De las conjeturas al poder predictivo: la evolución de la previsión de la demanda hotelera

Uno de los principales retos para los hoteles es crear previsiones precisas a corto, medio y largo plazo. Comprender las tendencias futuras de la demanda, sus causas y los segmentos de huéspedes que las impulsan puede ayudar a los gestores de ingresos hoteleros a ajustar las tarifas de las habitaciones para aumentar la ocupación y las ventas.

Una previsión precisa también beneficia a los hoteles de otras maneras. Los managers pueden utilizarlo para presupuestar, asignar recursos, agilizar la gestión del inventario y mejorar la experiencia del huésped.

Pero los modelos tradicionales de previsión ya no sirven. Basarse en datos históricos dificulta el rendimiento, ya que ninguna temporada es idéntica a la anterior. En la demanda influyen constantemente nuevos factores, que los datos del pasado por sí solos no pueden predecir.

En este artículo, exploramos la evolución de la previsión hotelera y cómo los hoteles pueden ser más proactivos con las técnicas modernas de previsión. 

Cómo se hacen las previsiones hoy

Aquí podemos visualizar un típico escenario de previsión de la gestión de ingresos que se basa en datos históricos.

Imaginemos que un hotel prevé una mayor demanda durante la primera semana de julio, cuando se celebra un festival de jazz local, y planea aumentar las tarifas basándose en los datos del año pasado. Sin embargo, el festival ha ganado popularidad desde entonces, trasladándose a un lugar más grande y presentando a músicos de mayor perfil. Es probable que esto atraiga a un público más numeroso y diverso de todo el país y del extranjero.

Para aprovechar la mayor demanda, el hotel podría aumentar las tarifas en comparación con el año anterior sin arriesgar la ocupación e incluso retener algunas habitaciones de las ventas anticipadas, liberándolas más cerca de la fecha en que es probable que las tarifas estén en su punto máximo.

Por desgracia, con un modelo de previsión tradicional, el gestor de ingresos probablemente solo se daría cuenta del aumento de la demanda cuando ya estuviera en marcha, perdiendo oportunidades clave para ajustar las tarifas y captar ingresos adicionales desde el principio.

Limitaciones de la previsión hotelera tradicional

Hay dos limitaciones de la previsión tradicional en la industria de la hotelería que conducen a esta situación.

1. Falta de integración entre tarifas y reservas

En los modelos de demanda estándar, las tarifas y las reservas se gestionan por separado. Esta desconexión significa que cualquier cambio en las tendencias de la demanda no es inmediatamente visible para el sistema de precios, que sigue basándose en datos históricos.

El resultado es un enfoque de previsión estático que a menudo salta directamente al resultado final sin evolucionar las predicciones a través de la ventana de reserva. Sin adaptación dinámica, los modelos tradicionales carecen de flexibilidad para ajustarse a medida que surgen nuevas condiciones de mercado.

Volviendo a nuestro ejemplo, una vez que se actualizó la previsión y el hotel notó un aumento de la demanda en comparación con el evento del año pasado, ya se habían reservado habitaciones a tarifas inferiores a las óptimas, dejando ingresos sobre la mesa.

2. No se utilizan datos externos o prospectivos

Los modelos tradicionales no incorporan datos externos -como las tarifas y puntos de referencia de la competencia, la clasificación del hotel en las agencias de viajes online (OTA) y el tráfico de búsqueda de los socios- para procesarlos en un marco unificado junto con las tarifas y las reservas.

Estos datos prospectivos (por ejemplo, datos actuales que indiquen una tendencia mayor) permitirían al manager de ingresos reconocer la mayor demanda generada por el festival de este año antes de que se traduzca en un repunte de las reservas. Los datos externos son un recurso desaprovechado para los hoteleros, que suelen tener acceso a ellos pero no son capaces de procesarlos adecuadamente e incorporarlos a sus previsiones.

Como resultado, los manager de ingresos se ven obligados a confiar en conjeturas para llenar estos vacíos, lo que conduce a predicciones sesgadas, oportunidades perdidas e ingresos perdidos.

