top of page

Revenue Management: Miremos Hacia Adelante Para no Quedarnos Atrás

Como suele ocurrir, las nuevas tecnologías evolucionan muy rápidamente en tiempos de escasez para resolver/abordar los problemas a los que se enfrenta el sector en ese momento, por lo que es importante que recapitulemos algunos de los desarrollos más importantes, para entender mejor las partes de la tecnología que son necesarias para los hoteleros y cuáles pueden dejarse de lado.

Te explico el porqué, pero empecemos por el principio.

Una breve historia

El Big Data es un concepto relativamente nuevo en el sector turístico y, como tal, todavía hay mucha confusión sobre lo que es el Big Data y cómo ayuda a los hoteleros a conseguir más reservas e ingresos; para facilitarlo, te daré una definición más sencilla y te explicaré por qué es clave para el éxito futuro del revenue management.

Big Data es, sencillamente, una enorme cantidad de datos -incluyendo datos de correo electrónico, datos de imágenes, texto, datos de búsqueda, etc. – que pueden ser estructurados (es decir, presentados con herramientas como Excel) o no estructurados.

El amplio uso de los servicios en la nube, combinado con el volumen de datos, ha dado lugar al término Big Data, sencillamente porque el alcance y la complejidad de los datos disponibles están más allá de lo que la mente humana puede computar de una manera eficaz en términos de tiempo. 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, que antes era dominio exclusivo de unos pocos.

Hasta hace poco, el Big Data era el elemento clave que faltaba, pero que era muy necesario, para completar y perfeccionar los procesos modernos de revenue management, los RMS y las estrategias, pero, afortunadamente, hoy disponemos de la tecnología necesaria para apoyar completamente la gestión de ingresos.

¿Qué es exactamente el Big Data en el Revenue Management?

La aplicación del Big Data en el sector de los viajes puede ser muy amplia y variada, así que vamos a centrarnos en su impacto en el campo del revenue management, donde es ideal para el análisis de la demanda, como base para las decisiones de precios.

Veamos por qué…

La definición clásica de revenue management es:

● Vender tu habitación al precio adecuado…

● Vender tu habitación en el momento adecuado…

● Vender tu habitación al cliente adecuado.

La evolución de las técnicas de análisis de revenue management siempre ha girado en torno a estos conceptos.

A menudo oímos hablar de la importancia de la elasticidad de la demanda, como forma de 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 (a través de los datos del PMS) para estudiar las pautas de compra de los clientes en el pasado, y suponiendo que se mantendrán constantes, utilizarlas para tomar decisiones futuras. En el pasado, esto podría haber dado resultado en ocasiones, pero hay muchos casos de estudio basados en este modelo de análisis, que tienen puntos débiles evidentes que podemos explorar simplemente reevaluando la estrategia, basándonos en nuestra anterior definición de revenue management:

1. Vender en el momento adecuado

P: ¿Cuándo es el momento adecuado para subir o bajar la tarifa de una habitación?

R: Sin Big Data, la respuesta es que no lo sabemos con seguridad.

Según el enfoque tradicional, analizamos el histórico, definimos una tarifa de partida y, basándonos en el año pasado, ajustamos los precios teniendo en cuenta la evolución de la ocupación, junto con otras variables más o menos importantes (que también cambian según cómo aplique sus decisiones el revenue manager). Este método de análisis es correcto pero poco preciso.

Sin datos de la demanda en tiempo real, no sabemos ningún dato preciso sobre el interés de los huéspedes potenciales en viajar a tu país, destino y/o establecimiento -o cuántas personas vendrán al destino en los próximos días/semanas/meses/año-, porque sólo tenemos una proyección del pasado.

No sabemos cuándo hay que subir el precio, o si hay que esperar, porque no tenemos ni idea de lo que nos deparará el futuro, en términos de demanda.

