En el sector hotelero, uno de los factores clave a tener en cuenta es que la gestión y fijación de precios estén alineados para asignar los recursos al nivel de ocupación previsto.
Sin embargo, y a diferencia del sector minorista, la demanda es latente. Esto implica que si estas ofertas no deseadas no se reflejan en las perspectivas de los clientes, la demanda latente nunca se convertirá en una demanda expresa. Por lo tanto, esta estimación es conceptual y técnica para los científicos de datos.
Una diferencia importante en el análisis de este sector es la que existe entre demanda no restringida y demanda restringida. La demanda no restringida es el volumen teórico de demanda teniendo en cuenta que el precio, la disponibilidad o las ventas no impiden en modo alguno el proceso de reserva.
Por su parte, la demanda restringida es la demanda observada. El cliente se enfrenta a los precios y las condiciones reales de disponibilidad de ese hotel. La estimación y el análisis de ambas proporcionan una visión potente y complementaria de las oportunidades de ingresos potenciales y reales.
- Demanda con restricciones y demanda sin restricciones
- Cómo medir la estimación de demanda
- Previsión de series temporales (univariante y multivariante)
- Regresión de Poisson y Regresión Binomial Negativa
- Inferencia causal y Uplift modeling
- Modelos de elección discreta: Logit multinomial, logit anidado
- Modelos de Machine Learning: Gradient Boosting, Random Forests, Redes Neuronales
- Análisis conjunto y simulación de la curva de demanda
- Conclusión
Demanda con restricciones y demanda sin restricciones
La demanda no restringida es el interés real subyacente en un servicio o producto, independientemente de las limitaciones de precio o inventario. Por ejemplo, durante una conferencia importante en una ciudad puede haber una demanda de alojamiento inusualmente alta en un hotel del centro.
Sin embargo, si el hotel impone una tarifa de 600 dólares por noche y solo consigue 50 reservas, la demanda sin restricciones podría superar con creces esa cifra. Se supone que 150 personas habrían intentado reservar en el hotel, pero se habrían visto excluidas de alguna manera por el precio.
Por otro lado, la demanda restringida está formada por el comportamiento de los clientes bajo condiciones del mundo real. Es la demanda que aparece en el historial de reservas registradas con precios y disponibilidad reales. Refleja no solo las preferencias, sino también la sensibilidad al precio, las fricciones en las reservas y las restricciones de inventario.
Distinguir esa diferencia es crucial. Si solo se tiene en cuenta la demanda restringida, se podría subestimar el potencial durante los periodos de demanda muy alta o sobreestimarlo en periodos de promoción de precios bajos. La mayoría de los sistemas de fijación de precios basados en datos utilizan datos restringidos. Por eso, no incorporan ese límite invisible que pueden proporcionar las estimaciones no restringidas.
Cómo medir la estimación de demanda
Previsión de series temporales (univariante y multivariante)
El enfoque clásico de series temporales, que incluye modelos como ARIMA, Suavizado exponencial y Prophet, se puede utilizar para la previsión de las pernoctaciones o el número de reservas. Cuando incorporan variables exógenas (clima, eventos, días festivos…), pueden pronosticar la demanda restringida o no restringida, dependiendo del contexto específico.
Ventajas:
- Fácil de implementar e interpretar.
- Funciona bien con pronósticos a corto plazo.
Inconvenientes:
- Los modelos asumen que los patrones históricos se repetirán.
- Los efectos del precio no se desglosan a menos que se modelen explícitamente.
Regresión de Poisson y Regresión Binomial Negativa
La regresión de recuento de eventos es apropiada para modelar el número de reservas. Sobre todo, cuando hay que tener en cuenta la estructura de la varianza (por ejemplo, la sobredispersión en las reservas).
Ventajas:
- Agnóstica en cuanto a la especificación.
- Adecuada para datos de recuento.
Inconvenientes:
- Dificultad para generalizar a contextos multivariantes o jerárquicos.
- Puede no ser ideal para abordar la autocorrelación temporal.
Inferencia causal y Uplift modeling
Para estimar la demanda restringida, se pueden analizar los datos de diversas formas. Emparejamiento por puntuación de propensión, ponderación por probabilidad inversa o diversos modelos que miden los efectos del tratamiento para aislar el impacto del precio o las restricciones.
Ventajas:
- Aborda directamente la pregunta clave de «¿cuál habría sido la demanda a diferentes precios?»
Inconvenientes:
- Requiere supuestos muy sólidos sobre la ignorabilidad y la existencia de una variación suficiente en los precios históricos.
Modelos de elección discreta: Logit multinomial, logit anidado
Estos modelos simulan la elección que haría un cliente entre varios hoteles o tipos de habitaciones. Se basan en funciones útiles que dependen del precio y las características.
Ventajas:
- El modelo capta directamente la elasticidad del precio.
- Reproduce el posible comportamiento del cliente a la hora de elegir.
Inconvenientes:
- Necesita una especificación adecuada.
- Requiere conjuntos de datos bastante grandes.
- Las estimaciones pueden ser muy complejas desde el punto de vista computacional.
Modelos de Machine Learning: Gradient Boosting, Random Forests, Redes Neuronales
El aprendizaje automático permite incorporar numerosas características para predecir directamente las reservas o la probabilidad de reserva a un precio determinado. Estas predicciones se pueden usar para simular escenarios con diferentes precios. De esta forma, se obtendrán estimaciones de la demanda restringida.
Ventajas:
- Más preciso con una cantidad suficiente de datos.
- Puede modelar relaciones no lineales complejas.
Inconvenientes:
- Menos intuitivo, puede requerir el uso de métodos de simulación para establecer los efectos causales de los cambios en el precio.
Análisis conjunto y simulación de la curva de demanda
En el análisis conjunto se obtienen las preferencias de los consumidores con el fin de estimar la curva de demanda. La simulación a partir de esa transformación permite establecer la relación entre el precio y la demanda, así como los cambios en la demanda con respecto al precio (clasificación en restringida y no restringida).
Ventajas:
- Modela de forma directa la sensibilidad al precio.
- Es útil en caso de que no se disponga de datos históricos suficientes.
Inconvenientes:
- Las encuestas pueden no reflejar exactamente el comportamiento en el mundo real.
Conclusión
Predecir la demanda en el sector hotelero tiene que ver tanto con la inferencia como con la predicción. Diferenciar entre demanda restringida y no restringida es fundamental para la gestión de ingresos, la fijación de precios y la previsión. La demanda restringida es lo que fue, mientras que la demanda no restringida es lo que podría haber sido. Para una estrategia completa basada en modelos de demanda, se necesitan ambas.
Los modelos estándar de series temporales y procesos de recuento son un punto de partida razonable. Sin embargo, para entenderlos mejor es necesario estimar el efecto del precio de una forma potencialmente causal. O, al menos, que no esté dominada por influencias del tipo «regresión a la media». Ambos enfoques tienen ventajas e inconvenientes en términos de interpretabilidad, precisión y dependencias de datos.
Como científico de datos del sector hotelero, el valor no solo reside en predecir las pernoctaciones, sino también en conocer las oportunidades que las decisiones sobre precios y disponibilidad revelan (u ocultan). La optimización del rendimiento en un entorno sensible a la demanda y con restricciones de inventario solo es posible estimando tanto la demanda restringida como la no restringida.
Si este artículo te ha parecido interesante, te animamos a visitar la categoría Data Science para ver otros posts similares a este y a compartirlo en redes. ¡Hasta pronto!
