¿Alguien ha jugado a Pokémon alguna vez? A mí me dio una temporada por ir cazándolos por la calle, y evolucionar de Charmander a Charmeleon. En nuestro trabajo, debemos seguir haciéndolo, siempre, ¿qué os voy a contar que no sepáis? La evolución del revenue management en la era de la inteligencia artificial demanda mucho más que la ejecución de estrategias recomendadas por un RMS. Para desbloquear el verdadero valor de estas herramientas, los revenue managers deben comprender la lógica y los algoritmos detrás de las recomendaciones, ya que, sin este ‘know how’, el potencial de los datos y el machine learning en la toma de decisiones puede quedar desaprovechado.
En este sentido, el perfil de un equipo no puede quedarse en el rol operativo tradicional. Quien me conoce, ya sabe qué pienso sobre el rol transversal que debe tener el revenue manager sobre el departamento de ventas y dentro de las organizaciones, pero debemos seguir yendo más allá; cada vez se hace más esencial contar con data scientists y data analysts que complementen al revenue manager. Términos como regresión lineal o logística, árboles de decisión, random forests, gradient boosting o K-Nearest Neighbors (K-NN) deben formar parte del lenguaje común al integrar nuevas herramientas y tecnologías en la operativa diaria. Estos conceptos no solo ayudan a crear modelos predictivos más robustos, sino también a enriquecer nuestros data sets y estructurarlos de una manera que permita contar historias bonitas a través de dashboards, y, evidentemente, tomar decisiones estratégicas basadas en esas historias.
La especialización en ciencia de datos ya no es una ventaja competitiva opcional, sino una necesidad para construir estrategias sólidas y maximizar el valor del revenue management moderno. La clave estará en formar equipos que combinen el conocimiento del mercado con una habilidad analítica profunda, permitiendo no solo seguir las recomendaciones de los algoritmos, sino entenderlas y optimizarlas.
