Título Superior Universitario En: Revenue Management

Título Superior Universitario
título propio
en Revenue Management
(online)
profesor: Javier Espinosa
Director of Forecast & Revenue
Strategy NH Hotel Group
colaborador principal entidades colaboradoras

título propio
(online)
MÓDULO 2:
Introducción al Big Data.
Principales indicadores de Revenue
Management

índice UNIDAD 1:
general
de
contenidos
Introducción al Big Data. Principales indicadores de
Revenue Management
1.1. Filosofía de KPIs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 06
1.2. KPIs aplicados a RM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3. Gestión por indicadores .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.4. Conceptos básicos de BI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.5. Visualización de datos. Visual Analytics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
1.6. Del Small Data al Big Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 3

índice UNIDAD 2:
general
de
contenidos
Big Data, Artificial Intelligence y Revenue
Management
2.1. Evolución de sistemas de RM y su relación con volúmenes de datos .. . . . . . . . . . . . . . . . . . . . . . 72
2.2. Dificultades de Big Data en el entorno hotelero. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.3. Big Data: Visión global y principales platadormas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
2.4. Fundamentos de estadísticas y Data Minning .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
2.5. Big Data aplicado a Revenue Management . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

título propio
(online)
MÓDULO 2
UNIDAD 1:
Introducción al Big Data. Principales

indicadores de Revenue Management

título propio
(online)
MÓDULO 2. UNIDAD I
Management
Filosofía de KPIs
Título Superior Universitario en Revenue Management (online) 6

introducción INTRODUCCIÓN AL BIG DATA. PRINCIPALES INDICADORES DE REVENUE MANAGEMENT
al big data.
FILOSOFÍA DE KPIs
principales
indicadores
de revenue “Un KPI –del inglés key performance
management
filosofía indicator–, también conocido como
de kpis
indicador clave de desempeño o
indicador clave de rendimiento, es
una medida del nivel del desempeño de
un proceso; el valor del indicador está
directamente relacionado con un objetivo
fijado de antemano. Normalmente se
expresa en porcentaje.”

al big data.
FILOSOFÍA DE KPIs
principales
indicadores
de revenue
management
filosofía
de kpis
Accionable Relevante
KPI
Leal Comprensible

al big data.
FILOSOFÍA DE KPIs
principales
indicadores
de revenue Cualquier indicador que definamos debe servir para tomar una
management
Accionable acción que influya en el. Si no tenemos capacidad para influir
filosofía
de kpis
en ese KPI, conocerlo no nos sirve de nada
Un KPI, por definición, es un indicador CLAVE de desempeño,

Relevante lo que implica que cualquier KPI que definamos y analicemos
debe revestir importancia en nuestra toma de decisiones
En la definición y análisis de un KPI debemos tener en cuenta

Leal que un KPI debe ser leal, en el sentido de que no induzca a
error en su interpretación
Un KPI debe ser comprensible. De nada sirve definir un KPI

Comprensible que refleje a la perfección la realidad si resulta extremadamente
complejo de entender

al big data.
FILOSOFÍA DE KPIs
principales
indicadores principio #1: analiza en perspectiva
de revenue
management En ocasiones es necesario alejarse del dato para entenderlo.
filosofía
de kpis
principio #1:
analiza en
perspectiva

al big data.
FILOSOFÍA DE KPIs
principales
indicadores principio #2: simplifica
de revenue
management
filosofía
“Focus on simplicity. Simple can be
de kpis harder than complex. You have to
principio #2:
simplifica work hard to get your thinking clean
to make it simple. But it’s worth it in
the end because once you get there,
you can move mountains.”
- Steve Jobs -

al big data.
FILOSOFÍA DE KPIs
principales
indicadores principio #3: no des cosas por sentado
de revenue
management Jorge Bucay y la fábula del elefante.
filosofía
de kpis
principio #3:
no des cosas por
sentado

al big data.
FILOSOFÍA DE KPIs
principales
indicadores principio #4: no te dejes engañar!!
de revenue
management
filosofía
de kpis
principio #4:
no te dejes
engañar!!

al big data.
FILOSOFÍA DE KPIs
principales
indicadores principio #4: no te dejes engañar!!
de revenue
management
filosofía
de kpis
principio #4:
no te dejes
engañar!!

título propio
(online)
MÓDULO 2. UNIDAD I
Management
KPIs aplicados a RM

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis
de revenue
management Indicadores básicos:
kpis aplicados
a rm % Ocupación = Hab. vendidas / (Hab. disponibles - Habitaciones OOO) x 100
Eliminamos habitaciones Out of Order
rm kpis
% Ocupación Físico = Hab. vendidas / Hab. disponibles x 100

Eliminamos habitaciones Out of Order
ADR = Ingresos por habitaciones / Número de habitaciones vendidas
OTB = On The Books = Habitaciones vendidas
RREV = Room revenue = Ingreso de habitaciones
RNs = Room Nights = Número de habitaciones vendidas

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis
de revenue
kpis aplicados
a rm RevPar = Ingresos totales alojamiento / Número habitaciones disponibles
rm kpis O
ADR * Occupancy %
Volumen
+ RevPAR
ADR
ADR
+ RevPAR
Volumen

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis
de revenue
kpis aplicados
a rm RevPar = Ingresos totales alojamiento / Número habitaciones disponibles
rm kpis O
ADR * Occupancy %
January 2016
Hotel A Hotel B Hotel C
Inventario 3720 3720 3720
Room Revenue 208000 207900 208000
Habitaciones Ocupadas 3200 2970 2600
Occupancy % 86,02% 79,84% 69,89%
ADR 65,00 70,00 80,00
RevPar (Revenue per
Available Room) 55,91398 55,8871 55,91398

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis
de revenue
management ¿Cuál de las siguientes opciones es la más rentable?
kpis aplicados
a rm ▶ Un incremento de 5% en ADR.
rm kpis
▶ Un disminución de 5% en Costes Variables.
▶ Un incremento de 5% en Ocupación.
▶ Un disminución de 5% en Costes Fijos.

al big data.
KPIs APLICADOS A RM
principales
indicadores el precio es el motor de crecimiento más eficaz
de revenue
management NH Collection Andino Royal
kpis aplicados
a rm
el precio es
el motor de
crecimiento más Una mejora de 5% en... ...conduce a un aumento
eficaz del beneficio de...
Profit Driver Profit

