As previsões tradicionais de geração de demanda e aquisição de receita nas empresas utilizam dados históricos e os projetam no futuro. A Ciência de Dados pode ser uma grande aliada para abrir novas possibilidades e fazer previsões mais inteligentes, principalmente em hotéis e na indústria de viagens
Fazer a gestão de receitas de qualquer organização e desenvolver um bom planejamento de previsão de demanda é um desafio, mesmo em “condições normais de temperatura e pressão”. Ainda mais no cenário totalmente incerto causado pelos desdobramentos da pandemia.
Na maioria dos casos, as previsões tradicionais utilizam dados históricos e os projetam no futuro por meio da análise das tendências de crescimento. Essa metodologia se aplica desde a origem do planejamento de receitas há décadas. Porém, se analisarmos somente as tendências do último ano, teremos alguns números que não nos serão muito úteis para prevermos o preço dos concorrentes, a pressão de demanda, ou o impacto dos fatores macro.
Por isso, a Ciência de Dados pode ser uma grande aliada dos profissionais da área, a fim de criar previsões que não são baseadas somente em dados históricos.
Abrindo novas possibilidades
Fulvio Giannetti, Data Scientist Chief e CEO da Lybra, plataforma de gerenciamento de receitas e previsão de demanda, recorre a uma metáfora para explicar melhor esse processo.
Em vez de dados, vamos considerar o espectro de cores, do azul ao amarelo. Imagine construir o melhor algoritmo do mundo, que foi projetado para criar novas cores, combinando essas duas. Por mais poderoso que seja o programa, o resultado (a nova cor) será sempre aquele baseado nas duas cores; isso significa que o resultado sugerido pelo programa poderia ser qualquer cor no espectro do azul ao amarelo, incluindo muitos gradientes de verde – mas nunca poderia criar qualquer outra cor que estivesse fora desse espectro.
É assim que o RMS (Revenue Management System) tradicional funciona; eles são limitados por seus dados de entrada, principalmente dados históricos, que agora se tornaram obsoletos devido às condições de mercado sem precedentes que estamos experimentando. Não importa quantas tentativas, não é possível criar uma saída de marrom com as cores de entrada azul e amarelo; para criar essa nova cor, é preciso adicionar um terceiro elemento de entrada ao algoritmo – por exemplo, o vermelho.
Usar Aprendizado de Máquina no gerenciamento de receitas e previsão de demanda é adicionar essa nova cor. Ela é usada para criar uma previsão que descreve com mais precisão a previsão de demanda real – concedendo a oportunidade de criar todas as cores do mundo. Criar previsões com base em fontes de dados futuros é uma mudança de paradigma no gerenciamento de receitas.
“O processo de otimização de gerenciamento de receita – também conhecido como o uso de algoritmos complexos com dados futuros complexos – tem o objetivo principal de encontrar a medida certa de cada variável individual, e a melhor combinação dessas variáveis, para aumentar a precisão da previsão”, explica Fulvio Giannetti.
Aplicação na indústria de viagens
O gerenciamento de receita e previsão de demanda é um conjunto de procedimentos que ganha ênfase na indústria de viagens. Os hotéis, companhias aéreas e agências de turismo se valem disso para vender pacotes turísticos, hospedagens, quartos, passagens e serviços visando atingir com estratégias comerciais as pessoas certas, no momento certo e pelo preço certo.
Esta tarefa complexa abrange vários componentes que são moldados pela demanda, condições de mercado, comportamento do cliente e dados demográficos, como segmentação de clientes, técnicas de preços dinâmicos, gestão de rendimentos, sazonalidades, entre outros fatores.
A precificação dinâmica é um fator de bastante destaque, permitindo que os hotéis ou quaisquer outros players da indústria de viagens, como companhias aéreas e locadoras de veículos, ajustem os preços em tempo real, recalculando constantemente o espectro de oferta e demanda, evitando reservas em excesso e vendas abaixo dos custos.
Alexander Edström, CEO da sueca Atomize, sistema de gerenciamento de receita para hotéis, revela que um ponto importante da estratégia depende de um processo proativo baseado em dados que foquem no topo do funil de vendas, levando em consideração dados como as pesquisas nos buscadores online, compras de passagens aéreas e consultas de preços, prazos e lugares, ajudando a desenhar um cenário de intenção de viagens muito úteis para prever a demanda de forma confiável, mesmo em tempos incertos. Essa utilização de dados de demanda futura pode ajudar a descobrir os períodos de alta demanda e as mudanças de mercado desde o início, para que seja possível otimizar taxas e prever a volatilidade da receita. Outra vantagem é ficar à frente dos concorrentes, pois a disponibilidade e a adoção de dados de demanda futura ainda são extremamente baixas no setor.
