Cerca
Close this search box.

Il lato scientifico del Revenue Management Alberghiero

Crediamo, che tutti gli albergatori italiani, abbiano chiaro cosa significa gestire il Revenue, ma forse, non tutti sanno esattamente, quali sono tutte le metodologie e le tecniche che portano davvero risultati, giustificando gli investimenti.

Da sempre il team di HOTELCUBE è in prima linea per dare ai suoi clienti le novità assolute del mercato. Attraverso il modulo RMS dell’applicazione HOTELCUBE, si ha a disposizione uno strumento scientificamente valido, che aiuta davvero, chi di numeri se ne intende e ne vuole trarre un beneficio evidente.

L’esperienza accumulata negli anni dall’Ing. Riccardo Di Prima, con la collaborazione di Dr. Paolo Desinano, già docente di informatica applicata al turismo all’Università di Perugia, hanno permesso ad HOTELCUBE RMS di essere l’applicazione di punta a livello nazionale, per questo segmento specialistico del business alberghiero.

Questa decennale esperienza sulle tematiche del Revenue Management Alberghiero ha stimolato l’attenzione del Dott. Gianluca Torta, PhD dell’Università degli Studi di Torino che ha proposto una tesi specifica, proprio sul Revenue Management Alberghiero, accettata dal laureando Leonardo Mannarino con la diretta collaborazione dell’Ing. Riccardo di Prima di Proxima Service.

È stato svolto un lavoro molto interessante e chiaro, che ha esemplificato alcune delle metodologie di Revenue Management più sofisticate e produttive. Ve ne citiamo di seguito dei significativi passaggi, perché meritano davvero di essere letti, anche da chi non è proprio un addetto ai lavori.

Questo stralcio consente di avere una visione maggiormente realistica, su come si struttura una parte del lavoro del revenue manager e che dati debbano da lui esser valutati, per ottenere informazioni importanti a per accrescere il business.

Buona lettura.

Stralcio tratto dalla TESI di Mannarino Leonardo – Università degli Studi di Torino - Sessione aprile 2017 - a.a. 2015/2016

“Nella prospettiva del Revenue Management alberghiero le previsioni riguardano le camere, e devono essere distinte per data e segmenti di mercato (business, gruppi ecc). Noi per semplicità̀ terremo solo conto alle camere distinte per data e non per segmenti di mercato.

Ma da dove partiamo per prevedere le camere che possono essere occupate nel futuro? Una buona base di partenza è avere i dati storici sulle prenotazioni delle camere di un determinato albergo. Noi faremo riferimento a questi dati per poter prevedere le occupazioni nel futuro. Avremo a disposizione in un database tutte le prenotazioni avvenute nel passato delle camere occupate in un albergo.

Il database è composto da data di prenotazione, la data per la quale si è prenotato ed il numero delle camere prenotate per quel giorno. Con questi dati possiamo prevedere, grazie a determinati algoritmi, quante camere potrebbero essere occupate in un futuro prossimo. Noi utilizzeremo 3 metodi statistici che fanno tutti parte della famiglia del forecasting alberghiero. Spiegheremo nel prossimo capitolo in che cosa consiste il forecast alberghiero e in particolare i metodi da noi usati per calcolare le camere occupate nel futuro.

La base per poter iniziare a lavorare con i modelli Forecasting è avere una base di dati storici abbastanza esaustiva contenente una mole di dati sufficiente per poter lavorare con i modelli di previsione. Ma come accennato in precedenza, questi metodi possono non essere esatti poichè i modelli statistici si basano su determinate ipotesi che valgono in un mondo ideale (ad esempio l’acquisto delle camere costante o stagionale), ma nella realtà non è così e questi metodi possono solamente darci una mano a capire e a prevedere l’andamento futuro. Sta all’albergo cercare di sfruttare queste informazioni nel miglior modo possibile così da poter aumentare i propri ricavi.

I dati principalmente utilizzati dai modelli del forecast sono la data in cui le prenotazioni vengono effettuate e la data di soggiorno, che sono in linea con i dati salvati nel nostro database, e grazie a questi dati riusciamo ad ottenere dei nuovi dati predittivi per il futuro.
I modelli forecast cui faremo riferimento fanno parte di due famiglie: Advanced Booking Methods e Historical Methods.