Cómo hacen previsiones otros sectores

Otras industrias han superado estas limitaciones adoptando algoritmos avanzados que se adaptan dinámicamente a las nuevas condiciones, mejorando la precisión de las previsiones. Estos modelos utilizan el aprendizaje automático y la IA causal para incorporar datos pasados y presentes y descubrir relaciones de causa y efecto entre variables, prediciendo cambios en la demanda y ajustándose a medida que se producen.

Las aerolíneas analizan el ritmo de las reservas, la estacionalidad, la demanda histórica, los precios de la competencia y el comportamiento de los clientes para predecir los niveles de demanda en varios momentos antes de la salida. Si se prevé que la demanda de un vuelo será alta en temporada alta, los modelos dinámicos pueden fijar precios iniciales más altos.

A medida que se acerca la fecha de salida, los modelos actualizan continuamente las estrategias de precios basándose en las tendencias actuales de las reservas y en los precios de la competencia, subiendo o bajando las tarifas para maximizar los ingresos.

Los minoristas online como Amazon utilizan algoritmos de previsión que analizan patrones históricos de compra y datos en tiempo real, como la demanda estacional, los precios de la competencia y los niveles actuales de existencias, para ajustar los precios de los productos y el inventario.

Por ejemplo, si hay un aumento de la demanda de un juguete popular, el sistema de previsión actualiza inmediatamente las proyecciones, lo que lleva a la empresa a aumentar los niveles de existencias o ajustar los precios en consecuencia.

De forma similar, el modelo predictivo de Uber basado en IA analiza continuamente factores como el tráfico, el tiempo, la hora del día y los patrones históricos de demanda para prever dónde aumentará la demanda en zonas concretas.

Cuando la demanda de viajes en una zona supera el número de conductores disponibles, el algoritmo de Uber aumenta las tarifas para animar a más conductores a desplazarse a ese lugar y equilibrar la oferta y la demanda.

La evolución de la previsión de la demanda hotelera

La industria hotelera se ha quedado algo rezagada, pero debido a la cantidad de datos disponibles, tiene inmensas oportunidades para aplicar métodos avanzados de previsión. Un artículo publicado en Tourism Management pone de relieve lo valiosos que son los datos hoteleros.

El estudio analizó datos de reservas de hoteles de EE. UU. utilizando modelos matemáticos dinámicos y descubrió que los huéspedes que reservan para una estancia de lunes o miércoles suelen hacer sus reservas más cerca de la fecha de llegada, con un notable aumento de las reservas en los últimos días. Además, los huéspedes que reservan para un miércoles suelen hacerlo un poco antes que los que reservan para un lunes.

Con esta información, los managers de los hoteles podrían mantener las tarifas del lunes estables o ligeramente más bajas al principio de la ventana de reserva para fomentar las reservas anticipadas, y luego subirlas más cerca de la fecha de la estancia para captar la demanda de última hora. Por el contrario, para las reservas de los miércoles, podría ser más eficaz aumentar ligeramente las tarifas al principio de la ventana de reserva y ajustarlas de forma menos agresiva más cerca de la fecha de la estancia para atraer más reservas de última hora.

Estos poderosos datos se suman y pueden tener un impacto significativo cuando se incorporan dinámicamente a la estrategia de gestión de ingresos de un hotel. Cuanto más precisa sea la previsión y la preparación proactiva de un hotel, más ingresos totales generará.

La IA causal para hoteles ya está aquí

Los modelos avanzados de previsión están a punto de convertirse en la norma para los hoteles, gracias a herramientas como Cloudbeds Intelligence. Esta tecnología aprovecha la IA causal y el aprendizaje automático para analizar los patrones de reserva dentro de la plataforma Cloudbeds, combinados con fuentes de datos externas como las tarifas del conjunto de hoteles de la competencia, las clasificaciones de las OTA y el tráfico de búsqueda de los socios, todo ello integrado en un único marco matemático.

Con la IA causal, los hoteles pueden, por ejemplo:

• Predecir cuándo las tarifas del mercado tienden a la baja debido a la escasa demanda, para que el hotel pueda ajustarse proactivamente y vender más habitaciones antes, evitando la pérdida de ingresos.
• Identifica las próximas subidas de tarifas, permitiendo al hotel retener algunas habitaciones y liberarlas más cerca de la fecha de estancia, maximizando los ingresos del inventario limitado.
• Toma decisiones precisas sobre cuándo y cuánto rebajar a la competencia para captar más reservas.

