{"id":241561,"date":"2021-05-05T12:32:20","date_gmt":"2021-05-05T10:32:20","guid":{"rendered":"https:\/\/lybra.tech\/?p=241561"},"modified":"2023-05-09T16:11:13","modified_gmt":"2023-05-09T14:11:13","slug":"lybra-big-data-en-el-revenue-management","status":"publish","type":"post","link":"https:\/\/www.lybra.tech\/es\/lybra-big-data-en-el-revenue-management\/","title":{"rendered":"\u00bfCu\u00e1l es el papel del Big Data en el Revenue Management?"},"content":{"rendered":"

Revenue Management: <\/strong>Miremos Hacia Adelante Para no Quedarnos Atr\u00e1s<\/strong><\/h1>\n

Por Fulvio Giannetti, CEO & Head of Data Science de Lybra<\/a><\/strong><\/p>\n

En los \u00faltimos a\u00f1os, el mundo del turismo se ha visto sacudido por un fuerte impulso innovador, gracias a la introducci\u00f3n de nuevas tecnolog\u00edas y a una mayor conciencia empresarial. Como suele ocurrir, la tecnolog\u00eda corre r\u00e1pido y es necesario hacer una recapitulaci\u00f3n para entender qu\u00e9 parte puede ser \u00fatil y qu\u00e9 parte debe dejarse de lado.<\/p>\n

 <\/p>\n

Con el Big Data se completa la visi\u00f3n original del revenue management. Os explico el porqu\u00e9, pero empecemos por el principio.<\/p>\n

 <\/p>\n

Breve historia <\/strong><\/p>\n

El Big Data es un concepto relativamente nuevo en el turismo.<\/p>\n

Dejando de lado la mera definici\u00f3n acad\u00e9mica de las 5V, se trata de una enorme cantidad de datos que pueden estar estructurados (es decir, seguir una l\u00f3gica tabular como la de Excel) o no estructurados, y que pueden tener distinta naturaleza (emails, im\u00e1genes, textos, b\u00fasquedas). El desarrollo de esta nueva vertiente tecnol\u00f3gica ha sido posible gracias a la difusi\u00f3n de los sistemas en la nube. La interconexi\u00f3n de los sistemas, combinada con la infinita capacidad de almacenar datos a bajo precio, ha abierto la puerta a la democratizaci\u00f3n del Big Data, antes dominio exclusivo de unos pocos.<\/p>\n

Sin embargo, la creaci\u00f3n de una plataforma de gesti\u00f3n de BIG DATA es una operaci\u00f3n onerosa, tanto en t\u00e9rminos de costes como de competencias, y son pocas las empresas tur\u00edsticas que pueden llevar a cabo este tipo de proyectos.<\/p>\n

 <\/p>\n

\"revenue<\/p>\n

 <\/p>\n

BIG DATA en el Revenue Management:<\/strong> s\u00ed, pero \u00bfd\u00f3nde se aplica?<\/p>\n

Big Data sigue siendo un t\u00e9rmino bastante gen\u00e9rico, muy utilizado sobre todo en marketing, pero a menudo con contornos borrosos. Si en el mundo del turismo los campos de aplicaci\u00f3n del Big Data pueden ser muy amplios, en el \u00e1mbito del revenue management encuentra su lugar ideal en el <\/strong>an\u00e1lisis de la demanda<\/strong><\/a>, veamos por qu\u00e9.<\/p>\n

La definici\u00f3n cl\u00e1sica de revenue management es<\/p>\n

– vender al precio adecuado<\/strong><\/p>\n

– en el momento adecuado<\/strong><\/p>\n

– al cliente adecuado.<\/strong><\/p>\n

La evoluci\u00f3n de las t\u00e9cnicas de an\u00e1lisis siempre ha girado en torno a estos conceptos. A menudo o\u00edmos hablar de la elasticidad de la demanda para entender cu\u00e1nto est\u00e1 dispuesto a pagar un cliente por una habitaci\u00f3n de hotel, pero este dato siempre ha sido dif\u00edcil de obtener.<\/p>\n