Old New Old New
ADR $ 47 $ 49,4 $ 387k $ 433K 13%
Variable cost
$ 8,5 $8,1 $ 387k $ 392K 2%
per RN
Occupancy 11%
67% 70% $ 387k $ 424K
rate
Fix Costs $ 440k $ 418k $ 387k $ 404K 6%

al big data.
KPIs APLICADOS A RM
principales
indicadores precio versus rentabilidad
de revenue
management How high should the new occupancy rate be if you want to maintain profit?
kpis aplicados
a rm Scenario:
precio vs Starting situation decrease by
rentabilidad 10% in price
ADR $ 47 $ 42,3
Variable cost $ 8,5

per RN
$ 8,5 69% 71%
+2pts +4pts
Fix C osts $ 440k $ 440k 74% 77%

+7pts +10pts
O ccupancy ?
67%
Rate
Available 31.920
31.920
rooms
Profit $ 387.460 $ 387.460

al big data.
KPIs APLICADOS A RM
principales
indicadores exercise - solution
de revenue
management Profit = (Price - Variable Unit Costs) x Occupancy Rate x Available Rooms - Fixed Costs
kpis aplicados Profit drivers
a rm O ld New
exercise -
ADR $ 47 $ 42,3
solution
Variable cost
$ 8,5 $ 8,5
per RN
Fix C osts $ 440k $ 440k
O ccupancy Rate 67% 76%
Available rooms 31.920 31.920
Profit $ 387.460 $ 387.460
Profit + Fixed Costs

New Occupancy Rate =
Available rooms x (New price - Variable Unit Costs)
387.460 + 440.509
New Occupancy Rate = = 77%
31.920 x (42,3 - 8,5)

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis
de revenue
kpis aplicados
a rm Pick UP = Ritmo de reservas de tu hotel
rm kpis

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis
de revenue
kpis aplicados
a rm Pick UP = Ritmo de reservas de tu hotel
rm kpis

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis
de revenue
management SPIT o STLY = Mismo Punto en Tiempo el Año Pasado = Cuántas
habitaciones habías ya vendido el mismo punto en tiempo el año pasado
kpis aplicados para el mismo periodo el año pasado
a rm
rm kpis

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis
de revenue
management
kpis aplicados
a rm
rm kpis Categorías de Reserva:
▶ Garantizada
▶ Tentativa
▶ Opción
Temporadas
Días de la semana
Eventos

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis
de revenue
management Market Intelligence – KPI´s Básicos
kpis aplicados
a rm
rm kpis
MPI = Market Penetration Index
Ocupación del hotel / Ocupación media del set competitivo
ARI = Average Rate Index

ADR del hotel / ADR del set competivo
RGI = Revenue Generating Index

RevPar del hotel / RevPar del set competitivo
QPI = Quality Penetration Index

Satisfacción Global de nuestros clientes / Satisfacción Global de los clientes del
set competitivo

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis: usali
de revenue
management ¿Qué es USALI?
kpis aplicados Uniform System of Accounts for the Lodging Industry
a rm
rm kpis: usali Sistema uniforme de gestión de cuentas
▶ Facilita la comunicación en la organización.
▶ Elimina discusiones “improductivas”.
VENTAJAS
▶ Evita distorsión en datos y reduce la
interpretación
▶ Posibilita la comparabilidad entre diferentes

organizaciones.

al big data.
KPIs APLICADOS A RM
principales
indicadores rm kpis: usali
de revenue
management
kpis aplicados
a rm
rm kpis: usali
No suman para obtener el total de RNs
Complimentary vendidas y, por tanto, no impactan en ADR,
rooms Occ% ni Revpar.
Se excluyen del inventario:

Habitaciones ▶ Habitaciones no disponibles para la venta
disponibles durante al menos 30 días.
▶ Permanent house use: al menos 6 meses.
No shows Suman a RREV pero no a RNs.
Day use Suman tanto a RNs como a RREV.

título propio
(online)
MÓDULO 2. UNIDAD I
Management
Gestión por indicadores

al big data.
GESTIÓN POR INDICADORES
principales
indicadores concepto
de revenue
management Lo mas importante a la hora de plantearnos los indicadores de
gestión por gestión, es crucial que seamos capaces de responder a la pregunta:
indicadores
concepto
¿PARA QUÉ?
En este sentido, debemos tener en cuenta que los

KPIs o indicadores de gestión a utilizar deben,
necesariamente, ser un reflejo de la estrategia de la
compañía.

al big data.
principales
indicadores fases en la definición de indicadores de gestión
de revenue
management La respuesta a la pregunta inicial de “¿PARA QUÉ?” es precisamente la que va a condicionar
gestión por todos los indicadores de gestión que definamos el resto de fases de la definición de acuerdo
indicadores
al siguiente esquema.
fases en la
definición de
indicadores de
gestión
1. Definir la 3. Establecer
estrategia de la metas u objetivos
compañía. a cumplir.
4. Medir el
2. Definir las
cumplimiento
variables clave en
de los objetivos
la consecución
definidos.
de esa estrategia.

al big data.
principales
indicadores principios esenciales de un cuadro de mandos
de revenue
management
gestión por
indicadores
principios Un cuadro de mandos SI es Un cuadro de mandos NO es
esenciales de
un cuadro de Herramienta de gestión Sistema transaccional
mandos
Datos elaborados y convertidos en Datos detallados e inconexos
información/conocimiento
Sistema con información interna/externa y Sistema de información financiera de la
financiera/no financiera compañía
Sistema de información dirigido a la Sistema de análisis libre
obtención de conclusiones
Información relevante para perfiles Información de máximo nivel de detalle
directivos para analistas
Herramienta para gestionar Herramienta para auditar
Herramienta a medida Herramienta estándar

al big data.
principales
indicadores organizaciones basadas en la estrategia
de revenue
management Principios de las organizaciones basadas en la estrategia:
gestión por
indicadores
organizaciones Principio 1 No se puede aplicar una estrategia que no se
basadas en la Traducir la estrategia a puede describir.
estrategia términos operativos
Principio 2 La actividad de la organización es algo mas

Alinear la organización que la suma de las partes.
con la estrategia
Principio 3
Hacer que la estrategia No se trata de dirigir desde arriba hacia abajo
si no de comunicar desde arriba hacia abajo.
sea el trabajo diario de
todo el mundo
Principio 4 Integración de la gestión táctica y la gestión

