Los gestores de ingresos no necesitan otra lectura de las métricas de previsión. Ya vives dentro de estas cifras todos los días. Constituyen las tomas de pulso que realizas antes de tu primera taza de café.
Pero aquí radica la parte frustrante: incluso cuando miras todas las métricas adecuadas, la imagen se sigue viendo incompleta. La velocidad de pickup puede parecer buena una semana y desaparecer la siguiente, y un «buen»informe de SPIT tiene la capacidad de convertirse en una caída inesperada cuando ya sea demasiado tarde para hacer ajustes.
Y no es porque estés leyendo las métricas incorrectamente. Es porque el sector ha pedido a los gestores de ingresos que predigan un problema bidimensional con herramientas unidimensionales.
Como explica el Dr. Terence Tsui, científico de datos sénior de Cloudbeds, en su libro blanco de previsión de la demanda, informes como el OTB o las curvas de pickup «son capas unidimensionales de una superficie bidimensional más rica», una superficie que capta cómo se acumulan en realidad las reservas tanto en fechas de estancia como en plazos de entrega.
Esa superficie es finalmente visible. La tecnología ahora posibilita conectar estas dimensiones, lo que revela patrones que los informes estáticos no pueden captar: un impulso que se acelera o se frena, cambios en las tarifas que se repercuten a través de las ventanas de reservas, y cómo la demanda de un día concreto influye silenciosamente en los días que lo rodean.
En este artículo, retomaremos las métricas básicas de previsión que los hoteles ya usan y mostraremos que verlas a través de la lente de la superficie de demanda hotelera las transforma de simples instantáneas a señales genuinas para la toma de decisiones.
¿Deseas conocer la investigación que hay detrás de este enfoque?
Consulta el estudio técnico que desglosa la superficie de demanda hotelera. [en inglés]
Métricas básicas de previsión
Empecemos con las métricas en las que confían los gestores de ingresos todos los días.
Reservas en los libros (OTB)
Las reservas en los libros es el número total de habitaciones reservadas para una fecha de estancia futura en el momento de generar el informe. Suele ser lo primero que miran los gestores de ingresos y ayuda a los equipos a entender dónde se sitúa la demanda ahora mismo.
OTB ayuda a identificar fechas propicias que pueden admitir tarifas más altas, así como fechas menos propicias que necesitarían actividades de ventas o promociones. El problema es que OTB es simplemente una instantánea, no puede mostrar cómo evolucionará la demanda.
Por ejemplo, en el informe de OTB de abajo, la línea azul muestra las habitaciones reservadas a fecha 1 de febrero para los próximos seis meses. Dos fechas de estancia en abril destacan como propicias, aunque queden todavía más de dos meses. Pero una única instantánea no puede mostrar cómo evolucionará la demanda. El informe OTB actualizado un mes más tarde (línea discontinua roja) lo aclara. La fecha más tardía de abril consiguió muy pocas reservas más, mientras que la fecha más temprana siguió ganando impulso.
Curvas de pickup
Las curvas de pickup hacen un seguimiento de cómo se acumulan las reservas a medida que se acerca la fecha de la estancia. Se suelen usar para predecir la demanda a corto plazo: la idea es que al analizar el ritmo de reservas hasta, digamos, a 7 días vista (como en el ejemplo de abajo), los gestores de ingresos pueden prever el ritmo en el tramo final y ajustar los precios en consonancia.
Pero aunque las curvas de pickup captan cómo evoluciona la demanda en una sola fecha, ignoran qué sucede en las fechas circundantes o cómo se comporta el mismo día en distintas semanas. Como resultado, pueden seguir distorsionando las previsiones.
Comparación de mismo punto en el tiempo (SPIT, en inglés)
Los informes SPIT corrigen el plazo de entrega para que todas las fechas se puedan comparar por igual. Por ejemplo, un informe SPIT de 21 días muestra lo que parece cada fecha exactamente 21 días antes de la llegada. El objetivo es reducir el sesgo en el plazo de entrega, ya que las fechas cercanas parecen obviamente más propicias.
SPIT ayuda a crear comparaciones equivalentes, pero sigue dependiendo de un único punto de corte, y no todas las fechas se comportan de forma similar con el mismo plazo de entrega. Algunas fechas se reservan pronto. Otras apenas se mueven hasta las últimas 72 horas. A una única instantánea SPIT le puede faltar fácilmente ese matiz.
La tarifa media diaria (ADR, por sus siglas en inglés) representa los ingresos totales por habitaciones divididos por las habitaciones vendidas. Se trata de una de las métricas comerciales más referenciadas porque señaliza el poder de los precios: cuánto están dispuestos a pagar los huéspedes en una determinada fecha.
Pero la ADR por sí sola puede resultar engañosa. Una alta ADR no significa necesariamente un buen rendimiento si es a costa de la ocupación. El valor real procede de entender cómo interacciona la ADR con los patrones de la demanda tanto en las fechas de estancia como en los plazos de entrega.
Ingresos por habitación disponible
Los ingresos por habitación disponible (RevPAR, por sus siglas en inglés) se suelen considerar como la métrica de rendimiento definitiva, el marcador que le dice a los gestores lo bien que un hotel monetiza sus habitaciones.
Tradicionalmente, el valor de RevPAR se revisa tras conocer los datos. Pero la previsión replantea RevPAR como algo que se puede determinar por anticipado. Cuando ADR y las curvas de ocupación se evalúan conjuntamente, los equipos pueden proyectar resultados similares y ajustar la estrategia antes de que los ingresos queden en el olvido.
