IA causal en hotelería: cómo impulsa la toma de decisiones

Imagina que en tu ciudad se celebra un festival anual, y estás fijando el precio de las habitaciones para el año siguiente. Tu sistema de revenue management identifica que durante las fechas del festival se produce un pico de reservas y te sugiere que aumentes ligeramente las tarifas de las habitaciones durante el periodo del festival debido al aumento de la demanda.

Sin embargo, una investigación más profunda que incorpora fuentes de demanda en tiempo real revela que rebajar un 5% las tarifas respecto a la competencia (al tiempo que se ofrece un paquete especial que incluye entradas y transporte al festival) influye precisamente en las reservas de forma que se maximizan los ingresos totales.

¿Por qué los puntos de vista opuestos? La sugerencia inicial utiliza un algoritmo de aprendizaje automático predictivo diseñado para encontrar correlaciones estadísticas en datos históricos. El resultado es una forma de razonamiento inductivo: «Cuando se produce un resultado X, también se produce la variable Y. Por lo tanto, es probable que Y cause X».

Sin embargo, correlación y causalidad son dos cosas distintas, y confundirlas puede llevar a conclusiones erróneas. Este tipo de errores podrían evitarse con la IA causal.

En este artículo, exploramos cómo se está adoptando la IA causal en distintos sectores para ayudar a mejorar la toma de decisiones y su impacto en la hotelería.

¿Cómo funciona la IA causal?

La IA causal es un modelo sofisticado que utiliza conjuntos de datos más amplios y está diseñado para analizar escenarios más complejos.

Por ejemplo, en agricultura, una simple correlación entre el uso de fertilizantes y el rendimiento de las cosechas no bastaría para hacer predicciones precisas. La IA causal incorporaría variables externas, como la calidad del suelo y los patrones meteorológicos, para proporcionar un análisis más completo.

Los conjuntos de datos más amplios se procesan entonces mediante algoritmos que identifican las relaciones causa-efecto y señalan los impulsores directos del cambio. En el ejemplo anterior, la IA causal tendría en cuenta el impacto de la calidad del suelo para determinar el uso necesario de fertilizantes para optimizar el rendimiento de los cultivos. Además de proporcionar ideas, la IA causal nos indica la acción necesaria para lograr los resultados deseados dadas las condiciones actuales.

La IA causal también puede elaborar escenarios «qué pasaría si» para predecir los resultados de distintas combinaciones de variables. Aquí es donde supera a la IA basada en la correlación, que se limita a los datos históricos y tiene dificultades para predecir escenarios nuevos causados por nuevas pautas.

La clave de la IA causal son los datos de que se dispone. Cuanta más información tenga el algoritmo para sacar conclusiones, más precisas podrán ser sus predicciones. En un mundo en el que tenemos más datos que nunca a nuestro alcance, se trata de cómo transformar esos datos para que tengan un impacto en el mundo real.

En resumen, la IA causal mejora la toma de decisiones gracias a su capacidad para:

1. Entender las causas reales de una situación actual
2. Predecir escenarios futuros basándose en los datos existentes y en factores hipotéticos.
3. Aplicar ingeniería inversa a los resultados, determinando las condiciones necesarias para un resultado concreto, por ejemplo, determinar el uso óptimo de fertilizantes para obtener el rendimiento deseado de un cultivo.

Cómo se utiliza la IA causal en los distintos sectores

La IA causal es una tecnología emergente que Gartner incluyó entre los factores que impulsan la innovación, y que aún se encuentran en una fase bastante temprana del ciclo de popularidad. Se está utilizando con éxito en

Sanidad

La IA causal se está utilizando para identificar las causas profundas de las enfermedades y predecir el efecto de la medicación y los cambios de estilo de vida en los pacientes. Esto permite tratamientos verdaderamente personalizados basados en los perfiles individuales de los pacientes. Por ejemplo, la Clínica Jameel del MIT utiliza la IA causal, junto con otras tecnologías de aprendizaje automático, para avanzar en la investigación de la detección de enfermedades y el descubrimiento de fármacos.

Finanzas

La IA causal ayuda a las instituciones financieras a gestionar los riesgos, anticiparse a las recesiones económicas y predecir los efectos de las políticas económicas, como el impacto de los cambios en los tipos de interés sobre mercados específicos y la inflación general. Causality Link, por ejemplo, analiza miles de documentos casi en tiempo real para identificar relaciones de causa y efecto.

Agricultura

En agricultura, la IA causal se utiliza para analizar las relaciones causales entre las prácticas agrícolas -métodos de riego, uso de fertilizantes, rotación de cultivos o control de plagas- y resultados como la salud del suelo, el crecimiento de las plantas y el rendimiento. Ayuda a equilibrar la productividad y la sostenibilidad, haciendo que los sistemas de producción de alimentos sean más resistentes.

Fabricación

La IA causal se utiliza para identificar las causas exactas de ineficiencias o averías analizando datos de maquinaria, líneas de producción, niveles de inventario y tiempos de envío. Por ejemplo, BP no sólo predice, sino que encuentra las causas profundas de los fallos de los componentes de los aerogeneradores.

Comercio electrónico

En el comercio electrónico, el modelado causal responde a preguntas como qué grupos son más sensibles a los precios y pueden ser tentados por una promoción o qué anuncio visual debe servirse a qué grupo. Con la IA causal, los mayores actores del comercio electrónico, como Uber, Amazon y Booking.com, están optimizando decisiones de marketing multimillonarias.

