Argentina

Argentina

Pick-up y forecasting hotelero: Qué, cómo, cuándo, dónde y por qué

19 de febrero de 2020






Forecast: Todo lo que necesitas saber





What, Why? – ¿Qué es y por qué es importante el Forecast?





Forecasting es la técnica más importante y compleja dentro de las funciones de revenue management hotelero, siendo la guía para alcanzar los resultados a futuro. Comúnmente, el Forecast o Pronóstico es la base del Presupuesto anual o Budget, definiendo los Ingresos por volumen de reservas, números de servicios, precios medios y para que, posteriormente, Finanzas pueda imputar costes directos e indirectos.





Para construir este forecast anual (estático) las empresas, apoyadas en datos históricos, asumen que los patrones pasados continuarán en el futuro. La mayoría de los problemas de predicción utilizan datos de series de tiempo, es decir, recopilados en intervalos regulares a lo largo del tiempo como horas, días, semanas, meses y años. Cuando se pronostican datos de series de tiempo, el objetivo es estimar cómo la secuencia de observaciones continuará en el futuro considerando ciertos intervalos de confianza que cumplirán estos valores. 





How? - ¿Cómo se lleva a cabo?





Existen diferentes enfoques de pronóstico para las series de tiempo dependiendo de su complejidad:





• Métodos basados en reservas. Es el enfoque más utilizado pues las reservas poseen dinámicas útiles que ayudan a pronosticar las llegadas finales u ocupación. Se utiliza la siguiente fórmula:





Forecast = OTB + Pick-up LY               , en donde:





OTB (On The Books), son las reservas confirmadas en los libros de ventas en una fecha de toma (hoy).





Pick-up, son las reservas realizadas desde la fecha de toma (hoy) hasta el día de la estadía prevista.





LY (Last Year), año pasado.





• Convencional. Usa procesos estadísticos como ARMA, ARIMA o Exponential Smoothing. Son series con/sin estacionalidad donde los valores actuales y su desviación de la media dependen de sus valores anteriores. 





• Machine Learning. Son modelos no lineales que aprenden la relación entre entradas y salidas, utilizando enfoques basados en datos o ciertos modelos de probabilidad. Ejemplos de estos modelos pueden ser: Random Forest, SVR (Support vector regression), XG Boost y Redes Neuronales (Neural Networks). 





A continuación, vídeo explicativo sobre qué es una red neuronal.





Entre los principales datos históricos que se recopilan para la confección del forecast se encuentran:





- Pick up





- OTB por segmento, canal y código tarifa





- Curva de demanda y antelación





- Ocupación y Clientes por Unidad de Negocio 





- Producción por Alojamiento, Desayuno, Comidas, Spa, Sala reuniones, etc.- ARR (Precio medio)





- RevPAR





- TrevPAR





- Estadísticas tipo tarifa





- Estancia Media





- Ventas por Canal





- Análisis Grupos y Wash





- Cancelaciones





- Show up y No Show





- Materialización Cupos





- Status competencia (Precio, producto, estrategias)





Como efectos correctores se deben incorporar:





-Grupos o eventos que este año no se vayan a materializar.





-Vacaciones y eventos especiales del año.





-Entorno político y macroeconómico.





Para conocer cómo es el forecast generado versus los datos reales de producción (Ocupación, ARR, RevPAR, TrevPar) se calcula su desviación o error, asumiendo un rango aceptable de (+-) 4%.





When? - Cuándo se ha de general el Forecast





Cuando termine el tercer trimestre se recomienda generar el forecast anual. Una vez cerrado un mes se puede elaborar una previsión para el mismo mes del año siguiente utilizando información de tendencias, eventos y cambios en el entorno pudiendo ajustar nuestra previsión anual en reservas y precio medio del hotel u hoteles. A este análisis iterativo a modo de realimentación del forecast estático se le conoce como Rolling forecast. 





Se aconseja ajustar las previsiones por segmento, canal, mercado de acuerdo a la siguiente periodicidad:





-Diario o semanal, cuando estamos en mes en curso de producción.





-Cada 3 o 6 meses al existir un importante segmento Corporativo o Grupos, respectivamente.





Who? – Quiénes puede sacar conclusiones o tomar decisiones sobre esto





Con el forecast o pronóstico, los Directores y Managers encargados de la gestión pueden tomar decisiones como:





-Ajustar demanda ante caídas o subidas de un segmento (promocionar o restringir ventas).





-Definir estrategias de pricing, marketing y distribución.





-Programación operativa (personal por temporada, suministros, F&B y energía).





-Controlar costes comerciales como comisiones por tipo cliente y tipo de canal.





-Realizar planes financieros de inversión.





Pick Up y su importancia sobre revenue management





What, Why? – Qué es el Pick Up y por qué es tan importante en Revenue Management





Representa el incremento histórico (positivo o negativo) en un período de tiempo definido y es uno de los inputs más importantes en la generación del Forecast. Es una herramienta de control y comparación que analizándose al máximo detalle posible en segmentos, canales y mercados nos brinda un pulso diario del revenue management para hoteles.





