Critiche al revenue managementRevenue Management

Quale futuro per il Revenue Management alberghiero?

Dal tradizionale “Rule-Based” al “Next-Gen” Revenue e ai plus del Machine Learning

Il Revenue Management alberghiero, per come lo conosciamo, comincia a dare i primi segni di sofferenza. C’è sempre più il bisogno di nuovi strumenti per poter fare delle previsioni e delle raccomandazioni tariffarie sempre più precise.

Rispetto a ciò che accade nel settore delle compagnie aeree, le tecniche di Revenue Management degli hotel si stanno evolvendo lentamente. Il 71% degli hotel intervistati da SiteMinder nel 2018 sente la necessità di avere nuovi strumenti per gestire al meglio il Revenue.

Assieme alla gestione dell’esperienza della clientela e alla gestione del canali di vendita, sono tre le principali sfide da affrontare, nell’immediato futuro, secondo il Global Hotel Busienss Index 2018.

Le tre sfide del revenue management alberghiero
1. Trovare nuovi e migliori modi per gestire il revenue e i guadagni; 2. La soddisfazione dell’ospite espressa, ad esempio, dalle recensioni online; 3. Migliorare la gestione e la distribuzione degli investimenti sui vari canali utilizzati.

 

Il Revenue Management di ieri, “Rule-Based”

Il Revenue Management per gli hotel, sinora, è stato concepito e costruito sulla base di “algoritmi”, ovvero di regole basate sulle conoscenze dei migliori esperti in materia. Dopo lunghi studi sulla disciplina a livello accademico sono stati creati modelli, anche piuttosto articolati, per suggerire una soluzione ad un susseguirsi di scenari.

Tutti gli algoritmi fino ad ora creati in ambito Revenue sono rappresentati nella forma “se succede questo allora fai quest’altro“. In pratica si segue un percorso, un algoritmo che, seppur complicato, rimane pur sempre “stupido”. Stupido perché nei fatti è programmato per rispondere agli input che riceve in modo prevedibile. Questo modo di concepire il Revenue è basato sulle conoscenze passate.

Ciò significa che ogni organizzazione, piccola, struttura, fino alla grande catena, passando per i migliori Revenue team, ha un patrimonio di conoscenze che gli permette di avere un esperienza tale da poter programmare tantissime combinazioni di scenari che, in ogni caso, sono pur sempre accaduti nel passato.

Il Revenue Management di oggi, “Next-Gen”

Questo modo di fare Revenue Management alberghiero probabilmente è destinato ad estinguersi presto, siamo molto vicini al sorpasso. Il sorpasso sta avvenendo da parte dei sistemi basati sul “Machine-Learning” grazie a una sorta di intelligenza artificiale. Sono convinto che il sorpasso non ci sia ancora stato, ma ci siamo.. sta per accadere!

Il problema sta tutto nella velocità e nella flessibilità di adattamento. Il Revenue basato sulle regole, sulle ipotesi, manca di elasticità, fatica quando deve rispondere ai cambiamenti del mercato che non si erano mai verificati prima. Il mercato ci sta abituando a rispondere in modo inatteso, sia lato cliente sia lato industria.

Le reazioni del settore alberghiero e quelle del cliente

Spesso capita che la risposta dell’industria sia incomprensibile e inaspettata. Mi riferisco, ad esempio, al ribassamento tariffario sotto data, sembra un fenomeno ormai quasi sostanziale e sistematico. Mano a mano che ci si avvicina alla data, e mano a mano che la disponibilità di stanze diminuisce, i prezzi incredibilmente scendono in modo netto.

Questo trend scardina praticamente dall’inizio il primo dilemma del Revenue Management delle origini e cioè: “Preferisco vendere una camera adesso con anticipo a basso costo (cliente leisure) oppure preferisco aspettare una prenotazione più avanti ad un prezzo più alto?“. Insomma il dilemma era basato sul trend consolidato del momento per cui il cliente Leisure, più sensibile al prezzo, prenotava tendenzialmente con largo anticipo. Al contrario, il cliente Business, poco sensibile al prezzo, prenotava sotto data. Il tema era “sto tranquillo e accetto la prenotazione anticipata a basso costo con il rischio di perdere una possibilità di vendita a prezzo alto sotto data, oppure rischio e aspetto che arrivino le prenotazioni a prezzo alto sotto data, da parte dei clienti business?”.

Ecco capite bene quanto sia sconvolgente il trend di mercato attuale.. Sarei curioso di conoscere l’opinione di Cross..

Libro sul revenue management di Robert G. Cross

L’inaspettato successo del mondo extralberghiero ha fatto sì che alcune destinazioni, come le città d’arte, vivessero dei veri e propri stravolgimenti nelle preferenze dei consumatori. I nostri Competitive Set stanno diventando sempre meno accurati e significativi. Oggi stiamo riscontrando un Comp Set quasi dinamico, fluido, un concetto ancora da definire esattamente. Ad ogni modo se una volta era fattibile trovare i veri competitor della struttura, oggi è diventato davvero complicato.

I modelli Revenue sinora conosciuti hanno due veri pregi, la trasparenza e la comprensibilità. Ovvero sono prevedibili, sia nel bene che nel male. Non è così complicato capire il motivo di un insuccesso o di successo. D’altronde sono modelli “stupidi” che abbiamo plasmato con l’obiettivo di assecondare le esigenze del nostro business basandoci sul nostro patrimonio di conoscenze!

Il contributo del Machine Learning al Revenue Management

Ecco il motivo per cui i modelli basati sul Machine Learning ci stanno progressivamente superando. Il contesto contingente è sempre più imprevedibile e il loro modo di pensare, basato su conoscenze auto-imparate senza il bisogno del nostro patrimonio di conoscenza, riesce a superare tutti i nostri limiti cognitivi.