Hacer de la estrategia estratégica.
un proceso continuo

al big data.
principales
indicadores mapas estratégicos y cuadros de mandos
de revenue
management ▶ El mapa estratégico describe el proceso de transformación de los activos intangibles en resultados tangibles con
gestión por respecto al cliente y a las finanzas.
indicadores
▶ El mapa estratégico de un cuadro de mando integral es una arquitectura genérica que sirve para describir una
mapas
estrategia. La relación causa efecto de este diseño constituye las hipótesis de la estrategia.
estratégicos
y cuadros de
▶ Los mapas estratégicos:
mandos
▶ Sirven para que las organizaciones vean sus estrategias de forma coherente, integrada y sistemática.
▶ Proporcionan la base para que el sistema de gestión se pueda aplicar de forma eficaz.

al big data.
principales
de revenue
management Típicamente se construye un mapa estratégico desde una perspectiva dividida en 4 partes:
gestión por
indicadores
mapas
estratégicos
y cuadros de
mandos
PERSPECTIVA PERSPECTIVA PERSPECTIVA PERSPECTIVA

FINANCIERA DE CLIENTE INTERNA DE APRENDIZAJE
Objetivos Estrategias La perspectiva Procesos de mejora
relacionados con la encaminadas a interna hace alusión de la gestión del
cuenta de resultados mejorar el valor a todos aquellos conocimiento y
y mejora de la percibido por el procesos internos herramientas
rentabilidad para cliente con nuestro que es necesario tecnológicas que
el accionista como producto y su implantar o cambiar habilitan y dan
reducción de costes satisfacción como de cara a dar soporte soporte al resto del
o incremento de niveles de calidad a la perspectiva conjunto de la
ingresos. o servicio. de cliente y a la estrategia como
perspectiva programas de
financiera como formación a
procesos logísticos u empleados o
operativos. sistemas
informáticos.

al big data.
principales
de revenue
management
gestión por
indicadores
mapas
estratégicos
y cuadros de
mandos

al big data.
principales
de revenue
management
gestión por
indicadores
mapas Aumentar
estratégicos Financiera rentabilidad
y cuadros de
mandos
Mejorar Mejorar
De cliente calidad del servicio en
producto tienda
Reducir Aumentar
Interna costes stock en
logísticos tiendas
Reclutar Mejorar
Aprendizaje personal sistemas de la
cualificado información

al big data.
principales
de revenue
management
gestión por EBITDA
indicadores
mapas
estratégicos
y cuadros de Encuestas de calidad
mandos
Encuestas de calidad
Coste de distribución
Stock medio
Formación media
Eficiencia en sistemas

al big data.
principales
indicadores esquema de definición de indicadores de gestión
de revenue
management A la hora de identificar indicadores de gestión deberemos seguir siempre un esquema como el que sigue:
gestión por
indicadores
esquema de
definición de
indicadores de
gestión Si
¿Podemos establecer
Si un objetivo y darle
seguimiento?
Si ¿Es medible? No
¿Forma parte de mi
No
mapa estratégico?
No
En estos casos no es un indicador

de gestión

título propio
(online)
MÓDULO 2. UNIDAD I
Management
Conceptos básicos de BI

al big data.
CONCEPTOS BÁSICOS DE BI
principales
indicadores qué se entiende por business intelligence
de revenue
management Opinión del 43%: “El uso de información que permite a las organizaciones dirigir de la mejor forma, decidir,
conceptos medir, gestionar y optimizar el alcance de la eficiencia y los resultados financieros”.
básicos de bi
Opinión del 16%: “La habilidad de proporcionar datos/información en un proceso
qué se entiende
(o aplicación) funcional para permitir mostrar un hecho específico y que en ese contexto pueda originar una
por business
intelligence acción.”
Opinión del 16%: “El acceso al análisis de fuentes de información cuantitativa que permita mostrar a sus usuarios
alinear mejor a las personas y los procesos con los objetivos de negocio”.
Opinión del 5%: “Herramientas y tecnologías que ayudan a los analistas a trabajar la
información”.
Encuesta en el simposio Gartner en Australia (150 técnicos y usuarios de negocio).

al big data.
principales
indicadores contexto
de revenue
management El actual entorno tecnológico en constante
conceptos cambio obliga a las empresas a reaccionar
rápidamente y adelantarse, buscando nuevas
básicos de bi oportunidades.
contexto
Se deben hacer las preguntas adecuadas a los

sistemas de información y utilizar las tecnologías
acordes a estas preguntas.
Cada vez tenemos mas datos (internos, externos,

estructurados, no estructurados) y menos
tiempo para analizarlos.
El mercado cambiante y la agilidad requerida

por el negocio nos obliga a reaccionar de manera
muy rápida en sistemas de la información.

al big data.
principales
indicadores del operacional al informacional
de revenue
management ▶ Cuando hablamos de información operacional típicamente nos referimos a los datos contenidos en sistemas
conceptos tradicionales internos de la compañía.
básicos de bi ▶ Los ejemplos típicos son los de la información contenida en nuestro ERP, CRM o SRM, etc.
del operacional
al informacional

al big data.
principales
indicadores del operacional al informacional
de revenue
management ▶ Los sistemas informacionales recogen la información contenida en los sistemas operaciones y los dotan de
conceptos una capa analítica de cara a facilitar la toma de decisiones.
básicos de bi ▶ Ejemplos típicos de sistemas informacionales son business objects, microstrategy, etc.
del operacional
al informacional

al big data.
principales
indicadores del operacional al informal
de revenue
management
conceptos
básicos de bi
del operacional
al informacional

al big data.
principales
indicadores concepto de business intelligence
de revenue
management
conceptos
básicos de bi
concepto
de business
intelligence

al big data.
principales
indicadores concepto de business intelligence
de revenue
management ▶ Objetivo: Apoyar de forma sostenible y continuada a las compañías para mejorar su competitividad, facilitando
conceptos el acceso directo a la información para la toma de decisiones. Dotar a los departamentos de negocio de
básicos de bi independencia con respecto al departamento de Sistemas de Información.
concepto ▶ Modo: Convirtiendo datos en información para ser capaces de descubrir el conocimiento y dar el gran paso a la
de business innovación.
intelligence
▶ Claves: El proceso de BI debe ser vivo, ágil y alineado con estrategia de la compañía...

