AI για ξενοδοχεία και τουριστικούς φορείς: πέρα από το chatbot

Ο τουρισμός είναι ένας από τους μεγαλύτερους κλάδους της Κύπρου, και στα ξενοδοχεία πουλιέται το AI στην λιγότερο χρήσιμη μορφή του: ένα chatbot κολλημένο στον ιστότοπο. Ένα chatbot για τους επισκέπτες είναι το πιο ορατό πράγμα που μπορεί να κάνει το AI για ένα ξενοδοχείο και ένα από τα λιγότερο πολύτιμα. Η πιο ήσυχη, πιο πολύτιμη δουλειά βρίσκεται στο γραφείο, στις αποφάσεις που παίρνει καθημερινά ένας διαχειριστής εσόδων και ένας υπεύθυνος βάρδιας για τιμή, στελέχωση και απόθεμα. Εκεί το AI, χρησιμοποιούμενο ως πρόβλεψη και όχι ως συνομιλία, πραγματικά κινεί τα νούμερα.

Το ορατό AI είναι το λάθος σημείο εκκίνησης

Ένα chatbot που απαντά «τι ώρα είναι το check-in» είναι εντάξει, αλλά σπάνια αλλάζει τα οικονομικά ενός ξενοδοχείου, και όταν γίνεται άσχημα ενοχλεί ακριβώς τους επισκέπτες που ήθελε να βοηθήσει. Το να ξεκινάτε από αυτό είναι ένα συνηθισμένο λάθος: είναι εύκολο να το παρουσιάσετε και δύσκολο να το δικαιολογήσετε. Οι αποφάσεις που έχουν σημασία, και που το AI μπορεί πραγματικά να βελτιώσει, αφορούν την πρόβλεψη της ζήτησης, όχι την απάντηση σε ερωτήσεις.

Πού δικαιολογεί η πρόβλεψη τη θέση της

Ένα ξενοδοχείο ζει και πεθαίνει από το να γεμίζει δωμάτια στη σωστή τιμή με τον σωστό αριθμό προσωπικού σε βάρδια. Κάνετε λάθος στη ζήτηση και είτε προσφέρετε έκπτωση σε δωμάτια που θα μπορούσατε να πουλήσετε στην κανονική τιμή, είτε είστε υποστελεχωμένοι μια νύχτα που είστε γεμάτοι. Η πρόβλεψη που διαβάζει ιστορικό, εποχή, τοπικές εκδηλώσεις, μοτίβα πτήσεων και κρατήσεων, και χρόνους προήγησης μπορεί να οξύνει τις αποφάσεις τιμολόγησης, στελέχωσης και αποθέματος με τρόπο που δεν μπορεί ένα υπολογιστικό φύλλο. Αυτή είναι η ίδια δυνατότητα πίσω από τη δουλειά μας στην προγνωστική ανάλυση, και είναι έναν κόσμο μακριά από ένα chatbot.

Γιατί είναι πιο δύσκολο από όσο παραδέχονται οι προμηθευτές

Η τουριστική ζήτηση είναι εποχιακή και επιρρεπής σε αναταράξεις, κάτι που ακριβώς σπάει την απλοϊκή πρόβλεψη. Ένα μοντέλο που έμαθε τον ρυθμό της περασμένης χρονιάς είναι άχρηστο τη βδομάδα που ένα κύμα καύσωνα, μια αεροπορική εταιρεία που κόβει μια γραμμή, ή μια περιφερειακή εκδήλωση ξαναγράφει το μοτίβο. Μια πρόβλεψη που αγνοεί αυτές τις εξαιρέσεις είναι χειρότερη από το ένστικτο ενός έμπειρου διαχειριστή, γιατί είναι σίγουρα λάθος. Η αξία δεν είναι ένας αριθμός σε έναν πίνακα εργαλείων· είναι μια πρόβλεψη αρκετά ειλικρινής για την αβεβαιότητά της ώστε ένας διαχειριστής πράγματι να ενεργήσει βάσει αυτής. Αυτή είναι η διαφορά ανάμεσα σε πρόβλεψη ζήτησης που επιβιώνει στην πραγματικότητα και ένα μοντέλο που φάνηκε έξυπνο σε μια επίδειξη.