El intento m\u00e1s sencillo ha sido analizar el hist\u00f3rico del hotel, los datos del PMS, para estudiar los patrones de compra de los clientes en el pasado, consider\u00e1ndolos v\u00e1lidos tambi\u00e9n en los a\u00f1os posteriores. La literatura del revenue management est\u00e1 repleta de estudios de casos basados en este modelo de an\u00e1lisis, que presenta algunos puntos d\u00e9biles que podemos analizar simplemente retomando la definici\u00f3n de revenue management:<\/p>\n

 <\/p>\n

 <\/p>\n

    \n
  1. Vender en el momento adecuado:<\/li>\n<\/ol>\n

    \u00bfCu\u00e1l es el momento adecuado para subir o bajar una tarifa?<\/strong><\/p>\n

    – Sin Big Data no lo sabemos<\/strong><\/p>\n

    Seg\u00fan el m\u00e9todo tradicional, se analiza el hist\u00f3rico, se define una tarifa de partida y, en funci\u00f3n del a\u00f1o pasado, modulamos los precios teniendo en cuenta la evoluci\u00f3n de la ocupaci\u00f3n junto con otras variables m\u00e1s o menos importantes, que tambi\u00e9n cambian seg\u00fan la forma de trabajar del revenue manager.<\/p>\n

    Esta modalidad de an\u00e1lisis es correcta pero poco precisa.<\/strong><\/p>\n

    Porque sin datos sobre la demanda no sabemos realmente nada sobre los turistas en el presente, s\u00f3lo tenemos una proyecci\u00f3n del pasado.<\/p>\n

    No sabemos cu\u00e1ndo subir el precio, si vale la pena esperar o no.<\/p>\n

    As\u00ed que se acaba subiendo los precios en el momento equivocado, o no subirlos cuando hubiera clientes dispuestos a comprar a precios m\u00e1s altos. Porque aqu\u00ed el error que cometen los hoteles (muchos), al no saber lo que realmente ocurre, es seguir a los competidores a ciegas, pr\u00e1ctica que suele llevar a una acci\u00f3n que deteriora todo el mercado.<\/p>\n

     <\/p>\n

      \n
    1. Vender al precio adecuado:<\/li>\n<\/ol>\n

      \u00bfCu\u00e1l es el precio adecuado para el transient?<\/strong><\/p>\n

      – Sin los datos de demanda es complejo responder.<\/strong><\/p>\n

      Un m\u00e9todo alternativo es, de nuevo, analizar los patrones de precios sobre el hist\u00f3rico, pero \u00bfEstamos seguros de que en el pasado se hizo un pricing<\/em> correcto? NO, por lo que es muy probable que se traslade el error al presente. Aqu\u00ed tambi\u00e9n surgen problemas para los algoritmos.<\/p>\n

      Ejemplo: en los modelos de machine learning<\/em> (algoritmos de aprendizaje autom\u00e1tico) de clasificaci\u00f3n como el reconocimiento autom\u00e1tico de im\u00e1genes, el algoritmo est\u00e1 \u00abentrenado\u00bb para reconocer la imagen porque antes se le da la imagen correcta. Reconoce una manzana entre los pl\u00e1tanos porque al principio se le muestra la manzana o una idea \u00f3ptima de manzana. El ejemplo puede extenderse a los modelos de texto predictivo, como suele hacer Google.<\/p>\n

      En el caso de los hoteles es un poco m\u00e1s complicado:<\/strong> En un hotel, tomando datos hist\u00f3ricos, el principal problema es que no se sabe si lo que ha pasado es lo \u00f3ptimo. Se sabe que el a\u00f1o pasado se vendieron 20 habitaciones por 100 euros, pero no se sabe si este es el resultado \u00f3ptimo. Tal vez se hubiese podido vender el mismo n\u00famero de habitaciones a un precio m\u00e1s alto. Por eso, entrenar un sistema s\u00f3lo con los datos del a\u00f1o pasado para predecir el futuro puede llevar a resultados no \u00f3ptimos.<\/p>\n

