Machine learning nel pricing
Apprendimento automatico
L'uso di algoritmi che ricavano dai dati storici la relazione fra caratteristiche di una prenotazione e comportamento osservato, per stimare domanda, cancellazioni o disponibilità a pagare senza che le regole siano scritte a mano.
Che cos’è
Nel revenue management alberghiero l’apprendimento automatico si usa in quattro punti, e conviene tenerli distinti perché maturità e utilità sono molto diverse. Il primo è la previsione della domanda per data e segmento, dove sostituisce o affianca i metodi classici di pickup. Il secondo è la previsione delle cancellazioni, dove serve a stimare quante prenotazioni a libro arriveranno davvero. Il terzo è la stima dell’elasticità, cioè di quanto cambia la domanda al variare del prezzo, ed è il punto più difficile. Il quarto è la classificazione, per esempio il riconoscimento automatico del segmento a partire dai dati della prenotazione.
La stima dell’elasticità merita una nota. Per misurarla servono variazioni di prezzo indipendenti dalla domanda, mentre in albergo i prezzi si alzano proprio quando la domanda cresce. Il dato storico contiene quindi una correlazione positiva fra prezzo e vendite che non è causale: un modello ingenuo conclude che alzare i prezzi aumenta le prenotazioni. Chi sviluppa seriamente su questo problema introduce prove controllate, cioè periodi in cui il prezzo viene variato secondo uno schema deciso in anticipo e non in reazione alla domanda.
Vale anche una considerazione di scala. Un albergo da 100 camere produce circa 12.000 prenotazioni all’anno. È abbastanza per stimare cancellazioni e stagionalità, non abbastanza per modelli complessi su molte variabili. I sistemi che funzionano meglio sulle strutture indipendenti sono quelli che apprendono su dati aggregati di molte strutture simili e li adattano al singolo albergo.
Come si calcola
La forma generale è sempre la stessa: si stima una funzione che lega le variabili osservabili all’esito, con parametri scelti in modo da minimizzare l’errore su dati passati. La differenza fra un modello utile e uno inutile sta quasi tutta nella scelta delle variabili e nel modo in cui si divide lo storico per la verifica.
La verifica va fatta nel tempo, non a caso. Se si mescolano le prenotazioni di tre anni e se ne mette da parte il 20 per cento per la prova, il modello vede periodi futuri durante l’addestramento e le misure risultano gonfiate. Il metodo corretto è addestrare sui primi 24 mesi e verificare sui 6 successivi, ripetendo lo scorrimento.
Verifica su hotel 110 camere, previsione di domanda
- Metodo di riferimento, pickup additivo
- MAPE 14,2%
- Modello appreso su 36 mesi di storico
- MAPE 11,6%
- Miglioramento relativo
- 18%
- Camere-notte annue
- 28.900
- ADR
- 132 EUR
- Effetto stimato sul ricavo dal miglior posizionamento di prezzo
- 1,5 punti di RevPAR
- Circa 57.000 EUR l’anno, a fronte di un canone di 9.000
Come si usa
La regola pratica è che nessun modello va acceso senza un termine di paragone. Prima di valutare un fornitore, calcola per tre mesi l’errore del tuo metodo attuale, anche se è un foglio di calcolo con il pickup medio. Senza quel numero, qualunque risultato del modello è indiscutibile e quindi inutile.
Lunedì mattina, se hai un sistema che apprende: guarda le date in cui la previsione si è discostata di più dal consuntivo e cerca la causa. Quasi sempre è un evento in città che il modello non conosce. Quelle informazioni vanno inserite a mano nel calendario della domanda: è il contributo umano che nessun algoritmo replica.
Cambiare algoritmo invece di cambiare i dati
Quando un modello non funziona, la reazione istintiva è provarne uno più sofisticato. Nel revenue alberghiero è quasi sempre la scelta sbagliata. I guadagni veri vengono da tre cose molto meno affascinanti: segmentazione corretta, storico ricostruito sulla domanda non vincolata invece che sul venduto, e calendario eventi tenuto aggiornato a mano. Un modello semplice con dati puliti batte regolarmente un modello complesso alimentato con lo scarico grezzo del gestionale.
Da non confondere con
L’apprendimento automatico non è il pricing dinamico. Il secondo è il fatto che il prezzo cambia nel tempo, e si può ottenere con regole scritte a mano da una persona. Il primo è un modo di ricavare quelle regole dai dati. Molti RMS sul mercato usano modelli statistici classici e funzionano benissimo: la domanda da fare a un fornitore non è se usa intelligenza artificiale, è quale errore di previsione misura e su quale storico.