How, When? – Quién lo hace y cuándo se debe de hacer





El diferencial de reservas (booking) y tarifas medias (ARR) se recoge diariamente a través de un calendario de demanda. Se recomienda registrar en una tabla la ocupación del mes el día 1 para posteriormente compararla con la ocupación del mes cerrado obteniendo un pick up mensual, o versus los últimos 2-3 meses. 





Por el método basado en reservas podemos incorporar el pick up mensual del año pasado a las habitaciones reservadas actualmente y obtener un forecast de llenado para una fecha de estadía similar, esto es, mismo día de la semana o para un evento particular como Navidad o Noche Vieja.













Al recopilar estos datos de forma iterativa y con periodos cercanos es preferible transformarlos en curvas de reservas pues de forma visual es más intuitivo ver diferencias y anticipar acciones correctas.  Para un mes en particular, podemos tener curvas de referencia histórica que nos dan una idea del llenado actual, su nivel de avance y que con la ayuda de un forecast podemos impulsar acciones comerciales para corregir desviaciones. 





Podemos analizar un día de la semana (DOW, day of week) y compararlo con las últimas para identificar patrones que podamos replicar a futuro como por ejemplo, en estancias por temporadas comparando con otros DOW, detectar efectos en nuestra demanda y del CompSet comparando sus disponibilidades y precios. 









Muchos de estos análisis son elaborados en Excel y requieren un trabajo diario y manual de nuestros equipos de Revenue Management y Marketing. El pick up cambia diariamente en tiempo real de una forma compleja de monitorizar, incluido fines de semana y noches, por lo que una vez analizados las desviaciones se deben ajustar las tarifas BAR por cada segmento, con la anticipación suficiente para cambiar las tendencias. 





Es fundamental automatizar tareas repetitivas apoyándonos en RMS (Xotels, IDeaS) que generan informes dinámicos y forecast mucho más robustos, incorporando una multitud de datos externos al hotel en tiempo real como meteorología del origen, reputación redes sociales propias y de competidores, posicionamientos en buscadores, ferias y eventos de ciudades cercanas, huelgas, estrategias de marketing de los competidores y muchas otras variables que a simple vista no tienen relación con nuestra demanda. 





Este tiempo liberado con la automatización se puede invertir para que el equipo de revenue y marketing hotelero generen mayores y mejores estrategias través de la observación más cercana de los clientes, diseñar nuevas acciones comerciales en conjunto con marketing, conocer qué nuevos servicios se requieren e implementar nuevas experiencias buscando que el cliente regrese, nos recomiende o deje excelentes comentarios.





Warnings – Puntos a tener en cuenta 





• Una gran parte del tiempo se puede dedicar a localizar y recopilar los datos disponibles antes de desarrollar métodos de pronóstico adecuados. Si al modelo le incorporamos una buena calidad de datos, depurados, lógicos, “limpios”, el modelo devolverá buenos pronósticos. Por tanto, el modelo dependerá de qué datos están disponibles, su calidad y que tan asiduamente contemos con ellos.





• Los datos históricos gestionados de forma manual no proporcionarán necesariamente las mejores respuestas, pues ellos han sido influenciados por las acciones comerciales anteriores. Si se extrae un patrón de ellos podría no ser del todo cierto, por lo que es posible que las personas van a cambiar sus comportamientos según las acciones comerciales aplicadas hoy en día.





• Los RMS de aerolíneas generan un forecast por segmentos, días de anticipación, tarifas y puntos de venta, comparando más allá del último año, pronósticos de reservas brutas y de cancelaciones por separado, pues tienen patrones de comportamiento distintos que no son recogidos por las reservas netas = brutas – cancelaciones.  





Además se analiza la demanda unconstrained, sin limitación de capacidad, que permite dimensionar las potencialidades reales del negocio. El análisis de esta demanda y tarifas ARR para un día en particular permiten evaluar la pérdida de ingresos, por ejemplo, si se decide vender sólo una o dos noches de tres, donde una de ellas es shoulder (media demanda). 





• Los métodos de pronóstico de series de tiempo más simples utilizan solo información sobre la variable a pronosticar, y no intentan descubrir los factores que afectan su comportamiento. Por lo tanto, extrapolarán tendencias y patrones estacionales, pero ignorarán toda otra información, como iniciativas de marketing, actividad de la competencia, cambios en las condiciones económicas, etc. 





• Por ello se recomienda el uso y conocimiento del Big data y modelos cada vez más complejos que incluyan muchas variables que afectan a la variable a pronosticar, una forma de mantenerse actualizado y poder exprimir este recurso al máximo es realizar formaciones como el Experto en Revenue Management y Big Data de CESAE.