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 tirar partido da Meteorologia para uma melhor Gestão Hoteleira?

Na continuação dos posts sobre as diversas fontes de dados que estão à disposição dos hoteleiros para reunir informação importante para a tomada de decisão, neste post venho falar da meteorologia, algo que todos os hoteleiros sabem intrinsecamente que tem impacto na atividade hoteleira, mas que muito raramente tiram partido da facilidade com que se tem acesso a estes dados.

19.out.2017

Os preços enquanto fontes de dados

Continuando a abordar as diversas fontes de dados que estão à disposição dos hoteleiros para reunir informação importante na tomada de decisão, debruço-me agora sobre os preços - sobretudo aqueles a que os consumidores têm acesso online.

14.set.2017

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

Artigos Recentes

Como tirar partido da Meteorologia para uma melhor Gestão Hoteleira?

19.out.2017

Os preços enquanto fontes de dados

14.set.2017

Como está a sua Reputação Social?

21.jun.2017