Hotelaria 4.0

O melhor do mundo da Tecnologia aplicado à realidade da Hotelaria.

Machine Learning – o que é e qual o seu impacto na Hotelaria?

Publicado a 12 ABRIL'17, por NUNO ANTÓNIO em Inovação, Gestão

Machine Learning é uma das buzzwords do momento – mas o que é exatamente? São várias as definições possíveis e variam de acordo com o propósito e tema associado, mas, de uma forma geral, todas convergem para a ideia de que é um dos métodos para chegar à Inteligência Artificial (a capacidade dada a máquinas para imitarem comportamento humano inteligente). Assim, o Machine Learning diz respeito ao desenvolvimento de programas computacionais que automaticamente sejam capazes de melhorar e aprender com a experiência, sem serem especificamente instruídos para o fazer.
 
Contudo, este não é um conceito do futuro. Não se cinge a carros que dispensam condutores, robôs que irão substituir humanos ou gadgets ao estilo Star Trek. A realidade é que diariamente já utilizamos Machine Learning nas nossas vidas e muitas vezes nem damos por isso. De cada vez que usamos o Google.com para fazer qualquer tipo de busca, o Google, através da nossa localização, das nossas pesquisas anteriores e dos nossos dados das redes sociais, aplica Machine Learning para nos dar a resposta mais adequada. Os nossos telemóveis, com os seus inúmeros sensores, são capazes de prever o que estamos a fazer (se estamos sentados, a correr, a andar, etc.), registando as nossas atividades. Os mesmos telemóveis prevêem o que estamos a escrever para sugerir palavras completas... Entre muitas outras utilizações diárias que fazemos de Machine Learning.
 
Já em aplicações para negócios, o Machine Learning é usado habitualmente para construir modelos/algoritmos preditivos e de análise de dados, sendo neste caso normalmente designado como Predictive Analytics.
 
O Machine Learning é tipicamente implementado para atender a três tipos de problemas:
  • Aprendizagem supervisionada: quando a aplicação faz uso de um conjunto de dados com os seus inputs e já desejados outputs (etiquetas), com o objetivo de aprender com os exemplos (p.ex. usando variáveis de reservas, incluindo quais foram canceladas é possível construir um modelo que seja capaz de prever que reservas serão canceladas).
  • Aprendizagem não supervisionada: quando o conjunto de dados atribuído à aplicação inclui apenas inputs, sendo a criação dos outputs a tarefa a desempenhar em si. Neste caso, a descoberta de padrões no conjunto de dados é o que constitui os outputs (p.ex. a partir do conjunto de dados das reservas construir um número fixo de grupos de clientes – clusters - baseados nos inputs existentes, sem definir quaisquer pré-requisitos).
  • Aprendizagem reforçada: quando a aplicação interage, ou recebe feedback por ter atingido um determinado objetivo com o qual é suposto aprender (p.ex. se diariamente a aplicação prevê e define que determinadas reservas serão canceladas e essas reservas acabam por não sofrer cancelamento, esta experiência deve ser usada para aperfeiçoar o modelo).
 
Assim, de uma forma simplista, os principais problemas a que se aplica Machine Learning são:
  • Classificação: quando o output é um valor discreto, uma classe (ex: a reserva vai ser “cancelada” ou “não cancelada”).
  • Regressão: quando o output é um valor contínuo (ex: a que preço deve ser o alojamento vendido).
  • Agrupamento: quando os outputs não são conhecidos e os inputs devem ser divididos em grupos (ex: agrupamento de clientes).
 
Há vários artigos desenvolvidos sobre como o Machine Learning já impacta ou irá impactar a Hotelaria. Ficam alguns exemplos (em inglês):
 
Um aspeto em comum na maioria destes artigos é a alusão que é no Revenue Management que, a curto prazo, o Machine Learning terá mais impacto. A previsão da procura, a previsão de receita, a segmentação de clientes, a definição de tarifas e a previsão de cancelamento de reservas são apenas algumas das tarefas em que se notará esse impacto. Todavia, outras tarefas como a previsão de check-ins e check-outs por hora, a rotatividade de funcionários ou necessidade de funcionários por horas, entre muitas outras, já começam também a ser ajudadas pelo Machine Learning
 
De momento, são maioritariamente cadeias internacionais e reconhecidas marcas hoteleiras que estão a tirar partido das vantagens do Machine Learning. Apesar de muitas ainda se encontrarem numa fase inicial de adopção, coloca-se a questão se tal como em outras indústrias, o Machine Learning se tornará omnipresente em todos os hotéis. Como sempre, os primeiros hotéis e marcas a adoptá-lo têm uma vantagem competitiva... Por isso mesmo, se ainda não está aplicar, pelo menos deve começar a pensar no assunto.
Sobre o Autor

Nuno António

CTO na ITBase / WareGuest, com um extenso currículo que vai do Ensino Superior à Consultoria de TI e desenvolvimento de software, é perito na análise e estimativa de requisitos para desenvolvimento de aplicações informáticas. Possui um forte grau de especialização em Gestão Hoteleira e Retalho e frequenta atualmente o Doutoramento em Tecnologia e Ciências da Informação.

Artigos Relacionados

Como está a sua Reputação Social?

Num post anterior falei da importância das diversas fontes de dados para a tomada de decisão em hotelaria. Com este post vou iniciar um conjunto de posts sobre a importância de cada uma das fontes de dados aí mencionadas. A primeira fonte de dados que vou abordar é a reputação social. Escolhi começar pela reputação social não porque está na moda, mas porque é um dos principais influenciadores das compras em hotéis, sendo que alguns estudos, referem mesmo que é o principal fator de decisão, ficando ligeiramente à frente do preço e da localização. A reputação social pode ser utilizada por uma unidade hoteleira para fazer análise comparativa com o seu competitive set, previsão de cancelamentos, previsão da procura, análise de segmentação, entre outro tipo de análises e previsões.

21.jun.2017

Fontes de Dados: o Pilar do Business Analytics

A hierarquia da inteligência, no âmbito do Business Intelligence, reconhece que, para alcançar conhecimento e transformá-lo em sabedoria, é necessário haver informação de qualidade, sendo a informação o resultado do processamento, organização e estruturação dos dados, num determinado contexto. Pode por isso dizer-se que os dados são a base da sabedoria. Sem dados, não poderemos ter informações relacionadas com negócios, extrair conhecimento dos mesmos e tomar decisões informadas e sensatas. Conforme referido pelo Professor W. Edwards Deming, conhecido estatístico: “confiamos em Deus; todos os outros tragam dados”.

18.mai.2017

O Financiamento da Hotelaria 4.0 pela Indústria 4.0

No último post foram abordados de uma forma genérica alguns dos potenciais instrumentos de financiamento da Hotelaria 4.0. Neste vamos aprofundar a estratégia, medidas e instrumentos específicos que, neste preciso momento, estão a ser elaborados e disponibilizados para permitir uma implementação efetiva e célere das medidas.

03.mai.2017

Categorias

Artigos Recentes

Como está a sua Reputação Social?

21.jun.2017

#VontadedeChorar? O que me espanta é tanto espanto!

24.mai.2017

Fontes de Dados: o Pilar do Business Analytics

18.mai.2017