Ποια δεδομένα χρειάζεστε προτού λειτουργήσει η πρόβλεψη;

Η ειλικρινής προϋπόθεση είναι λιγότερο εντυπωσιακή: το δικό σας ιστορικό, σε χρησιμοποιήσιμη κατάσταση. Μια πρόβλεψη είναι τόσο καλή όσο το αρχείο από το οποίο μαθαίνει, και οι περισσότερες μονάδες έχουν την πρώτη ύλη χωρίς να το γνωρίζουν. Δεδομένα κρατήσεων με χρόνους προήγησης, ώστε το μοντέλο να βλέπει πόσο νωρίς κρατούν διαφορετικά τμήματα πελατών. Ιστορικό τιμών, ώστε να ξεχωρίζει τη ζήτηση που χάθηκε από τη ζήτηση που τιμολογήθηκε μακριά. Πληρότητα ανά νύχτα, όχι ανά μήνα, γιατί οι μέσοι όροι κρύβουν ακριβώς τις διακυμάνσεις που προσπαθείτε να προβλέψετε. Μοτίβα ακυρώσεων, που συμπεριφέρονται διαφορετικά ανά κανάλι και εποχή. Αν αυτά ζουν σε ένα σύστημα διαχείρισης ακινήτου, έναν διαχειριστή καναλιών και ένα υπολογιστικό φύλλο που κάποιος συντηρεί με το χέρι, το πρώτο έργο είναι συχνά η ενοποίησή τους, και αυτή η δουλειά αποδίδει ακόμα και πριν τρέξει ένα μοντέλο, γιατί δίνει στη διοίκηση μία αληθινή εικόνα της επιχείρησης.

Πώς θα μοιάζει ένα πρώτο έργο;

Σκεφτείτε έναν ενδεικτικό παράκτιο όμιλο ξενοδοχείων με τρεις μονάδες και έντονη καλοκαιρινή κλίση. Το λάθος πρώτο βήμα είναι η αγορά μιας πλατφόρμας. Το σωστό είναι στενό: προβλέψτε πληρότητα και τιμή για μία μονάδα, λίγες εβδομάδες μπροστά, και συγκρίνετε την κλήση του μοντέλου με αυτό που θα έκανε ούτως ή άλλως ο διαχειριστής εσόδων. Τρέξτε τα δύο παράλληλα για μια σεζόν. Όπου κερδίζει το μοντέλο, υιοθετήστε το για εκείνη την απόφαση. Όπου κερδίζει ο διαχειριστής, ανακαλύψτε τι ήξερε αυτός που δεν κουβαλούσαν τα δεδομένα, γιατί αυτό συνήθως είναι ένα σήμα που αξίζει να τροφοδοτηθεί, ένα τοπικό ημερολόγιο εκδηλώσεων, μια σύμβαση τουριστικού πράκτορα, μια αλλαγή δρομολογίου. Η πρόβλεψη κερδίζει ευρύτερη χρήση αποδεικνύοντας ότι έχει δίκιο δημόσια, δίπλα στην κρίση που προορίζεται να οξύνει, όχι φτάνοντας ως εντολή από μια παρουσίαση προμηθευτή.

Πώς μοιάζει η καλή υιοθέτηση

Παραλείψτε το επικεφαλής chatbot και ξεκινήστε εκεί που είναι τα χρήματα: πρόβλεψη ζήτησης αρκετά καλή ώστε να τιμολογείτε και να στελεχώνετε βάσει αυτής, με έναν διαχειριστή που μπορεί να δει πότε το μοντέλο δεν είναι σίγουρο και να το παρακάμψει. Αντιμετωπίστε το αποτέλεσμα ως βοήθημα απόφασης, όχι ως χρησμό. Αν διευθύνετε ξενοδοχεία ή τουριστική επιχείρηση στην Κύπρο και θέλετε το AI στραμμένο στις αποφάσεις που αλλάζουν τη σεζόν σας και όχι τον ιστότοπό σας, πείτε μας πώς σχεδιάζετε σήμερα, και δείτε πώς η προγνωστική ανάλυση μετατρέπει τα δεδομένα σε αποφάσεις.