       <\/p>\n

      Para concluir:<\/p>\n

      No hay dicotom\u00eda entre Small Data (datos del PMS) y Big Data (datos de la demanda), nunca ha existido porque uno es la culminaci\u00f3n del otro<\/strong><\/p>\n

      – El Big Data<\/strong> en el revenue management ofrece la oportunidad de analizar en tiempo real cu\u00e1ntos clientes buscan un destino, desde qu\u00e9 pa\u00eds, con qu\u00e9 capacidad de gasto. Informaci\u00f3n clave para aplicar el precio correcto al cliente adecuado. Problemas<\/strong> (requiere una gran infraestructura y modelos anal\u00edticos avanzados)<\/p>\n

      – Small Data<\/strong> permite observar en detalle la informaci\u00f3n principal del hotel, la evoluci\u00f3n de las principales m\u00e9tricas, elementos esenciales para definir estrategias de venta. Problemas <\/strong>(La inserci\u00f3n de los datos a analizar en el PMS debe hacerse de forma correcta)<\/p>\n

       <\/p>\n

      El Hub de datos de la demanda, un proyecto innovador para democratizar el Big Data en beneficio de los hoteles<\/strong><\/p>\n

      Lybra ha desarrollado el primer gran proyecto de BIG DATA para el an\u00e1lisis de la demanda, gracias a los datos de miles de hoteles combinados con el mapeo de los precios de venta y el an\u00e1lisis de eventos. Un proyecto creado para a\u00f1adir al revenue management la parte que, como hemos visto, siempre ha faltado y que nos permite responder a las preguntas que todos nos hacemos cada d\u00eda:<\/p>\n

      \u00bfCu\u00e1ntos turistas hay que comprar\u00edan mis habitaciones? \u00bfCu\u00e1nto est\u00e1n dispuestos a gastar?<\/p>\n

      Small Data y Big Data juntos, cada uno de los dos sets de datos, si est\u00e1n bien ensamblados, pueden aportar importantes beneficios al an\u00e1lisis y, por tanto, al negocio de los hoteles.<\/strong><\/p>\n

      \u00a0<\/strong><\/p>\n

      \"\"<\/p>\n

      Lybra Assistant<\/a>, con la incorporaci\u00f3n del m\u00f3dulo Lybra EYE, es el primer RMS que combina las ventajas del Small Data y del Big Data en un solo sistema, ofreciendo una experiencia \u00fanica al revenue manager, que ahora es capaz de monitorizar los datos del mercado y la presi\u00f3n de la demanda en REAL-TIME. Este proyecto ha puesto el Big Data al alcance de todos los hoteles, aumentando exponencialmente la precisi\u00f3n del an\u00e1lisis en comparaci\u00f3n con los m\u00e9todos tradicionales.<\/p>\n

      Por el momento, el m\u00f3dulo Lybra EYE s\u00f3lo est\u00e1 disponible en Italia, pero estar\u00e1 disponible para los hoteles de otros pa\u00edses en los pr\u00f3ximos meses. Contacta con nicolo.rolle@lybra.tech<\/a> para saber cu\u00e1ndo estar\u00e1 disponible el m\u00f3dulo Lybra EYE en tu pa\u00eds o para saber m\u00e1s sobre c\u00f3mo Assistant RMS<\/a> puede ayudar a tu establecimiento a adoptar los datos de la demanda futura -incluyendo las b\u00fasquedas de vuelos- para establecer las tarifas de habitaciones m\u00e1s precisas y en tiempo real, y captar la demanda que ya est\u00e1 llegando a tu destino.<\/p>\n

       <\/p>\n