Il concetto base di questi metodi sta nell’identificare l’accumulo delle prenotazioni in diversi periodi per poi prevedere la domanda totale che ci si aspetta in futuro.

Il principale vantaggio di questi metodi consiste nel tenere conto delle informazioni sulle prenotazioni e della domanda così da riuscire facilmente a captare l’aumento, o la diminuzione, delle prenotazioni.
In questa famiglia noi analizzeremo prima il Pickup Classico e poi il Pickup Avanzato cercando poi di capire le differenze e confrontarli tra loro.

Pickup Classico
Il Pickup Classico è un metodo statistico utilizzato sul breve periodo e presuppone che esista una certa regolarità di incremento del livello di prenotazioni. Il metodo di calcolo è più semplice del Pickup Avanzato ma ciò non vuol dire che sia necessariamente meno accurato. Analizzeremo meglio questo concetto più avanti quando metteremo a confronto i grafici dei due metodi.

Il Pickup Classico opera calcolando gli incrementi partendo dagli andamenti delle prenotazioni, la media degli incrementi e le proiezioni sulle vendite future sommando le medie degli incrementi alle prenotazioni già effettuate.

I dati su cui eseguiamo l’algoritmo coprono le 5 settimane precedenti al giorno 22-06- 2016 (il giorno dal quale partiremo per fare le previsioni). Le previsioni nel futuro delle camere occupate saranno di 35 giorni a venire.
Ora verrà considerato nel dettaglio il funzionamento dell’algoritmo del Pickup Classico.

L’Algoritmo
Il Pickup Classico si basa sulle date di arrivo delle prenotazioni per un determinato giorno. Ad esempio: al giorno 22 giugno risultano occupate 171 camere, ma 7 giorni prima del 22 risultavano prenotate 66 camere e 14 giorni prima 40 e così via fino a 35 giorni prima. Questo perché l’algoritmo assume che l’andamento delle prenotazioni vari in base al giorno della settimana (lunedì,…,domenica).
La seguente tabella costituisce un esempio che utilizzeremo per descrivere l’algoritmo del Pickup Classico

Tabella 1:

algoritmo del Pickup Classico

In questa tabella si assume che la data odierna sia il giorno 22 giugno e vogliamo sapere quante camere potrebbero essere occupate nelle prossime settimane avendo già i dati delle camere prenotate nelle settimane prima del 22 giugno. “Numero giorni precedenti” sta ad indicare le camere prenotate per un dato giorno (ad esempio il 22 giugno) nei giorni precedenti a questa data. Quindi 7 giorni prima del 22 abbiamo ricevuto 66 prenotazioni per tale data, 14 giorni prima ne abbiamo avute 40 e così via.

A partire da questa tabella, bisogna ricavare una seconda tabella che illustra, per ciascuna data indicata, gli incrementi rispetto alle prenotazioni nelle varie settimane precedenti. Dovrà essere composta come illustrato in questa figura.

Tabella 2:

La tabella si compone in questo modo:
Iniziamo con il 22 giugno. Prendiamo il valore del giorno zero della tabella precedente e lo sottraiamo ad ogni settimana precedente. Quindi la riga del 22 giugno è composta così: (171 – 171) = 0, (171 – 66) = 105, (171 – 40) = 131, (171 – 19) = 152 ecc.. ed analogamente per i giorni precedenti al 22 giugno così da poter ricavare questa tabella.

Ora siamo in grado di calcolare la media degli incrementi che si calcola come segue (per semplicità prendiamo in considerazione fino a 21 giorni prima della data odierna, anche se nell’implementazione dell’algoritmo vengono presi in considerazione fino a 35 giorni prima):
La media a 7 giorni viene calcolata eseguendo il semplice calcolo (72+7+105+105)/4=90.
Per quella a 14 giorni avremo (106 + 101 + 120 + 131) / 4 = 115.

Così facendo otterremo questa tabella.

Tabella 3:

Con queste medie siamo in grado di prevedere le camere che verranno occupate nel (vicino) futuro effettuando un’addizione con i valori delle camere già prenotate per le prossime settimane che abbiamo nella Tabella 1.

Esempio: il giorno 29 giugno si presume che avremo 164 camere occupate e questo dato viene calcolato sommando 90 (media a 7 giorni) + 74 (camere già prenotate per il giorno 29 giugno). Stessa cosa per il 06 luglio che avremo 159 camere occupate poiché 115 + 44 = 159. Abbiamo ottenuto il risultato della tabella che segue.