al big data.
principales
indicadores concepto de bi: datawarehousing
de revenue
management
conceptos
básicos de bi
Fuentes de datos
concepto de bi:
datawarehousing

al big data.
principales
indicadores concepto de bi: datawarehousing
de revenue
management
conceptos
básicos de bi
concepto de bi:
datawarehousing

título propio
(online)
MÓDULO 2. UNIDAD I
Management
Visualización de datos. Visual Analytics

al big data.
VISUALIZACIÓN DE DATOS. VISUAL ANALYTICS
principales
indicadores ¿QUÉ ES VISUAL ANALYTICS?
de revenue
management Visual Analytics es una disciplina que permite entender datos de forma visual mediante el uso de herramientas
visualización gráficas.
de datos
¿qué es visual
analytics?

al big data.
principales
indicadores ¿QUÉ PARTES LO COMPONEN?
de revenue
management
visualización
de datos
¿qué partes lo
componen?
Búsqueda de Información
Visualización Visualización de Info
Conseguir Datos Visualización científica
Data Mining Computer Graphics
Datos Storytelling
Interacción Human-Computer
Psicología Cognitiva
Percepción de los Datos

al big data.
principales
indicadores ¿POR QUÉ ES TAN IMPORTANTE LA VISUALIZACIÓN?
de revenue
management
visualización
de datos
¿por qué es tan
importante la
visualización?
Fuente: Nikhil Srivastava, 2015. Bandwidth of our senses

al big data.
principales
indicadores ¿CÓDIGOS VISUALES?
de revenue
management ▶ Puede parecer que la visualización de los datos es espontánea y fruto de una idea feliz pero lo cierto es que hay
visualización reglas y patrones para visualizar datos.
de datos ▶ Por tanto hay que establecer una correspondencia entre el tipo de dato y la forma que vamos a mostrar la
¿códigos información.
visuales?
▶ Una buena visualización se define como aquella que es auto explicativa y directa que no requiere de un gran
contenido verbal para comunicarla.

al big data.
principales
indicadores VARIABLES DE PLANO
de revenue
management Vamos a depender de la variedad de datos a mostrar.
visualización
de datos ▶ Trabajan muy bien para presentar cualquier dato
variables de cuantitativo en 2D.
plano
▶ Si necesitamos un gráfico 3D podemos usar el eje Z,
pero las gráficas 3D no son fáciles de Interpretar.
▶ Entonces, ¿qué debemos hacer entonces para presentar

tres o más variables? ¡Podemos usar las variables de
retina!

al big data.
principales
indicadores VARIABLES DE PLANO
de revenue
management
visualización
de datos
variables de
plano

al big data.
principales
indicadores PRINCIPIOS DE DISEÑO GRÁFICO DE DATOS
de revenue
management ▶ El número de gráficos a nuestra disposición es muy extenso, así como los diferentes tipos de mensaje y audiencias.
visualización ▶ Es relevante buscar soluciones sencillas para visualizar datos.
de datos
▶ Una buena idea es agrupar los distintos tipos de mensaje y asociarlos con gráficos adecuados.
principios de
diseño gráfico de
datos

al big data.
principales
indicadores ¿QUÉ TIPOS DE GRÁFICOS PODEMOS TENER?
de revenue
management
visualización
de datos
¿qué tipos de
gráficos podemos
tener?

al big data.
principales
indicadores COMPARACIONES
de revenue
management
visualización
de datos
comparaciones

al big data.
principales
indicadores RELACIONES
de revenue
management
visualización
de datos
relaciones

al big data.
principales
indicadores COMPOSICIONES
de revenue
management
visualización
de datos
composiciones

al big data.
principales
indicadores DISTRIBUCIONES
de revenue
management
conceptos
básicos de bi
distribuciones

al big data.
principales
indicadores RECAPITULANDO
de revenue
management
visualización
de datos
recapitulando

título propio
(online)
MÓDULO 2. UNIDAD I
Management
Del Small Data al Big Data

al big data.
DEL SMALL DATA AL BIG DATA
principales
indicadores BREVE HISTORIA DEL BIG DATA
de revenue
management
del small data
al big data
breve historia
del big data

al big data.
principales
indicadores DESDE EL BI TRADICIONAL HACIA EL BIG DATA
de revenue
management
del small data
al big data
desde el bi IoT Reporting
tradicional Redes
hacia el big data sociales
SRM
SCM ERP PLM
CRM
Artificial Fuentes no
intelligence estructuradas
Fuentes externas

al big data.
principales
indicadores ¿CÓMO DE BIG ES BIG DATA?
de revenue
management
del small data
al big data BI Tradicional
¿cómo de big es
big data?
Big data

al big data.
principales
indicadores OPORTUNIDADES DE NEGOCIO BASADAS EN BIG DATA
de revenue
management Análisis de los clientes
del small data ▶ Marketing impulsado por los clientes. Promociones y ofertas personalizadas basándose en las pautas de compras
al big data
individuales. Prevención de la pérdida de clientes.
oportunidades de
negocio basadas ▶ Recomendación de productos: filtros colaborativos, recomendaciones basadas en la actividad multicanal.
en big data
Análisis de marketing
▶ Modelos de marketing mix: optimización del marketing mix y de las promociones utilizando modelos econométricos
para evaluar el aumento de ventas con diferentes herramientas de marketing e identificar el mas efectivo.
▶ Optimización de precios: Utilizar los datos para evaluar la sensibilidad de la demanda a los precios y para optimizarlos
en diversos puntos del cliclo de vida del producto.

al big data.
principales
de revenue
management Efectividad operativa
del small data ▶ Análisis de datos operativos aprovechando abundantes datos de producción para mejorar los procesos y la calidad
al big data
del producto.
oportunidades de
negocio basadas ▶ Mejor planificación y predicción aprovechando la cantidad de datos de procesos históricos, recursos y productos.
en big data
Análisis de fraude y riesgo
▶ Análisis de datos sobre clientes, transacciones y mercados para cuantificar el riesgo de clientes y productos.
▶ Detección de fraude en tiempo real aprovechando datos de los puntos de venta y de los sistemas transaccionales y
análisis.

al big data.
principales
de revenue
management Análisis de internet/móviles/redes sociales
del small data ▶ Análisis de la actividad del cliente. Almacenar las preferencias del cliente para personalizar lo que se muestra,
al big data
monitorizar el uso para evaluar las métricas de la web.
oportunidades de
negocio basadas ▶ Monitorizar los medios sociales, analizar los sentimientos del consumidor hacia la marca y sus productos en
en big data redes sociales.