L’anno scorso ho condiviso i successi del team Deep Mind di gGoogle con AlphaGo e poi con AlphaStar, e tutte le evoluzioni che si sono susseguite. Evoluzioni che stanno progredendo a ritmi davvero impressionanti.

Queste macchine ci supereranno poiché hanno la capacità di elaborare grandi quantità di dati, riuscendo ad elaborare dati interni come:

  1. Occupazione.
  2. Tariffe.
  3. Data di prenotazione.
  4. Provenienza geografica delle prenotazioni.
  5. Data di arrivo.
  6. Data di partenza.
  7. Ricavi giornalieri.
  8. Tipologia di stanza.
  9. Cancellazioni.
  10. Tipologia di pagamento.
  11. Motivo del viaggio.
  12. Costi variabili, fissi ecc.

Tutti questi dati sono facilmente integrabili e di solito sono memorizzati all’interno del PMS & CRM.

A questi, si possono aggiungere i dati sul comportamento d’acquisto, per esempio:

  1. Il volume di traffico sui nostri siti web.
  2. Le sorgenti di questo traffico.
  3. Il tempo speso sul sito.
  4. La frequenza di ritorno.
  5. Il numero di click sulle CTA.
  6. La tipologia di device utilizzato.
  7. Il rendimento delle campagne marketing.
  8. Il rendimento delle campagne sui metamotori ROI & Conversion Rate.

Possiamo inoltre elaborare i dati esterni:

  1. Prezzi dei competitor.
  2. Pressione della domanda sulla piazza.
  3. Pressione della domanda sui voli della destinazione.
  4. Recensioni online.
  5. Eventi manifestazioni festività con il numero di biglietti venduti.
  6. Meteo.
  7. Social media

Insomma potrei andare avanti per ore. Mi limito a citare i primi che mi sono venuti in mente. Le tecniche di Revenue Management tradizionali, basate su regole e sui libri sinora studiati, di per sé comportano un generale aumento delle performance di vendita. Forse l’ambito su cui si vede un drastico miglioramento è la consapevolezza dell’andamento delle vendite. Probabilmente questo aspetto sarebbe sufficiente per decidersi ad implementare la cultura Revenue all’interno dell’organizzazione ma certamente, l’efficientamento delle vendite, comporterà miglioramenti sotto tutti i punti di vista, in termini di profittabilità e sfruttamento delle capacità della struttura.

Ecco, immaginate tutto questo condito da un assistente virtuale in grado di pensare a prescindere dalle nostre convinzioni e retaggi mentali: questi saranno i futuri sistemi di Revenue Management. Comporteranno inevitabilmente una maggiore efficienza, quell’efficienza e velocità di cui sentiamo la mancanza oggigiorno.

Come potrebbe cambiare, e migliorare, il modo di fare Revenue

Tangibili miglioramenti potrebbero essere:

  • Una migliore segmentazione del mercato. Quante volte abbiamo pensato che la personalizzazione della tariffa sia il futuro su cui concentrare le nostre attenzioni? Il cliente che prenota e spende molto in servizi aggiuntivi potrebbe avere anche la stanza gratis, per esempio. Indipendentemente da ciò, consentirà di guadagnare molto solo per gli extra utilizzati. Questo è un esempio banale, infatti è un tema che a Las Vegas è considerato quasi OLD.
  • Riuscire a valutare una quantità innumerevole di variabili contemporaneamente. Impossibile per i nostri algoritmi attuali riuscire a contestualizzare e pesare correttamente le mille-mila variabili influenti sulla domanda.
  • Ruscire a valutare un mix di KPI contemporaneamente. I nostri algoritmi si concentrano su uno o pochi altri obiettivi. Per fare un esempio di obiettivo: aumentare il soggiorno medio a parità di revenue. Invece le macchine potranno valutare giorno per giorno e camera per camera quali siano i migliori KPI da raggiungere.
  • Analisi in tempo reale della domanda e degli input del mercato. Il mercato cambia molto velocemente, la velocità è diventata fondamentale. Le macchine potranno auto apprendere dinamiche di mercato inedite in modo repentino.

D’altronde, non sono solo io a pensarla in questo modo. Sono già diversi anni che le grandi catene stanno investendo milioni di dollari in sistemi sempre più evoluti di ottimizzazione Revenue. Avevo letto che Starwood nel 2014 aveva investito più di 50 milioni di dollari in questo settore. David Flueck (vice presidente del Revenue della catena) afferma che il nuovo sistema basato su AI aveva migliorato di circa il 20% le previsioni sulla domanda.

Nel nostro piccolo, grazie alla mie esperienze e ai miei studi, ho creato un modello basato su regole, ho cercato di automatizzare il più possibile e ho condiviso il mio progetto con chiunque volesse contribuire. Il progetto si chiama RMS Open Source – Metodo Caldari per il momento, ma presto cambierà nome. Probabilmente è un modello del passato, ma altrettanto probabilmente ti permetterà di sfruttare in modo brillante il miglior sistema di intelligenza di e apprendimento non assistito del mondo: il tuo CERVELLO.

A presto!

Leggi tutto

Edoardo Caldari

Data Scientist, esperto di Revenue Management, con una grande passione per la creazione di algoritmi di Forecasting per il Revenue Management. Laureato in economia e specializzato in Economia per il turismo alla Cà Foscari di Venezia con 110 con lode. CEO di HotelPro360 un'azienda innovativa per aiutare le piccole aziende turistiche ad ottenere il massimo delle performance.

Articoli correlati

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Back to top button