{"id":58051,"date":"2026-02-02T15:25:47","date_gmt":"2026-02-02T23:25:47","guid":{"rendered":"https:\/\/www.cloudbeds.com\/?page_id=58051"},"modified":"2026-02-03T10:42:35","modified_gmt":"2026-02-03T18:42:35","slug":"metricas","status":"publish","type":"page","link":"https:\/\/www.cloudbeds.com\/es\/prevision-demanda-hotelera\/metricas\/","title":{"rendered":"M\u00e9tricas de previsi\u00f3n hotelera a trav\u00e9s de la lente de superficie de demanda"},"content":{"rendered":"\n
\"\"<\/figure>\n\n\n\n
\n

Los gestores de ingresos no necesitan otra lectura de las m\u00e9tricas de previsi\u00f3n. Ya vives dentro de estas cifras todos los d\u00edas. Constituyen las tomas de pulso que realizas antes de tu primera taza de caf\u00e9.<\/p>\n\n\n\n

Pero aqu\u00ed radica la parte frustrante: incluso cuando miras todas las m\u00e9tricas adecuadas, la imagen se sigue viendo incompleta. La velocidad de pickup puede parecer buena una semana y desaparecer la siguiente, y un \u00abbuen\u00bbinforme de SPIT tiene la capacidad de convertirse en una ca\u00edda inesperada cuando ya sea demasiado tarde para hacer ajustes.<\/p>\n\n\n\n

Y no es porque est\u00e9s leyendo  las m\u00e9tricas incorrectamente. Es porque el sector ha pedido a los gestores de ingresos que predigan un problema bidimensional con herramientas unidimensionales<\/a>.<\/p>\n\n\n\n

Como explica el Dr. Terence Tsui, cient\u00edfico de datos s\u00e9nior de Cloudbeds, en su libro blanco de previsi\u00f3n de la demanda, informes como el OTB o las curvas de pickup \u00abson capas unidimensionales de una superficie bidimensional m\u00e1s rica\u00bb, una superficie que capta c\u00f3mo se acumulan en realidad las reservas tanto en fechas de estancia como en plazos de entrega.<\/p>\n\n\n\n

Esa superficie es finalmente visible. La tecnolog\u00eda ahora posibilita conectar estas dimensiones<\/a>, lo que revela patrones que los informes est\u00e1ticos no pueden captar: un impulso que se acelera o se frena, cambios en las tarifas que se repercuten a trav\u00e9s de las ventanas de reservas, y c\u00f3mo la demanda de un d\u00eda concreto influye silenciosamente en los d\u00edas que lo rodean.<\/p>\n\n\n\n

En este art\u00edculo, retomaremos las m\u00e9tricas b\u00e1sicas de previsi\u00f3n que los hoteles ya usan y mostraremos que verlas a trav\u00e9s de la lente de la superficie de demanda hotelera las transforma de simples instant\u00e1neas a se\u00f1ales genuinas para la toma de decisiones.<\/p>\n<\/div>\n\n\n\n

\u00bfDeseas conocer la investigaci\u00f3n que hay detr\u00e1s de este enfoque?<\/h2>

Consulta el estudio t\u00e9cnico que desglosa la superficie de demanda hotelera. [en ingl\u00e9s] <\/p>

\n
\n \n Descargar libro blanco<\/span>\n <\/path><\/svg> <\/div>\n <\/div><\/div><\/div>
\"\"<\/div><\/div><\/div>\n\n\n\n
\n\n\n\n
\n

M\u00e9tricas b\u00e1sicas de previsi\u00f3n<\/h2>\n\n\n\n

Empecemos con las m\u00e9tricas en las que conf\u00edan los gestores de ingresos todos los d\u00edas.<\/p>\n\n\n\n

Reservas en los libros (OTB) <\/h3>\n\n\n\n

Las reservas en los libros es el n\u00famero 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 d\u00f3nde se sit\u00faa la demanda ahora mismo.<\/p>\n\n\n\n

OTB ayuda a identificar fechas propicias que pueden admitir tarifas m\u00e1s altas, as\u00ed como fechas menos propicias que necesitar\u00edan actividades de ventas o promociones. El problema es que OTB es simplemente una instant\u00e1nea, no puede mostrar c\u00f3mo evolucionar\u00e1 la demanda.<\/p>\n\n\n\n