título propio
(online)
MÓDULO 2
UNIDAD 2:
Big Data, Artificial Intelligence y

Revenue Management

título propio
(online)
MÓDULO 2. UNIDAD 2
Revenue Management
Evolución de sistemas RM y su relación con volúmenes
de datos

evolución de EVOLUCIÓN DE SISTEMAS DE RM Y SU RELACIÓN CON VOLÚMENES DE DATOS
sistemas de rm
EVOLUTION OF RM SYSTEMS & REVENUE STRATEGY 80’s
y su relación
con volúmenes
de datos
evolution of
rm systems &
revenue strategy
80’s
Casi todas las reservas front desk
Datos en sistemas internos
Revenue management a través de

estacionalidad

sistemas de rm
EVOLUTION OF RM SYSTEMS & REVENUE STRATEGY 90-00
y su relación
con volúmenes
de datos
evolution of
rm systems &
revenue strategy
90-00
Aparición de GDS
Datos internos y externos
Revenue management a través de

cupos y price points

sistemas de rm
EVOLUTION OF RM SYSTEMS & REVENUE STRATEGY 00-10
y su relación
con volúmenes
de datos
evolution of
rm systems &
revenue strategy
00-10
Consolidación de OTAs
Mayor granularidad de datos
Revenue management influido

por comparativa de precios

sistemas de rm
EVOLUTION OF RM SYSTEMS & REVENUE STRATEGY 10->
y su relación
con volúmenes
de datos
evolution of
rm systems &
revenue strategy
10->
Infinidad de canales
Era de Big Data
Open pricing

sistemas de rm
y su relación
con volúmenes
de datos
▶ Segmentación,
Price transparency
▶ Open pricing
Fuentes de datos
no tradicionales y
desestructuradas
▶ Cupos a GDS
y Price points
▶ Diferenciación
en base a
estacionalidad y
room type

sistemas de rm
BIG DATA EN RM
y su relación
con volúmenes
de datos
big data en rm
Tarifas Room types Días LoS Snapshots
60 12 1080 8 40
250 millones de
data points

sistemas de rm
BIG DATA EN RM
y su relación
con volúmenes Almacenar este dato y las decisiones tomadas a raíz del mismo requieren una capacidad de almacenamiento de
de datos
10 – 20 gigas por hotel. Considerando una cadena hotelera que pueda contar con 400 hoteles esto supone unos
big data en rm
400 teras de capacidad de almacenamiento.

sistemas de rm
BIG DATA EN RM
y su relación
con volúmenes Pero adicionalmente tenemos un enorme volumen de datos provenientes de fuentes externas y que tienen una
de datos
gran influencia en nuestras decisiones diarias de revenue management.
big data en rm

sistemas de rm
BIG DATA EN RM: OPORTUNIDADES POTENCIALES
y su relación
con volúmenes
de datos
big data en rm:
oportunidades
potenciales

título propio
(online)
MÓDULO 2. UNIDAD 2
Revenue Management
Dificultades de Big Data en el etorno hotelero

big data, BIG DATA, ARTIFICIAL INTELLIGENCE Y REVENUE MANAGEMENT
artificial
DIFICULTADES DE BIG DATA EN EL ENTORNO HOTELERO
intelligence
y revenue ▶ La primera dificultad para un proyecto de big data en el entorno hotelero tiene que ver con la confianza en el dato.
management
dificultades ▶ La cualificación de los datos es el primer paso crítico en cualquier proyecto de big data o analytics.
de big data en
el entorno
hotelero

artificial
intelligence
y revenue
management
dificultades Volúmenes masivos de datos
de big data en
el entorno
hotelero
Datos de terceros
Datos en tiempo real
Variedad de fuentes de datos y estructuras

artificial
intelligence
y revenue
management
dificultades
de big data en
el entorno
hotelero
Silos Coste Volumen Nuevas fuentes
Silos
Volumen
Nuevas fuentes
C oste

artificial
intelligence
y revenue ¿Cuántos datos son demasiados datos?
management
dificultades ▶ En un entorno de big data la dificultad no solo estriba en analizar los datos si no, en un primer término
de big data en que es crucial, entender que datos son relevantes y cuales no.
el entorno
hotelero ▶ Adicionalmente, el incremento en la volumetría de datos potencialmente puede dar lugar a lo que se
conoce como intoxicación de datos.

artificial
intelligence
y revenue
management
dificultades
de big data en
el entorno
hotelero

artificial
intelligence
y revenue
management data does not replace…
BUSINESS SENSE
dificultades
de big data en
el entorno
hotelero

artificial
intelligence
y revenue
management
dificultades
de big data en
el entorno
hotelero

título propio
(online)
MÓDULO 2. UNIDAD 2
Revenue Management
Big Data: Visión global y principales plataformas

artificial
BIG DATA: VISIÓN GLOBAL Y PRINCIPALES PLATAFORMAS
intelligence
y revenue CONCEPTOS PREVIOS
management
big data: Big Data
visión global “Big Data es un término que describe el gran volumen de datos, tanto estructurados como
y principales no estructurados, que inundan los negocios cada día. Pero no es la cantidad de datos lo que es
plataformas
importante. Lo que importa con el Big Data es lo que las organizaciones hacen con los datos. Big
conceptos Data se puede analizar para obtener ideas que conduzcan a mejores decisiones y movimientos de
previos
negocios estratégicos.”

artificial
intelligence
management
big data: Inteligencia Artificial
visión global “De manera común hablamos de Inteligencia Artificial cuando las máquinas son capaces de
y principales
plataformas aprender y razonar con un resultado similar al que haría un humano. En realidad es un concepto
conceptos cambiante, a medida que la tecnología evoluciona. Por ejemplo, un sistema de reconocimiento de
previos caracteres, conocido como OCR, fue una de las primera aplicaciones prácticas de la inteligencia
artificial, sin embargo hoy es una tecnología tan habitual y común que ya no se suele etiquetar como
tecnología de inteligencia artificial.”

artificial
intelligence
management
big data: Machine learning
visión global “Machine Learning o Aprendizaje Automático es una rama de la Inteligencia Artificial dedicada,
y principales
plataformas como el nombre indica, a aprender. Normalmente es la rama central en la mayor parte de las
conceptos aplicaciones de Inteligencia Artificial, pero no la única.”
previos

artificial
intelligence
y revenue LAS 3 Vs
management
big data:
visión global
y principales
plataformas 40 Zettabytes de datos se estima
las 3 vs que serán creados en 2020.
300 veces más que en 2005.
Volumen
La bolsa de NY
captura 1TB de
Datos de salud, datos en cada
de redes sociales, sesión
videos, opiniones, Variedad Velocidad Los coches
etc. modernos pueden
tener cerca de 100
sensores.