Tabella 4:


Nel grafico possiamo vedere a confronto i dati reali (di colore arancio) con le previsioni dell’algoritmo del Pickup Classico (di colore azzurro). Come si evince anche dal grafico, i dati reali sono sempre diversi dalle previsioni.

Possiamo però notare una certa regolarità nell’andamento della linea del Pickup Classico rispetto ai dati reali. Addirittura possiamo vedere che in alcuni punti la previsione coincide quasi con i dati reali. Quindi possiamo ritenerci abbastanza soddisfatti delle previsioni effettuate con questo algoritmo.

Pickup Avanzato
Il Pickup Avanzato è anch’esso un metodo statistico utilizzato sul breve periodo ed è simile a quello Classico ma con modalità di calcolo differenti e più complesse.

Il Pickup Avanzato opera calcolando gli incrementi partendo dagli andamenti delle prenotazioni, le medie degli incrementi e le proiezioni sulle vendite nel futuro a breve termine sommando gli incrementi alle prenotazioni già effettuate.

I dati su cui eseguiamo l’algoritmo coprono le 5 settimane precedenti al giorno 22-06- 2016 (il giorno da cui partiremo per fare le previsioni). Le previsioni nel futuro delle camere occupate saranno di 35 giorni a venire. Anche qui (come per il Pickup Classico) l’algoritmo assume che l’andamento delle prenotazioni vari in base al giorno della settimana (lunedì,…,domenica).
Ora verrà considerato nel dettaglio il funzionamento dell’algoritmo del Pickup Avanzato.

L’Algoritmo
Come in precedenza si inizia con la Tabella 1 e da qui si ricava una tabella formata dal numero, per ciascuna data indicata, delle camere prenotate di settimana in settimana. La tabella che si ottiene è questa.
E si compone in questo modo:
Si parte sempre dal 22 giugno. Prendiamo il valore di prenotazioni della colonna “0” della tabella 1 e lo sottraiamo a se stesso. Quindi (171 – 171) = 0.
Poi si sottrae il valore della colonna “7” dal valore della colonna “0”. Quindi (171 – 66) = 105.
Dopo di che il valore della colonna “14” dal valore della colonna “7”. Quindi (66 – 40) = 26.
E così via per tutte le colonne di ogni data.

Ora siamo in grado di calcolare la media delle prenotazioni per settimana e il loro totale.
La media di incremento da 7 a 0 giorni viene calcolata eseguendo(72 + 76 + 105 + 105) / 4 = 90. Incremento cumulato da 7 a 0 giorni = 90.

Per la media di incremento da 14 a 7 giorni avremo (25 + 15 + 26 + 25) / 4 = 23. Incremento cumulato da 14 a 0 giorni: 90 + 23 = 113.
Per la media di incremento da 21 a 14 giorni avremo (22 + 21 + 29 + 20) / 4 = 23. Incremento cumulato da 21 a 0 giorni: 113 + 23 = 136.
E così per gli altri incrementi fino a ottenere una tabella come segue.
A differenza del calcolo del Pickup Classico, qui si tiene conto del cumulo e si prendono in considerazione nel calcolo della media anche le prenotazioni delle prossime settimane (cosa che non accadeva nel Pickup Classico).

Con i valori di cumulo siamo in grado di prevedere le camere che verranno occupate nel (vicino) futuro effettuando un’addizione con i valori delle prenotazioni che abbiamo già nella Tabella 1.

Esempio: il giorno 29 giugno si presume che avremo 164 camere occupate e questo dato viene calcolato sommando 90 (cumulo da 7 a 0 giorni) + 74 (camere prenotate effettivamente per il giorno 29 giugno a 7 giorni da tale data). Stessa cosa per il 06 luglio per cui prevediamo 157 camere occupate poiché 113 + 44 = 157. Continuando in questo modo si otterrà il risultato della tabella che segue.



I dati della previsione del Pickup Avanzato sono di colore azzurro invece quelli Reali sono di colore arancione. Anche qui i dati di previsione, non sono identici a quelli reali ma possiamo notare una certa regolarità nell’andamento della spezzata stimata, rispetto alla spezzata reale. Anche qui possiamo notare che in alcuni punti la previsione coincide quasi con i dati reali e possiamo ritenerci abbastanza soddisfatti dei dati ottenuti.