Por ello, muchos revenue managers optan por subir las tarifas de las habitaciones en el momento equivocado o deciden no subirlas cuando hay clientes dispuestos a comprar a precios más altos. Por otra parte, otros revenue managers intentan ciegamente igualar o batir los precios de los competidores, una práctica que a menudo conduce a una espiral descendente, desalentando todo el mercado.

2. Vender al precio adecuado

P: ¿Cuál es el precio adecuado para que los clientes quieran reservar una habitación en tu establecimiento, en lugar de la competencia?

R: Sin datos sobre la demanda, es muy difícil -si no imposible- responder a esa pregunta.

Un método es, de nuevo, analizar los patrones de precios a lo largo de la historia, pero aquí hay un fallo importante en esa estrategia: ¿podemos estar alguna vez completamente seguros de que se aplicó el precio correcto en el pasado?

Por desgracia, no podemos. Al igual que en el ejemplo anterior, este método hace que sea muy probable que heredes algunos errores en el presente, debido a los errores de precios del pasado.

Esta estrategia no es sólo un problema para los revenue managers, sino que resulta muy ineficiente cuando se utiliza una tecnología que emplea este tipo de algoritmos para calcular las tarifas de las habitaciones.

Veamos un ejemplo: en el machine learning, los modelos de clasificación, como el reconocimiento automático de imágenes, el algoritmo está “entrenado” para reconocer una imagen porque se le da la imagen correcta de antemano; así, puede identificar una manzana, como una manzana, cuando la ve más tarde, porque se le mostró inicialmente una imagen óptima de una manzana (como base de comparación).

En el caso de los hoteles, los algoritmos de revenue management que basan sus precios en esta estrategia, se encontrarán con el mismo problema; al utilizar datos históricos potencialmente inexactos (o menos que óptimos) para predecir el futuro, podrían obtener sugerencias de precios subóptimas, que no tienen en cuenta las condiciones actuales del mercado.

Para concluir:

No hay dicotomía entre el Small Data (datos del PMS) y el Big Data (datos de la demanda) porque, los dos combinados, proporcionan la imagen completa que se necesita para desarrollar estrategias de gestión de ingresos basadas en datos y establecer tarifas precisas, en tiempo real:

● En el revenue management, el Big Data ofrece la oportunidad de analizar, en tiempo real, cuántos clientes buscan tu destino, desde qué país de origen y con qué poder adquisitivo. Se trata de una información crucial que hay que conocer para fijar el precio correcto, para atraer al cliente adecuado; sin embargo, sin un RMS con una gran infraestructura y modelos de análisis avanzados para procesar los datos con precisión, es imposible capturar y analizar estos datos manualmente.

● El Small Data permite observar, en detalle, los principales elementos de datos del hotel, incluida la evolución de las métricas clave, que son esenciales para definir las estrategias de venta -por supuesto, eso suponiendo que los datos que se analizan se hayan introducido correctamente en el PMS.


El Hub de Datos de la Demanda: Un proyecto innovador para democratizar el Big Data en beneficio de los hoteles

Lybra y el Grupo Zucchetti han desarrollado el primer proyecto de Big Data a gran escala, Lybra EYE -un módulo dentro del Assistant RMS de Lybra- diseñado para analizar la demanda, utilizando los datos del PMS de 15.000 hoteles en Italia, combinados con el mapeo de precios de venta y el análisis de eventos.

Este proyecto se creó para añadir una importante pieza que faltaba al rendimiento de la gestión de ingresos, permitiendo responder a las preguntas que los hoteleros se hacen a diario: ¿cuántos turistas hay que reservarían las habitaciones de mi hotel? ¿Cuánto están dispuestos a gastar?

Cuando se combinan y se ensamblan bien -como en Lybra EYE-, el Small Data y el Big Data pueden ofrecer un importante análisis de la demanda para ayudar a respaldar la rentabilidad de los hoteles, ahora y después del COVID.


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

Por ahora, el módulo Lybra EYE sólo está disponible en Italia, pero en los próximos meses estará a disposición de los hoteles de otros países.

1 visualización0 comentarios

Comments


bottom of page