La IA causal extrae esta información directamente de los datos, ofreciendo recomendaciones inteligentes y yendo más allá de los sistemas de gestión de ingresos estándar.

El impacto de la IA causal

Escucha a Nikhil Shah, Responsable de Ciencia de Datos de Cloudbeds, y a Eric Ellis, Director Senior de Diseño de UX de Cloudbeds, desglosar un par de ejemplos de cómo la IA causal transforma la previsión para los hoteles durante Passport 2024, o sigue leyendo a continuación para obtener más información.

Impulsar la ocupación

Para comprender el impacto de la IA causal, examinemos los gráficos siguientes, que comparan un hotel que utiliza el modelo Cloudbeds (panel izquierdo, Hotel A) con un competidor que utiliza la previsión tradicional (panel derecho, Hotel B).

La línea en negrita representa la media del índice de ocupación del conjunto de hoteles de la competencia. Cada punto del gráfico muestra la ocupación de un día concreto del hotel. Los puntos por encima de la línea indican los días en que la ocupación del hotel supera la media del conjunto de hoteles de la competencia, mientras que los puntos por debajo de la línea indican un rendimiento inferior. Los colores representan diferentes ADR (tarifas medias diarias), con el rojo y el naranja indicando las más altas y el azul las más bajas. (Observa que la escala del Hotel A es el doble que la del Hotel B.)

En el gráfico de la izquierda, los puntos se agrupan en la parte superior derecha, por encima de la línea en negrita, lo que significa que el Hotel A consigue con frecuencia una ocupación superior a la de sus competidores. En cambio, el Hotel B muestra una distribución más dispersa, con muchos puntos por debajo de la línea, lo que indica un rendimiento de la ocupación inconsistente.

Gracias al seguimiento preciso de la demanda mediante IA causal, el Hotel A vende sistemáticamente más habitaciones a precios más altos que el competidor que utiliza la previsión convencional.

Aumentar los ingresos por habitación disponible (RevPAR)

Este segundo gráfico se centra en el RevPAR (ganancia por habitación disponible) y no en la ocupación.

Aquí, la línea en negrita representa el RevPAR medio del conjunto de hoteles de la competencia. Los puntos por encima de la línea indican los días en que el RevPAR del hotel supera al conjunto de hoteles de la competencia, mientras que los puntos por debajo indican un rendimiento inferior.

En este gráfico del RevPAR, el Hotel A vuelve a mostrar un fuerte grupo de puntos por encima de la línea, sobre todo en el cuadrante superior derecho, lo que indica que con frecuencia consigue un RevPAR superior al de sus competidores. En cambio, el Hotel B (derecha) tiene un reparto de puntos más disperso, con muchos por debajo de la línea.

Esto refleja unos resultados del RevPAR menos consistentes, lo que indica que el hotel lucha por mantener unos niveles de ingresos elevados. La IA causal utilizada por el Hotel A le permite optimizar eficazmente tanto la ocupación como las tarifas, lo que conduce a unos resultados superiores sostenidos de RevPAR (ingresos por habitación disponible).

Previsiones con Cloudbeds Intelligence

Estos ejemplos demuestran que, aprovechando las modernas técnicas de previsión impulsadas por la IA causal y el aprendizaje automático, los hoteles pueden captar y analizar las señales de demanda pasadas y futuras y unificar los factores clave de la toma de decisiones, como las tarifas de las habitaciones, las oportunidades de ventas adicionales y las promociones, para superar sistemáticamente a su competencia y mejorar el rendimiento de los ingresos.

Cloudbeds Intelligence, que llegará en 2025, ofrecerá a los hoteleros una capa de inteligencia artificial y aprendizaje automático integrada en la plataforma que utiliza conjuntos de datos enriquecidos dentro de Cloudbeds y datos de socios del sector para ayudar a comprender y prever el rendimiento del alojamiento. Esto, a su vez, puede facultar a los managers de los hoteles para tomar medidas prácticas para aumentar los ingresos, incrementar la eficacia operativa y mejorar la experiencia de los huéspedes.