Historical Methods
I metodi storici si basano su una quantità di dati storici maggiore rispetto ai metodi descritti in precedenza e, grazie a questo particolare, riescono a prevedere con più precisione nel lungo periodo.

Quindi non ci limiteremo più, come per i metodi del Pickup, a basarci solo su 35 giorni prima per prevedere i prossimi 35 giorni, ma con questi metodi utilizzeremo mole di dati più grande (ad esempio tutti i dati a partire dal 2010) per poi avere potenzialmente una previsione più accurata in lunga data.

Noi ci concentreremo su un metodo particolare di questa famiglia denominato “Holt- Winters” che adesso andremo ad esaminare nel dettaglio.

Holt-Winters
L’ Holt-Winters è un metodo di livellamento esponenziale con il quale l’impatto dei dati precedenti sulla previsione dei valori futuri decresce esponanzialmente.

Si basa su molti dati storici e una sua particolarità è quella di tener conto della stagionalità e regolarità dei dati. In pratica possiamo definire una stagionalità per la nostra Serie Temporale (ad esempio i mesi estivi dal 2010 al 2016) e l’algoritmo effettua le previsioni basandosi sia sui dati storici che tenendo conto della stagionalità specificata.
A seguire il grafico ottenuto utilizzando il metodo Holt-Winter.

Possiamo subito notare come la spezzata creata dal metodo Holt-Winters sia molto differente da quelle del Pickup. Non c’è sempre una corrispondenza tra i dati ottenuti e quelli reali, anzi spesso sono molto differenti (come ad esempio l’ultimo giorno) e raramente la previsione riesce ad avvicinarsi ai dati reali.

Ciò non vuol dire che il metodo dell’Holt-Winters sia sbagliato ma possiamo concludere che, per l’andamento del nostro albergo, conviene utilizzare (per quanto visto, cioè limitate ai prossimi 35 giorni partendo dal 22 giugno) uno dei metodi del Pickup poiché risulta più preciso del metodo Holt-Winters.

Pickup Classico vs Pickup Avanzato
Il codice con il quale è stato creato il grafico è molto simile a quanto visto in precedenza. In sostanza si prendono i dati dalle due tabelle (PrevPickup e PrevPickupAv), si creano le relative Time Series e successivamente si crea il grafico con la funzione plot_ly.

Ecco il grafico

Possiamo notare come i due metodi del Pickup (Classico di colore azzurro e Avanzato di colore arancione) sono davvero molto simili. E notiamo anche che nella prima settimana di previsione, il metodo Classico che Avanzato coincidono. Questo perché i due metodi hanno una previsione settimanale, come abbiamo visto in precedenza, e il Pickup Classico che quello avanzato calcolano la previsione a 7 giorni in maniera identica (poiché il cumulo del Pickup Avanzato è identico a quello della media a 7 giorni). Per questo motivo troveremo sempre valori identici applicando i due metodi per la prima settimana.

Non esiste in realtà un metodo migliore dell’altro. Possiamo dire che il Pickup Avanzato fa calcoli più complessi e sembra essere più preciso di quello Classico ma non è sempre così. Nel futuro non si può sapere cosa potrà accadere e sta all’analista decidere quale metodo sia più appropriato per il proprio albergo.

È molto difficile capire come e cosa prevedere, soprattutto se siamo in un campo come il settore alberghiero dove il numero di camere occupate ogni giorno può variare in base a molteplici fattori. Infatti non esiste un algoritmo o metodo statistico migliore di un altro. Sta alla bravura dell’analista capire quale metodo utilizzare e quale sia il più adatto per il proprio albergo.

Nello svolgere questo lavoro sono stato guidato dal Professore Gianluca Torta e dall’Ingegnere Riccardo Di Prima di Proxima Service di Torino.


Prova HOTELCUBE, il modo più semplice e completo per gestire il tuo Hotel

Leggi altri articoli

Grand Hotel Victoria, Menaggio

Grand Hotel Victoria La dolce vita in quella destinazione che gli ospiti chiamano ‘LAKE COMO’ Il Grand Hotel Victoria, gioiello della rinomata ospitalità sul Lago di Como, si distingue per

Leggi Tutto »