si riporti l’errore nel presente. Questo è anche il punto in cui sorgono le problematiche per gli algoritmi.
Esempio: nei modelli di machine learning (algoritmi di apprendimento automatico) di classificazione come il riconoscimento delle immagini in automatico, l’algoritmo viene “allenato” a riconoscere l’immagine perchè a monte gli viene data l’immagine corretta. Riconosce una mela in mezzo alle banane perché all’inizio gli viene mostrata la mela o un’idea ottimale di mela. L’ esempio può essere esteso ai modelli predittive dei testi, come spesso fa Google.
Nel caso degli hotel è un po’ più complicato: In un hotel, prendendo i dati storici, il problema principale é che non sai se quello che é accaduto é l’ottimale. Sai che l’anno scorso hai venduto 20 camere a 100 euro, ma non sai se questo è il risultato ottimale. Magari avresti potuto vendere lo stesso numero di camere ad un prezzo più alto. Quindi allenare un sistema solo sui dati dell’anno passato per predire il futuro potrebbe portare a risultati non ottimali.
Per concludere:
Non esiste una dicotomia tra Small data (dati dei PMS) e Big Data (dati di domanda), non è mai esistita perchè l’uno è il completamento dell’altro
- I Big data nel revenue management offrono l’opportunità di analizzare in tempo reale quanti clienti stanno cercando la vostra destinazione, da quale paese, con quale capacità di spesa. Informazioni fondamentali per applicare il prezzo giusto al cliente giusto. Problemi (necessita di grandi infrastrutture e di modelli di analisi avanzati)
- Gli Small data permettono di osservare nel dettaglio le principali informazioni dell’hotel, l’evoluzione delle principali metriche elementi imprescindibili per definire le strategie di vendita. Problemi (L’inserimento dei dati da analizzare nel PMS deve essere fatto nella maniera corretta)
L’Hub dei dati di domanda, un progetto innovativo per democratizzare i Big Data a vantaggio degli hotel
Lybra e Zucchetti hanno sviluppato il primo grande progetto di BIG DATA sul territorio italiano per l’analisi della domanda, grazie ai dati di 15.000 hotel uniti alla mappatura dei prezzi di vendita, analisi delle ricerche dei voli e gli eventi. Un progetto realizzato per aggiungere al revenue management la parte che, come abbiamo visto, è sempre mancata e che permette di rispondere alle domande che noi tutti ci facciamo quotidianamente:
quanti turisti ci sono che comprerebbero le mie camere? Fino a quanto sono disposti a spendere?
Small data e big Data insieme, ognuno dei due set di dati, se ben assemblati, possono portare importanti benefici alle analisi e quindi al business degli hotel.
Lybra è il primo RMS a combinare in un unico sistema i vantaggi degli Small data e dei Big Data. Un’esperienza unica al revenue manager, che ora è in grado di guardare direttamente ai dati di mercato e di pressione della domanda in REAL-TIME. Un progetto che mette i Big Data alla portata di tutti gli hotel italiani, elevando esponenzialmente l’accuratezza delle analisi rispetto ai metodi tradizionali.
In basso le ricerche sull’Italia dall’estero nei mesi estivi, il grafico è dinamico. Muovendo la barra si cambia giorno di analisi. Buona visione!