artificial
intelligence
y revenue LAS 5 Vs
management
big data:
visión global
y principales
plataformas
las 5 vs

artificial
intelligence
y revenue LAS 7 Vs
management
big data:
visión global
y principales
plataformas
las 7 vs

artificial
intelligence
y revenue CONTEXTO GLOBAL
management
big data:
visión global
y principales
plataformas
contexto global

artificial
intelligence
y revenue ALGUNOS CASOS DE USO
management
big data:
visión global
y principales
plataformas
algunos casos
de uso

artificial
intelligence
y revenue ALGUNOS CASOS DE USO
management
big data:
visión global
y principales
plataformas
algunos casos
de uso
artificial
intelligence
y revenue
management
big data:
visión global
y principales
plataformas
artificial
intelligence
y revenue PRINCIPALES PLAYERS: INFRAESTRUCTURAS
management
big data:
visión global
y principales
plataformas
principales No relacionales
players:
infraestructuras
Bases de datos
Relacional
artificial
intelligence
y revenue PRINCIPALES PLAYERS: ANALÍTICA
management
big data:
visión global ▶ SAS es la herramienta líder del mercado
y principales
plataformas en análisis estadístico y data minning.
principales ▶ Es capaz de procesar enormes volúmenes

players: analítica
de datos y generar modelos a partir de ellos en
periodos de tiempo relativamente breves.
▶ Qlik y Tableu son dos de las principales

herramientas de visual analytics o visualización de
datos.
▶ Son capaces de trabajar con grandes

volúmenes de datos y presentar visualizaciones
sencillas con amplias funciones de navegabilidad.
título propio
(online)
MÓDULO 2. UNIDAD 2
Revenue Management
Fundamentos de estadísticas y data minning

artificial
FUNDAMENTOS DE ESTADÍSTICAS Y DATA MINNING
intelligence
y revenue MODELIZACIÓN ANALÍTICA
management
▶ Los modelos matemáticos / estadísticos / analíticos permiten una representación abstracta de la realidad.
fundamentos de
estadísticas y ▶ A través de ellos se puede entender su funcionamiento y tomar decisiones orientadas a optimizar algún objetivo.
data minning ▶ Dichos modelos pueden ser de carácter:
modelización ▶ Supervisado: existe una variable a explicar/predecir.
analítica
Y = f (x) = b0 + b1 x
▶ No supervisado: cuando no existe tal variable.
artificial
intelligence
y revenue ¿QUÉ ES LA MINERÍA DE DATOS?
management
fundamentos de
estadísticas y
data minning
¿qué es la
minería de datos? Estadística
Inferir Deducir Interpretar
Machine learning
Predecir Acertar Ganar!!
artificial
intelligence
y revenue ¿PARA QUÉ SE UTILIZA?
management
fundamentos de
estadísticas y
data minning
¿para qué se
utiliza?
artificial
intelligence
y revenue PRINCIPALES SECTORES DE APLICACIÓN Y PROBLEMÁTICAS DE NEGOCIO
management
fundamentos de
estadísticas y
data minning
principales
sectores de
aplicación y
problemáticas de
negocio
Telco Energéticas Banca Aseguradoras Retail
Campañas de Segmentación Predicción Pricing Morosidad y

marketing de la fraude
demanda
artificial
intelligence
y revenue CAMPAÑAS DE MARKETING
management
fundamentos de ▶ Los modelos estadísticos identificar qué ofrecer a los clientes, cómo hacerlo y cuándo es el mejor momento para ello.
estadísticas y
data minning ▶ Objetivo: Maximizar beneficios mediante captación y fidelización.
campañas de ▶ Construir una matriz que identifique para cada cliente la probabilidad de:
marketing
▶ Contratar un producto nuevo (venta cruzada o cross-selling).
▶ Mejorar un producto contratado (venta apalancada o up-selling).
▶ Cancelar un producto (fuga).
artificial
intelligence
y revenue SEGMENTACIÓN
management
fundamentos de ▶ Para conocer a la cartera de clientes es buena práctica llevar a cabo una segmentación: identificar grupos de clientes
estadísticas y parecidos respecto a:
data minning
segmentación
artificial
intelligence
y revenue EJEMPLO DE DATA MINNING: MODELOS DE REGRESIÓN LINEAL SIMPLE
management
La regresión lineal permite trabajar con una variable a nivel de intervalo o razón. De la misma manera, es posible
fundamentos de
estadísticas y analizar la relación entre dos o más variables a través de ecuaciones, lo que se denomina regresión múltiple o regresión
data minning lineal múltiple.
ejemplo de data
minning: modelos
de regresión
lineal simple
artificial
intelligence
management
Ejemplo:
fundamentos de
estadísticas y Se desea explicar las reservas que se efectúan en un hotel en función
data minning
de su ranking en Booking.com y para ello se observan la posición y
ejemplo de data
minning: modelos las reservas generadas durante todo el mes de enero.
de regresión
lineal simple
artificial
intelligence
management
En primer lugar pintaremos los datos en un gráfico de distribución que nos dirá, de un vistazo, si existe una
fundamentos de
estadísticas y relación entre ambas variables.
data minning
ejemplo de data De este modo, ya de un primer vistazo en el gráfico podemos ver claramente como, a medida que mejora nuestro
minning: modelos ranking, mejoran también nuestras ventas
de regresión
lineal simple
Reservas
Ranking
artificial
intelligence
management
En segundo lugar, podemos analizar la correlación entre ambas variables (en el ejemplo este cálculo esta hecho con
fundamentos de
estadísticas y la funcionalidad de análisis de datos de Microsoft Excel pero se puede hacer con cualquier herramienta de análisis
data minning estadístico).
ejemplo de data
minning: modelos
de regresión
lineal simple Ranking Reservas
Ranking 1
Reservas -94% 1
A raíz del resultado podemos observar que existe una correlación negativa muy fuerte entre ambas variables del -94%.
Es decir, que a menor ranking, mayores reservas con una correlación del 94%.
artificial
intelligence
management
Por último, vamos a plantear la realización de un modelo de regresión lineal simple que explique las reservas en
fundamentos de
estadísticas y función del ranking en Booking.com (de nuevo en el ejemplo este cálculo esta hecho con la funcionalidad de análisis
data minning de datos de Microsoft Excel pero se puede hacer con cualquier herramienta de análisis estadístico).
ejemplo de data
minning: modelos
de regresión
lineal simple Obtenemos un modelo con un ajuste Regression Statistics
muy bueno (del 87%). Multiple R 94%
Como referencia, cabe mencionar
que, al trabajar con modelos regresión
R Square 87%
lineal, se considera un buen ajuste a Adjusted R Square 87%
partir del 70%. Standard Error 4759
Observations 31
La ecuación de regresión vendrá dada por:
Reservas = 49.217 - 1.271 (Ranking)
En nuestro modelo esto querría decir que por cada posición que ganamos en el
ranking de Booking.com somos capaces de generar 1.271 reservas diarias.
título propio
(online)
MÓDULO 2. UNIDAD 2
Revenue Management
Big Data aplicado a Revenue Management

