Cómo los hoteles utilizan el Big Data para generar Revenue

Llevamos años hablando de Big Data y de la utilidad a la hora de analizar la información con el objetivo de tomar decisiones de Marketing pero la realidad es que pocas empresas lo utilizan. El sector hotelero es un privilegiado en este sentido ya que dispone de más datos de sus clientes que otros sectores. sobre esto hablaremos en este post.

En nuestro sector cientos de datos son procesados diariamente y sincronizados entre los diferentes departamentos. Realmente, un hotel medio, no aprovecha ni el 20% de esto para su toma de decisiones en cuanto a qué precio aplicar. El otro día leía el artículo ‘How Hotels use Big Data to Generate New Revenues’ en el que abordan este tema planteando un escenario básico de una búsqueda de hotel por parte de un potencial cliente y su resultado en base al analytical driven data:

Hemos tratado de traducirlo lo mejor posible intentando no perder nada de información con respecto al artículo original. Al final del artículo aportaré mis propias reflexiones al artículo:

Escenario

• Jeff quiere reservar una habitación para un viaje de ocio a Hong Kong para la próxima semana. Como es miembro del plan de fidelidad de Marca X, entra a la pagina web del hotel e inicia una sesión con su perfil personal.
• Jeff seleciona sus fechas y después aprieta el botón de búsqueda – esto es lo que sucede:
  • ¿Se ha alojado Jeff alguna vez en Hong Kong? ¿Dónde y hace cuánto tiempo? ¿Hay una tendencia en sus estancias? (Si es así, ¿qué pagó la última vez? Tarifa base + capacidad de cobrar más basado en gastos anteriores $$++)
  • ¿Es un viaje de negocios o de ocio y quien lo paga? (Los hoteles pueden conseguir esta información preguntando al usuario o atreves de datos de terceros que se puede obtener fácilmente. Estancias de negocios pueden cobrarse en ocasiones a una tarifa más alta.
  • ¿Jeff ha buscado usando un código corporativo o una tarifa promocional? (Si es así, ¿cumple los requisitos para la tarifa promocional o ha usado el código corporativo anteriormente? ¿Qué % de habitaciones reserva utilizando códigos? ¿Cuál es nuestra evaluación interna de la probabilidad de que reserve una habitación con y sin código? Aumento de precio ++)
  • ¿Cuál es la calificación interna de Jeff como cliente? (si manejáramos esta información internamente podríamos incluso diferenciar entre buenos y malos clientes y diferenciar precios).
  • Si Jeff ha dormido antes en el hotel, ¿cómo fue su última estancia? ¿Hubo un informe positivo en sus cuentas de redes sociales? (Es probable que pague más que su última estancia, Aumento de precio ++)
  • ¿En qué marca de hotel y de cuantas estrellas (dentro de esta región) se queda Jeff generalmente? (En esta cadena y otras cadenas. ¿El precio que le vamos a mostrar estará en línea con su historial?)
  • ¿Jeff tiene estatus de cliente VIP en otras cadenas y si es así, cuantos tienen hoteles de categoría similar en la zona que él está buscando y que precios tienen? (Una gran oportunidad de proponerle un precio unos cuantos dólares más bajos que la competencia.)
  • ¿Jeff está motivado por puntos/estatus? (¿Cuál es nuestra calificación de los punto y beneficios de Jeff para este hotel? – Permite demostrar precios y paquetes más subjetivos, por ejemplo: Una promoción del doble de puntos por $20 adicionales)
  • ¿Jeff siempre utiliza los puntos para estancias de ocio? (Si es así, haz una revisión de la cantidad de puntos que tiene Jeff en su cuenta, la cuenta de su mujer y cuantos pensamos que tiene disponible atreves de sus tarjetas de crédito. Si no hay suficientes, sabemos que es una compra de revenue y podemos poner el precio adecuado $++)
  • ¿Jeff tiene otras reservas en la ciudad esa misma noche? (¿Hay una reserva con un competidor que podemos desencadenar una cancelación si nuestro precio es correcto para la reserva de Jeff?)
  • ¿Cuánto pagaría/ha pagado Jeff para una habitación en Hong Kong? ¿Cuál es su límite más alto y cuál es la habitación Ejecutivo/Suite más cara que ha pagado? (Conocer el ‘número perfecto’ que Jeff ha pagado por una habitación premium significa que podamos replicar esas condiciones y conseguir que pague más, otra vez $++)
  • ¿Cuál es su StayScore? (Medición para la industria de los “guest ratings” para determinar lo importante que es este invitado en la industria hotelera en una región especifica conseguido agregando datos de todos los programas de fidelidad, OTAs etc… Una puntuación alta puede indicar la disposición del invitado a pagar por habitaciones de una categoría superior, Aumento de precio ++)
  • Si Jeff se queda siempre en suites, ¿cuál es la probabilidad de que elija una habitación estándar? (¿Deberíamos mostrar opciones más baratas y arriesgar perder ingresos? Aumenta dinámicamente las tarifas de habitaciones estándares automáticamente para que el suite parezca más atractivo)
  • ¿Jeff marcó la casilla ‘mostrarme precio en puntos’ durante la búsqueda? (¿El precio que vamos a mostrar coincide con la cantidad de puntos personales a ratio de dólares? Si no, haz que el precio en efectivo sea más atractivo y en línea con otros puntos de datos. Oportunidad de convertir puntos potenciales a efectivo revenues. $$ ++)
  • ¿Qué es la métrica interna de puntuación de Jeff para otros servicios de hotel en este tipo de viaje/marca/región? (Cuánto dinero extra gasta en restaurantes/spa/internet/otros – hay que considerar esto en el precio final, da alcance para ofrecer desayunos o 20% de descuento en el SPA como un paquete para inducir una mayor tasa.)