Como um exemplo simples, imagine um hotel que esteja considerando aumentar sua melhor tarifa disponível em R$ 10,00. Que efeito isso teria na demanda de cada um de seus segmentos? Para cada um de seus canais? Como seus concorrentes reagiriam?
David Moneo, vice-presidente de iniciativas de IA da SHR, empresa global do setor de tecnologia hoteleira, entende que um modelo de aprendizado de máquina pode executar milhões de modelos “e se” e fornecer essas respostas para embasar a tomada de decisão de forma mais assertiva. Mas não é a agregação de dados que fornece a “mágica”, é a codificação incorporada à modelagem de dados e algoritmos que garantem que os conjuntos de dados sejam relevantes e permite que os sistemas executem milhões de cálculos para determinar qual seria o melhor resultado para o hotel. Isso requer uma infraestrutura específica construída para armazenar e processar os dados.
Embora a ciência de dados possa ser utilizada muito bem para os preços dinâmicos e a maioria dos hotéis ainda precisem extrair o poder de seus dados, o próximo passo da evolução é o gerenciamento dinâmico – não apenas ajustando o preço às mudanças no ambiente, mas também ajustando continuamente o gerenciamento do hotel, incluindo marketing, vendas e operações. A parte científica é maximizada com modelos de otimização e processamento de dados mais complexos, o que permitirá que os gerentes de receita dediquem mais tempo à estratégia.
O caso da Marriott International
Com quase 7.000 hotéis de 30 marcas em todo o mundo, a Marriott International é a maior rede hoteleira do mundo em termos de receita. Opera em 130 países, com um pipeline superior a 1,5 milhão de quartos. Como não poderia deixar de ser, os dados ocupam um lugar de destaque na estratégia do Marriott.
A empresa utiliza Big Data para rastrear marcas e hotéis concorrentes, identificar possibilidades de receita fora dos quartos, como novas instalações e serviços, e certificar-se de que estão satisfazendo os hóspedes e as pessoas da comunidade local.
Os hotéis Starwood, uma marca do grupo, investiu mais de US$ 50 milhões em seu Revenue Optimizing System (ROS), que pode integrar dados de fontes internas e externas e sugerir preços ideais com base nos resultados de sua análise em tempo real e previsão de demanda. Por exemplo, se em um dia chuvoso os consumidores norte-americanos estiverem mais dispostos a passar uma semana de férias no Caribe, o ROS ajustará as tarifas automaticamente. Graças à automação dinâmica de preços, a Starwood alcançou um aumento de 5% em sua receita por quarto em um ano.
Outra utilidade das tecnologias de dados é o reconhecimento facial, que permite aos hóspedes fazerem o check-in em menos de um minuto por meio de um terminal digital, evitando filas de espera no balcão. Em algumas unidades, existem robôs de atendimento ao hóspede para tarefas rotineiras, como serviços de concierge. Uma parceria com a Amazon instalou assistentes digitais virtuais em algumas das propriedades. Cada quarto nessas instalações é equipado com alto-falantes Amazon Echo com Alexa for Hospitality, o software especialmente desenvolvido pela Amazon para a indústria de hospitalidade. Os hóspedes acessam informações locais e do hotel, solicitam serviços, podem ouvir podcasts e livros, reproduzir música e controlar produtos domésticos inteligentes, como luzes, termostato e TV.
Além da experiência do cliente, essa integração libera a recepção de várias tarefas, pois os clientes enviam a maioria de suas perguntas e solicitações para Alexa, e não para um atendente humano na recepção. Também permite que a Marriott colete toneladas de informações sobre as preferências dos consumidores, fornecendo uma compreensão mais profunda do que os hóspedes procuram.
Nancy Pyron, diretora sênior de pesquisa operacional e gerenciamento de receita da Marriott International, explica que há muitas coisas a serem consideradas ao tentar transformar um mar de dados brutos em informações úteis para hoteleiros. E faz mais sentido tentar a solução simples antes das complexas.
“Comece com o mais simples e vá em frente. A complexidade de um modelo pode abranger desde fornecer uma média móvel de três meses até a construção de uma rede neural completa, mas o nível de complexidade interage com a precisão (dos dados), o tempo (leva para construir e operar) e o custo. Se um projeto de dados vai custar 100 mil dólares por ano, você tem que perguntar se isso vai gerar 100 mil dólares em vida incremental para os hotéis que precisam disso”, observa Pyron.
Por fim, é preciso dizer que a ciência de dados não substitui completamente o trabalho humano no gerenciamento de receita e previsão de demanda, mas certamente permitirá que o setor evolua muito, tome decisões mais inteligentes e avance em busca de resultados de negócios melhores.