artificial
BIG DATA APLICADO A REVENUE MANAGEMENT
intelligence
y revenue BIG DATA EN RM: OPORTUNIDADES POTENCIALES
management En muchos casos, esa información será confidencial por lo que se tendrá que acudir a fuentes indirectas.
big data
aplicado
a revenue
management
big data en rm:
oprtunidades
potenciales
▶ Mas del 60% de los clientes ▶ Los clientes visitan hasta 38 puntos
empiezan a buscar su viaje con más de de venta diferentes.
4 semanas de antelación.
▶ De media visitan 6,5 puntos de
venta.
Fuente: Comscore Consumer Path to Purchase Fuente: Expedia Media Solutions,

The Traveler’s Path to Purchase
artificial
intelligence
management
big data
aplicado El camino a la conversión...
a revenue
management
big data en rm:
oprtunidades
potenciales
artificial
intelligence
management
big data
aplicado El camino a la conversión... no es lineal
a revenue
management
big data en rm:
oprtunidades
potenciales
artificial
intelligence
management
big data
a revenue
management
big data en rm:
oprtunidades
potenciales
Devices
artificial
intelligence
management
big data
a revenue
management
big data en rm:
oprtunidades
potenciales
Devices Touchpoints e interacciones
artificial
intelligence
management
big data
a revenue
management
big data en rm:
oprtunidades
potenciales
Devices Touchpoints e interacciones Conversiones
artificial
intelligence
management
big data
a revenue
management
big data en rm:
oprtunidades
potenciales
O ver 19,000
different paths/month
artificial
intelligence
management
big data
a revenue
management
big data en rm:
oprtunidades
potenciales
28,7
14,0 Media of
19,2
20,6 25,6
interaccciones
artificial
intelligence
y revenue #NHGAMECHANGER
management
big data
aplicado
a revenue
management
#nhgamechanger
artificial
intelligence
management
big data
aplicado
a revenue
Open
management
#nhgamechanger
Pricing
artificial
intelligence
management
big data Rate code Rate €
aplicado
a revenue
management
Traditional BAR99
BAR109
99
109
pricing:
BAR119 119
#nhgamechanger
BAR129 129
BAR139 139
rate levels BAR149 149
BAR159 159
BAR169 169
BAR179 179
BAR199 199
BAR219 219
BAR249 249
BAR269 269
BAR309 309
BAR329 329
BAR369 369
BAR409 409
BAR429 429
BAR489 489
artificial
intelligence
management
big data
aplicado
a revenue
management
#nhgamechanger
artificial
intelligence
management
big data
aplicado
a revenue Open pricing: infinite prices
management
#nhgamechanger
artificial
intelligence
management
big data
aplicado
a revenue
management
#nhgamechanger
Promotions
artificial
intelligence
management
big data
aplicado
a revenue
management
#nhgamechanger
RevPar
artificial
intelligence
management
big data
aplicado
a revenue
management €400
#nhgamechanger
✖ Promo
CAPACITY
✔ 15% Promo
€200
✔ 15% Promo
✔ 20% Promo
€150
€100
Day 1 Day 2 Day 3 Day 4
artificial
intelligence
management
big data
aplicado
a revenue
management €400
#nhgamechanger
Advanced
✔2% Purchase rate
CAPACITY
✔ 15% Promo
€200
✔ 15% Promo
✔ 20% Promo
€150
€100
Day 1 Day 2 Day 3 Day 4
artificial
intelligence
management
big data
aplicado
a revenue
management
Promo availability
#nhgamechanger
Billboard effect
Sales
artificial
intelligence
management
big data
aplicado
Open
a revenue
management
#nhgamechanger
Pricing
artificial
intelligence
management
big data
aplicado
a revenue
Dynamic
management
#nhgamechanger
pricing
artificial
intelligence
management
big data
September 27
aplicado
a revenue th
management
99%
#nhgamechanger
artificial
intelligence
management
big data
aplicado
a revenue
management
On August 31st
Rate
#nhgamechanger (€)
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 2nd
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 4th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 6th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 9th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 12th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 15th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 15th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 16th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 16th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 19th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 19th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 19th afternoon
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 26th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
On September 26th
Rate
Days Before Arrival
artificial
intelligence
management
big data
aplicado
a revenue
management
#nhgamechanger
#nhGameChanger Receives
fresh booking status
every hour
artificial
intelligence
management
big data
aplicado
a revenue
management
#nhgamechanger
+ runs a new optimization
3 times / day
Or any time the revenue manager

wants to
artificial
intelligence
management
big data
aplicado
a revenue
management
#nhgamechanger
Booking trends
NH Web shopping
artificial
intelligence
y revenue
management
big data ▶ STR Data (not used for
Integrating Multiple Data Sets
aplicado forecast calculations) is
a revenue pulled automatically (no
management manual input).
Demand360
▶ Reputation data can
be incorporated into the
Algorithm.
▶ Rate Shopping Data