Por supuesto, si Jeff hubiera elegido un meta buscador, hay juegos de datos adicionales que apoyaría a los precios individuales que podría ser más actualizada y más relevante que los datos propios de la página web del hotel (Por ejemplo, los meta buscadores saben dónde ha estado Jeff antes de la búsqueda de hoteles. Tal vez fue en la pagine web de los competidores o sus amigos de TripAdvisor que dice explícitamente “no quedarse aquí a menos que sea por menos de $xx/noche”).

Este ejemplo contiene muchas facetas del funcionamiento de la máquina analítica de big data y como funcionaria bajo una plataforma donde los precios individuales se aplican a los huéspedes. Con todos los datos disponibles y calculados en cuestión de milisegundos, los sitios de reserva de hoteles están creando nuevas capas de ingresos a través de los precios individuales.

Después de recibir los resultados de búsqueda, Jeff realiza una selección y paga por la habitación. Se va pensando que el precio del hotel era un poco más de lo que esperaba, sin embargo todavía razonable, y esto al mismo tiempo preguntándose cómo tuvo tanta suerte de encontrar un paquete promocional que incluye una sesión de spa romántico para Jeff y su esposa — una adición perfecta para hacer la estancia para su aniversario de boda más memorable.

Bienvenido al futuro de precios de hotel conducidos por datos.

mis reflexiones:

En general el artículo me parece interesante pero ciertas afirmaciones no las comparto:

• Cuando habla de que a clientes de empresa se les puede cobrar una tarifa más elevada: conocido en que habría que matizar el asociar estas tarifas a habitaciones superiores o a disponibilidad mayor que el cliente de ocio pero tal y como lo expresa creo que debería matizarse.
• Cuando habla de analizar la actividad de los clientes en Redes Sociales para valorar si está dispuesto a pagar más el cliente en primer lugar aún no disponemos de software para hacer ese tipo de análisis y en segundo, si lo dispusiéramos, deberíamos focalizarnos en dar una mejor experiencia al usuario (la cual seguramente derive en un mayor gasto del cliente que en ver como le podemos sacar un euro más.  Hacerlo de manera manual hoy día sería un trabajo tedioso pero estoy seguro de que el software evolucionará en el futuro en este sentido para mejorar la agregación y analítica de estos datos. Igualmente cuando habla de en qué hoteles se suele alojar habitualmente, me parece poco realista a día de hoy pero estoy seguro de que llegará.

Es un post demasiado futurista pero he disfrutado analizando cada una de las situaciones relacionadas con Jeff y he querido traértelo para que valores algo que si que tiene de cierto este artículo:

el futuro de los hoteles pasa por la recopilación y análisis de todo este tipo de datos para plantear estrategias de Revenue Management.

¿Quieres aprender más sobre Revenue Management? Aquí tienes el enlace a nuestro curso de Revenue Management. Recuerda que es bonificable a través de los créditos de FUNDAE (antigua fundación tripartita) para empleados y, en caso de que no estés, trabajando para una empresa puedes ver aquí todos nuestros valores diferenciales y descuentos.

Resumen

Puntuación

Puntuación

5 based on 1 votes

Autor

eRevenue Masters

Título

Cómo los hoteles utilizan el Big Data para generar Revenue

Suscríbete a nuestro blog y no te pierdas ninguno de nuestros estudios, videos y reflexiones sobre Revenue Management, Distribución Hotelera y Marketing Hotelero. Además te enviaremos nuestros ebooks, curso gratuito ¡y mucho más!

Acepto el Aviso Legal ¡Suscríbeme!

También te pueden interesar...

UN BUEN REVENUE MANAGER: APTITUDES Y ACTITUDES

REVENUE MANAGEMENT: LA DIFERENCIACIÓN DE PRODUCTO

La base de toda estrategia de Revenue Management para la toma de decisiones: LittleWood’s Rule

“One-to-One” Revenue Management (Futuro de un RM más orientado al cliente); del RevPAR al RevPAG (Revenue Per Available Guest)

Video-Lección de Revenue Management: Cuándo empezar a vender a un precio superior

EL NEGOCIO DE LOS GRUPOS (II) : LA TOMA DE DECISIONES