Desde capas hasta la imagen completa
En la superficie de demanda hotelera, todas estas métricas se reúnen en una única vista de 3D que vincula cada reserva con su fecha de estancia y plazo de entrega. Esta imagen unificada muestra no solo dónde se sitúa la demanda, sino también cómo evoluciona, qué fechas aparecen pronto y luego se aplanan, y cuáles siguen inactivas hasta el último momento para luego aparecer.
Aquí se explica cómo esas mismas métricas se comportan de forma diferente si se ven a través de la superficie de demanda:
Un informe SPIT puede sugerir una fuerte demanda en una fecha determinada, pero la superficie de demanda muestra que el impulso disminuye unos 10 días antes de la llegada. En ese caso, en lugar de mantener altas las tarifas, lanzar un paquete dirigido proporciona mejores resultados.
Las OTB tradicionales podrían mostrar una fecha retrasada y activar una descuento de pánico. En cambio, el modelo unificado revela que esta fecha normalmente se reserva tarde, por lo que mantener las tarifas es la medida más inteligente.
Una curva de pickup podría hacer que una fecha parezca propicia con muchas reservas anticipadas, pero el modelo unificado muestra un aplanamiento de la curva antes de alcanzar la plena capacidad, pues los huéspedes cambian a otras fechas. Con esa información útil, el equipo comercial puede lanzar una promoción a mitad del plazo de entrega antes que la competencia.
Deja de aceptar errores de previsión del 20 %
Durante años, se les ha dicho a los hoteles que cometer un 15 %–20 % de errores de previsión es normal.Y los equipos de ingresos han aprendido a vivir con ello ajustando tarifas con precaución, dudando de los informes de ritmo de reservas y lidiando con sorpresas de última hora cuando la realidad se niega a coincidir con la hoja de cálculo.
Pero un error del 20 % no es«suficientemente bueno» cuando te estás jugando los ingresos.
El modelo de previsión de Cloudbeds Revenue Intelligence, basado en la superficie de demanda hotelera, proporciona una precisión mucho mayor. Hemos probado este modelo en un conjunto diverso de propiedades, desde hoteles con alta ocupación en el centro de las ciudades hasta resorts rurales más pequeños, y hemos comparado los resultados con otros métodos de previsión comunes.
Cloudbeds rindió sistemáticamente mejor en las tres métricas de evaluación estándar:
Error porcentual absoluto medio (MAPE, por sus siglas en inglés)
MAPE muestra la diferencia en el porcentaje medio entre los valores reales y los previstos. Cuanto más bajo sea el MAPE, mayor la precisión.
Por ejemplo, si se venden 50 habitaciones pero la previsión era de 45, la diferencia por las 5 habitaciones equivale a un MAPE del 10 %. Como es absoluto, este error es el mismo en la otra dirección (previsión de 55 y realidad de 50).
Error absoluto medio (MAE, por sus siglas en inglés)
Mide la diferencia media en el número real de habitaciones en lugar de un porcentaje. Esto resulta útil porque los porcentajes pueden ser engañosos. Si un hotel ha vendido 10 habitaciones, pero había previsto vender 11, el MAPE sería del 10 %, pero en términos absolutos, el error es de solo una habitación.
MAE con respecto a capacidad de habitaciones
Normaliza el MAE en relación con el tamaño del hotel, lo que ofrece un contexto mejor y permite comparaciones entre propiedades. Por ejemplo, un MAE de 5 habitaciones en un hotel de 100 habitaciones equivale al 5 %, mientras que el mismo MAE en un hotel de 40 habitaciones equivale al 12,5 %.
Estos resultados validan la utilidad de nuestro enfoque de modelado bidimensional, que capta conjuntamente tanto la fecha de estancia como los efectos de la fecha de informe. Su eficacia en horizontes a corto y largo plazo resalta su idoneidad para desplegarse en tareas de precios dinámicos, gestión de inventarios y previsión de ingresos en las operaciones hoteleras del mundo real.
Previsión que habla por sí sola.
Explora resultados reales, puntos de referencia en materia de precisión y comparaciones de modelos uno a uno. [en inglés]
No más concesiones
Las métricas de previsión tradicionales no son el problema,es lo que se ha obligado a los hoteles a hacer con ellas. Tratarlas como señales separadas que se intentan unir para componer una historia completa con herramientas incompletas.
Cloudbeds Revenue Intelligence cambia las cosas.
Desarrollado a base de Signals, este modelo analiza miles de millones de puntos de datos en fechas de estancia, plazos de entrega, dinámica de tarifas, estacionalidad y comportamiento de la competencia para entender no solo cómo cambia la demanda, sino también por qué. En lugar de depender de instantáneas, realiza un modelo de toda la superficie de demanda y revela los factores clave de cada curva, pico, caída y anomalía en el ritmo.
El impacto comercial
Cloudbeds Revenue Intelligence logra una previsión de precisión de hasta el 95 % en un periodo de 90 días, lo que supone un rendimiento mejor que los métodos tradicionales. Cuando combinas ese nivel de precisión con acciones automatizadas en marketing, los hoteles acceden a ganancias comerciales reales, incluyendo un aumento de los ingresos del 18 % incluso en los meses de menor actividad, porque los equipos pueden finalmente mantener las tarifas con confianza, captar los cambios de impulso antes y desplegar campañas de promoción con precisión.
Con Cloudbeds Revenue Intelligence, OTB se vuelve una señal dinámica, no una campana de alarma estática. SPIT se convierte en contexto, no en una conjetura. Las curvas de pickup se convierten en factores predictivos, no en rompecabezas. ADR y RevPAR se convierten en objetivos que puedes moldear, no en resultados que descubres demasiado tarde.
No te conformes con errores del 20%
Mira cómo Cloudbeds Revenue Intelligence mejora la precisión en las previsiones.