La IA causal en la hotelería

La IA causal avanza a pasos de gigante en todos los sectores, y la hotelería no es una excepción. Aunque la adopción ha sido más lenta, estamos empezando a ver cómo emerge el poder de la IA causal para los hoteles. Por ejemplo, puede ayudar a abordar cuestiones complejas que tradicionalmente han sido difíciles de responder con precisión, como:

• ¿Cuánto descuento es necesario para aumentar la probabilidad de recuperar a un cliente concreto sin reducir innecesariamente los ingresos?
• ¿Cuánto hay que rebajar respecto a un competidor para aumentar las reservas y maximizar los ingresos, en lugar de igualar ciegamente las tarifas más bajas?
• ¿Por qué los Ingresos durante la temporada alta fueron inferiores a lo esperado? ¿Qué habría pasado si hubiéramos subido o bajado las tarifas?
• ¿A qué segmentos deberíamos enfocar nuestra próxima campaña de marketing y qué paquetes deberíamos ofrecer?

Hay tres áreas de las operaciones de un hotel en las que la IA causal es especialmente prometedora.

1. Optimización de la demanda

La optimización de la demanda consiste en predecir la demanda futura y captar la mayor cantidad posible de ella a la tarifa adecuada para maximizar los ingresos totales. Para su análisis, los hoteles suelen utilizar señales de demanda como la estacionalidad, los índices de ocupación y los precios de la competencia. A partir de ahí, aplican precios dinámicos basados en reglas, por ejemplo, intentando llenar las habitaciones a la tarifa más alta posible cuando la demanda es alta y descontando tarifas cuando la demanda es baja.

El problema de este enfoque es que se basa en gran medida en datos históricos, que no siempre reflejan con exactitud los escenarios futuros, y tiende a considerar las correlaciones de forma aislada (por ejemplo, entre tarifas y ocupación), lo que puede llevar a conclusiones espurias.

Con la IA causal, es posible integrar señales de demanda tradicionales y precios dinámicos con miles de millones de puntos de datos prospectivos, como eventos locales e información de metabúsqueda, para detectar fechas de búsqueda populares antes de que se produzca una reserva.

Combinada con los patrones históricos de reservas de un establecimiento y los datos demográficos de los huéspedes, la IA causal puede entender la relación causal entre tarifas, demanda y reservas, y recomendar una combinación de acciones, como reducir las tarifas o poner en marcha campañas de marketing para conseguir una venta casi perfecta. Este planteamiento unifica toda la gama de decisiones sobre precios, incluidas las tarifas por habitación, las oportunidades de ventas adicionales y las promociones, tanto a través de OTA como de reservas directas.

Por ejemplo, si un hotel ve que las tarifas de la competencia tienden a la baja, la IA causal podría sugerir lanzar una promoción para vender más habitaciones al principio de la ventana de reserva, minimizando la pérdida de ingresos. Por el contrario, si las tarifas de la competencia tienden a subir, el hotel puede retener habitaciones para venderlas más tarde a tarifas más altas, maximizando el beneficio..

2. Marketing

Hay tres áreas de marketing hotelero en las que la IA causal puede marcar la diferencia:

Segmentación de huéspedes. A diferencia de los métodos tradicionales que segmentan a los huéspedes por categorías generales -como negocios frente a ocio-, con la IA causal es posible analizar patrones en los datos de los huéspedes, como datos demográficos, comportamientos de reserva, preferencias e incluso abandono del carrito de compra (cuando los huéspedes potenciales inician una reserva pero no la completan) para entender los factores que influyen en por qué determinados huéspedes reservan o abandonan el proceso y tomar medidas como dirigirse a los que tienen mayor intención de viajar en las fechas requeridas.

Optimizar tarifas con descuento. La IA causal analiza lo sensibles que son los distintos segmentos de huéspedes a los cambios de precio y determina el descuento mínimo necesario para conseguir la tasa de conversión deseada. Esto permite a los hoteles atraer a huéspedes sensibles a los precios sin ofrecer descuentos innecesarios.

Evaluar el rendimiento de las campañas. Causal AI puede analizar las campañas de marketing anteriores y los datos de los huéspedes para identificar los canales, los mensajes, las estrategias de upselling y el momento más eficaces para dirigirse a los huéspedes y maximizar la conversión en el punto de precio óptimo.

3. Mantenimiento predictivo

Los sensores inteligentes y el IoT (Internet de las Cosas) no son sólo para la industria de fabricación. También los hoteles pueden utilizarlos para controlar el rendimiento y los patrones de uso de las unidades de climatización, calderas y ascensores, recopilando datos sobre presión, temperatura, patrones de uso y vibraciones.

Sin embargo, recopilar datos es sólo una parte de la ecuación; el verdadero reto es utilizarlos eficazmente. Ahí es donde entra en juego la IA causal. Esta tecnología puede analizar los datos para explicar qué causó averías pasadas, predecir fallos futuros y recomendar cuándo realizar el mantenimiento preventivo antes de que surjan problemas. Los beneficios incluyen una mayor vida útil de los equipos del hotel, una mejora de la experiencia de los huéspedes y una reducción de los costes energéticos.