can be incorporated.
Strategic Pricing
artificial
intelligence
y revenue
management
big data
aplicado
a revenue
management
artificial
intelligence
y revenue VARIABLES CONTEMPLADAS EN EL MODELO
management
big data
aplicado
a revenue
management
variables
contempladas en
el modelo
Porcentaje de estancias realizadas en baja demanda
artificial
intelligence
y revenue CLÚSTERS DE CLIENTES
management Método de selección: índice R^2 tras realizar el algoritmo k-medias.
big data
aplicado
a revenue Sobre los 24 clústeres obtenidos se ha proyectado la métrica de valor construida a través de la primera componente
management
principal. Los clústeres siguientes están ordenados de mayor a menor valor.
clústers de
clientes
Betas 0,364 0,342 0,337 0,333 0,293 VARIABLES
0,287 0,274 0,245 0,235 0,204 0,199 0,166 0,154 0,153 0,114
Gasto Medio Gasto Recencia (Días Tipo de Viaje No Número Penetración Penetración
Extra No Promo Lead Programa Contactabl Visita años Business
% Clientes Valor Clúster Clúster Medio
Revenue Rate Time
desde última
Fidelización
(Presencia intermedi
e
Stays
anteriores
de Hoteles
Group
Estancias Estancias Fin
Estancias Clúster Noche estancia) NH) ación distintos Collection de semana
1% 260 € 4,32 1 ü ü ü ü ü ü ü ü
1% 165 € 4,26 2 ü ü ü ü ü ü
2% 203 € 4,07 3 ü ü ü ü ü ü
CLUSTERS ORDENADOS POR VALOR
0% 314 € 3,94 4 ü ü ü ü ü ü
2% 232 € 3,77 5 ü ü ü ü ü ü
2% 155 € 3,73 6 ü ü ü ü ü ü ü
2% 166 € 3,55 7 ü ü ü ü ü ü
2% 300 € 3,48 8 ü ü ü ü ü ü
1% 154 € 3,40 9 ü ü ü ü
2% 368 € 3,37 10 ü ü ü ü ü
2% 161 € 3,16 11 ü ü ü
0% 280 € 3,11 12 ü ü ü ü ü
4% 272 € 2,93 13 ü ü ü ü
1% 190 € 2,91 14 ü ü ü ü
5% 232 € 2,90 15 ü ü ü ü ü
3% 183 € 2,85 16 ü ü ü
2% 320 € 2,85 17 ü ü ü ü
3% 308 € 2,60 18 ü ü ü ü ü
3% 363 € 2,54 19 ü ü ü ü ü
9% 259 € 2,53 20 ü ü ü
4% 260 € 2,52 21 ü ü ü
4% 230 € 2,45 22 ü
15% 213 € 2,14 23 ü
31% 240 € 1,83 24 ü ü
10 5 16 9 9 10 3 7 8 9 2 6 7 4 3
artificial
intelligence
y revenue
management
big data
aplicado
a revenue
management
NH THAT’S ME
Características de comportamiento:
▶ Cliente con gasto elevado.
▶ Consumo mayor que la media en Extra revenue.
▶ Recurrente en el año.
▶ Visita años anteriores.
▶ Visita distintos hoteles.
▶ Contactable.
artificial
intelligence
y revenue
management
big data
aplicado
a revenue
management
BLEISURE TRAVELERS ( BUSINESS + LEISURE)

▶ No es sensible a tarifa promocional.
▶ Mayor lead time que la media.
▶ Consumos BGR Rates.
▶ Penetración estancias fin de semana.
artificial
intelligence
y revenue
management
big data
aplicado
a revenue
management
INTERNATIONAL COLLECTION CUSTOMERS

▶ Consumo mayor que la media en Extra revenue.
▶ No es sensible a tarifas promocionales.
▶ Penetración en hoteles Collection.
▶ Cliente doméstico e internacional sin presencia de NH en el país del Feeder Market.
▶ Visita distintos hoteles.
artificial
intelligence
y revenue
management
big data
aplicado
a revenue
management
REWARDS PREMIUM EXTRA SERVICES EXPLORER

▶ Cliente con gasto en extra revenue.
▶ Rewards.
▶ Stays superior a la media.
▶ Visita años anteriores.
▶ Visita en hoteles distintos.
artificial
intelligence
y revenue
management
big data
aplicado ASOMÁNDONOS
a revenue A LA MENTE DEL CLIENTE
management
artificial
intelligence
y revenue ONE TO ONE PRICING
management
big data
aplicado
a revenue
management
one to one
pricing
artificial
intelligence
y revenue ONE TO ONE PRICING
management
big data
aplicado
a revenue Jim 150 €
management
one to one
pricing
Joe 200 €
artificial
intelligence
y revenue ONE TO ONE PRICING 2.0
management
big data
aplicado
a revenue
management
one to one
pricing 2.0
100 € 130 € 180 €

Jim Jim Jim
Lunes Miércoles Viernes
título propio
(online)
MÓDULO 2:
Management

Título Superior Universitario En: Revenue Management

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Título Superior Universitario En: Revenue Management

Cargado por

Copyright:

Formatos disponibles

Título Superior Universitario

colaborador principal entidades colaboradoras

colaborador principal entidades colaboradoras

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 3

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 4

Introducción al Big Data. Principales

colaborador principal entidades colaboradoras

Título Superior Universitario en Revenue Management (online) 6

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 7

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 8

Un KPI, por definición, es un indicador CLAVE de desempeño,

En la definición y análisis de un KPI debemos tener en cuenta

Un KPI debe ser comprensible. De nada sirve definir un KPI

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 9

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 10

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 11

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 12

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 13

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 14

Título Superior Universitario en Revenue Management (online) 15

% Ocupación Físico = Hab. vendidas / Hab. disponibles x 100

ADR = Ingresos por habitaciones / Número de habitaciones vendidas

OTB = On The Books = Habitaciones vendidas

RREV = Room revenue = Ingreso de habitaciones

RNs = Room Nights = Número de habitaciones vendidas

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 16

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 17

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 18

▶ Un disminución de 5% en Costes Fijos.

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 19

Profit Driver Profit

ADR $ 47 $ 49,4 $ 387k $ 433K 13%

Fix Costs $ 440k $ 418k $ 387k $ 404K 6%

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 20

Variable cost $ 8,5

Fix C osts $ 440k $ 440k 74% 77%

Profit $ 387.460 $ 387.460

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 21

Fix C osts $ 440k $ 440k

O ccupancy Rate 67% 76%

Available rooms 31.920 31.920

Profit $ 387.460 $ 387.460

Profit + Fixed Costs

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 22

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 23

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 24

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 25

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 26

ARI = Average Rate Index

RGI = Revenue Generating Index

QPI = Quality Penetration Index

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 27

▶ Facilita la comunicación en la organización.

▶ Elimina discusiones “improductivas”.

▶ Posibilita la comparabilidad entre diferentes

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 28

Se excluyen del inventario:

No shows Suman a RREV pero no a RNs.

Day use Suman tanto a RNs como a RREV.

profesor: Javier Espinosa Título Superior Universitario en Revenue Management (online) 29

Título Superior Universitario en Revenue Management (online) 30

En este sentido, debemos tener en cuenta que los