Por ejemplo, en el informe de OTB de abajo, la l\u00ednea azul muestra las habitaciones reservadas a fecha 1 de febrero para los pr\u00f3ximos seis meses. Dos fechas de estancia en abril destacan como propicias, aunque queden todav\u00eda m\u00e1s de dos meses. Pero una \u00fanica instant\u00e1nea no puede mostrar c\u00f3mo evolucionar\u00e1 la demanda. El informe OTB actualizado un mes m\u00e1s tarde (l\u00ednea discontinua roja) lo aclara. La fecha m\u00e1s tard\u00eda de abril consigui\u00f3 muy pocas reservas m\u00e1s, mientras que la fecha m\u00e1s temprana sigui\u00f3 ganando impulso.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Curvas de pickup<\/h3>\n\n\n\n

Las curvas de pickup hacen un seguimiento de c\u00f3mo 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 d\u00edas 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.  <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Pero aunque las curvas de pickup captan c\u00f3mo evoluciona la demanda en una sola fecha, ignoran qu\u00e9 sucede en las fechas circundantes o c\u00f3mo se comporta el mismo d\u00eda en distintas semanas. Como resultado, pueden seguir distorsionando las previsiones.<\/p>\n\n\n\n

Comparaci\u00f3n de mismo punto en el tiempo (SPIT, en ingl\u00e9s)<\/h3>\n\n\n\n

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 d\u00edas muestra lo que parece cada fecha exactamente 21 d\u00edas antes de la llegada. El objetivo es reducir el sesgo en el plazo de entrega, ya que las fechas cercanas parecen obviamente m\u00e1s propicias.<\/p>\n\n\n\n

SPIT ayuda a crear comparaciones equivalentes, pero sigue dependiendo de un \u00fanico 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 \u00faltimas 72 horas. A una \u00fanica instant\u00e1nea SPIT le puede faltar f\u00e1cilmente ese matiz.<\/p>\n\n\n\n

Tarifa media diaria<\/h3>\n\n\n\n

La tarifa media diaria (ADR, por sus siglas en ingl\u00e9s) representa los ingresos totales por habitaciones divididos por las habitaciones vendidas. Se trata de una de las m\u00e9tricas comerciales m\u00e1s referenciadas <\/a>porque se\u00f1aliza el poder de los precios: cu\u00e1nto est\u00e1n dispuestos a pagar los hu\u00e9spedes en una determinada fecha.<\/p>\n\n\n\n

Pero la ADR por s\u00ed sola puede resultar enga\u00f1osa. Una alta ADR no significa necesariamente un buen rendimiento si es a costa de la ocupaci\u00f3n. El valor real procede de entender c\u00f3mo interacciona la ADR con los patrones de la demanda tanto en las fechas de estancia como en los plazos de entrega.<\/p>\n\n\n\n

Ingresos por habitaci\u00f3n disponible <\/h3>\n\n\n\n

Los ingresos por habitaci\u00f3n disponible (RevPAR, por sus siglas en ingl\u00e9s) se suelen considerar como la m\u00e9trica de rendimiento definitiva, el marcador que le dice a los gestores lo bien que un hotel monetiza sus habitaciones.<\/p>\n\n\n\n

Tradicionalmente, el valor de RevPAR se revisa tras conocer los datos. Pero la previsi\u00f3n replantea RevPAR como algo que se puede determinar por anticipado. Cuando ADR y las curvas de ocupaci\u00f3n se eval\u00faan conjuntamente, los equipos pueden proyectar resultados similares y ajustar la estrategia antes de que los ingresos queden en el olvido.<\/p>\n<\/div>\n\n\n\n

\n\n\n\n
\n

Desde capas hasta la imagen completa<\/h2>\n\n\n\n

En la superficie de demanda hotelera, todas estas m\u00e9tricas se re\u00fanen en una \u00fanica vista de 3D que vincula cada reserva con su fecha de estancia y plazo de entrega. Esta imagen unificada muestra no solo d\u00f3nde se sit\u00faa la demanda, sino tambi\u00e9n c\u00f3mo evoluciona, qu\u00e9 fechas aparecen pronto y luego se aplanan, y cu\u00e1les siguen inactivas hasta el \u00faltimo momento para luego aparecer. <\/p>\n\n\n\n

Aqu\u00ed se explica c\u00f3mo esas mismas m\u00e9tricas se comportan de forma diferente si se ven a trav\u00e9s de la superficie de demanda:<\/p>\n\n\n\n

Un informe SPIT<\/strong> puede sugerir una fuerte demanda en una fecha determinada, pero la superficie de demanda muestra que el impulso disminuye unos 10 d\u00edas antes de la llegada. En ese caso, en lugar de mantener altas las tarifas, lanzar un paquete dirigido proporciona mejores resultados. <\/p>\n\n\n\n

Las OTB tradicionales<\/strong> podr\u00edan mostrar una fecha retrasada y activar una descuento de p\u00e1nico. En cambio, el modelo unificado revela que esta fecha normalmente se reserva tarde, por lo que mantener las tarifas es la medida m\u00e1s inteligente. <\/p>\n\n\n\n

Una curva de pickup<\/strong> podr\u00eda 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 hu\u00e9spedes cambian a otras fechas. Con esa informaci\u00f3n \u00fatil, el equipo comercial puede lanzar una promoci\u00f3n a mitad del plazo de entrega antes que la competencia. <\/p>\n<\/div>\n\n\n\n

\n\n\n\n
\n

Deja de aceptar errores de previsi\u00f3n del 20 %<\/h2>\n\n\n\n

Durante a\u00f1os, se les ha dicho a los hoteles que cometer un 15 %\u201320 % de errores de previsi\u00f3n es normal.Y los equipos de ingresos han aprendido a vivir con ello ajustando tarifas con precauci\u00f3n, dudando de los informes de ritmo de reservas y lidiando con sorpresas de \u00faltima hora cuando la realidad se niega a coincidir con la hoja de c\u00e1lculo.<\/p>\n\n\n\n

Pero un error del 20 % no es\u00absuficientemente bueno\u00bb cuando te est\u00e1s jugando los ingresos.<\/p>\n\n\n\n

El modelo de previsi\u00f3n de Cloudbeds Revenue Intelligence, basado en la superficie de demanda hotelera, proporciona una precisi\u00f3n mucho mayor. Hemos probado este modelo en un conjunto diverso de propiedades, desde hoteles con alta ocupaci\u00f3n en el centro de las ciudades hasta resorts rurales m\u00e1s peque\u00f1os, y hemos comparado los resultados con otros m\u00e9todos de previsi\u00f3n comunes. <\/p>\n\n\n\n

Cloudbeds rindi\u00f3 sistem\u00e1ticamente mejor en las tres m\u00e9tricas de evaluaci\u00f3n est\u00e1ndar:<\/p>\n\n\n\n

Error porcentual absoluto medio (MAPE, por sus siglas en ingl\u00e9s)<\/h3>\n\n\n\n

MAPE muestra la diferencia en el porcentaje medio entre los valores reales y los previstos. Cuanto m\u00e1s bajo sea el MAPE, mayor la precisi\u00f3n.<\/p>\n\n\n\n

Por ejemplo, si se venden 50 habitaciones pero la previsi\u00f3n 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 direcci\u00f3n (previsi\u00f3n de 55 y realidad de 50). <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Error absoluto medio (MAE, por sus siglas en ingl\u00e9s)<\/h3>\n\n\n\n

Mide la diferencia media en el n\u00famero real de habitaciones en lugar de un porcentaje. Esto resulta \u00fatil porque los porcentajes pueden ser enga\u00f1osos. Si un hotel ha vendido 10 habitaciones, pero hab\u00eda previsto vender 11, el MAPE ser\u00eda del 10 %, pero en t\u00e9rminos absolutos, el error es de solo una habitaci\u00f3n.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

MAE con respecto a capacidad de habitaciones<\/h3>\n\n\n\n

Normaliza el MAE en relaci\u00f3n con el tama\u00f1o 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 %.<\/p>\n\n\n\n

<\/path><\/svg>

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 din\u00e1micos, gesti\u00f3n de inventarios y previsi\u00f3n de ingresos en las operaciones hoteleras del mundo real.<\/p>