Entrevista/El nuevo estudio de “Machine learning en hoteles para pronósticos interpretables de cancelaciones de reservas” plantea un modelo de inteligencia artificial (IA) para reducir su impacto en la cuenta de resultados de los establecimientos. Pilar Talón-Ballestero, junto con Ismael Gómez-Talal, ambos de la Universidad Rey Juan Carlos, han conformado un equipo multidisciplinar de investigadores con Mana Azizsoltani y Ashok Singhana Azizsoltani de la Universidad de Nevada (EEUU), cuyo estudio se ha publicado recientemente en IEEE Xplore, analizado en detalle por Talón-Ballestero en esta entrevista.
¿Qué media de cancelaciones puede tener un hotel?
El porcentaje de cancelaciones varía significativamente según el segmento de mercado y el canal de venta. Según la industria, en el segmento B2C transient pueden superar el 30%, mientras que en canales como Booking.com este porcentaje puede situarse entre el 30% y el 50%. Por otro lado, el canal directo suele presentar un menor índice de cancelaciones. Estos datos coinciden con estudios previos en la literatura académica, que sitúan esta tasa entre el 10% y el 30%.
“Las OTA como Booking.com juegan un papel clave en estas cifras debido a la facilidad para reservar y cancelar, lo que fomenta prácticas como la reserva múltiple, en la que los clientes reservan varias opciones y deciden más adelante cuál mantener”, según Pilar Talón-Ballestero
¿Cómo pueden “protegerse” los hoteles ante esta potencial generación de pérdidas?
Nuestro estudio propone un modelo predictivo basado en machine learning e inteligencia artificial explicable (XAI) para identificar patrones de cancelación con antelación. Esto permite a los hoteles implementar estrategias para mitigar pérdidas como:
- Overbooking controlado, optimizando la ocupación real sin afectar la experiencia del cliente.
- Políticas de depósito o penalizaciones, reduciendo cancelaciones de última hora mediante tarifas no reembolsables o depósitos parciales.
- Segmentación de mercado, diseñando estrategias específicas según las características de los clientes más propensos a cancelar.
De izq. a dcha, Ismael Gómez-Talal y Pilar Talón-Ballestero, ambos de la Universidad Rey Juan Carlos, junto a Mana Azizsoltani, de la Universidad de Nevada. El proyecto ha sido financiado por el Ministerio de Ciencia e Innovación español. Fuente: URJC.
¿Cómo alcanza el estudio esa predicción del 96% de acierto?
El modelo logra esta alta precisión mediante un enfoque de stacking meta-modeling, que combina varios algoritmos base (Random Forest, XGBoost, LightGBM) en un meta-modelo que mejora la capacidad predictiva. Se analizaron más de 79.000 registros de datos, con variables clave como el tiempo de anticipación de la reserva, tipo de habitación y segmento de mercado. La evaluación se realizó mediante validación cruzada estratificada (5-fold), garantizando la robustez del modelo. Además, para dotar al modelo de interpretabilidad, se utilizó SHAP (SHapley Additive exPlanations), lo que permite analizar el impacto de cada variable en la predicción.
Pilar Talón-Ballestero, coautora del estudio, especialista en revenue management y marketing hotelero y directora de los programas de Revenue Management en la URJC, destaca que “la posibilidad de anticiparse a las cancelaciones y adaptar la estrategia de precios y disponibilidad de forma proactiva es un avance clave para la rentabilidad y sostenibilidad del sector hotelero”
¿Cuáles son entonces los factores que impactan en la decisión de cancelar?
El estudio identificó varios factores clave en la probabilidad de cancelación de una reserva:
- Tipo de habitación reservada: las habitaciones económicas o con mayor inventario presentan tasas de cancelación más bajas.
- Segmento de clientes:
– Las familias con niños tienden a cancelar más debido a imprevistos.
– Los grupos de viajeros que reservan individualmente tienen mayor propensión a cancelar si cambian los planes del grupo.
– Sin embargo, las reservas de grupos gestionadas a través de agencias de viajes o empresas suelen ser más estables y menos propensas a la cancelación, ya que suelen estar sujetas a acuerdos contractuales.
– Los clientes locales muestran una mayor tasa de cancelación.
– Los clientes en tránsito sin contrato presentan mayor propensión a cancelar que aquellos con contrato, quienes suelen tener compromisos más firmes con los establecimientos.
- Canal de distribución: las reservas a través de agencias de viajes tradicionales son más estables que las realizadas mediante OTA o directamente por el cliente.
- Anticipación de la reserva: a mayor antelación, mayor probabilidad de cancelación.
- Política de cancelación: reservas sin depósito o con cancelación flexible son más propensas a ser canceladas.
¿Está disponible este modelo para las cadenas interesadas o es sólo con fines de investigación?
El modelo ha sido desarrollado principalmente con fines de investigación, pero tiene un claro enfoque práctico y puede ser implementado por cadenas hoteleras interesadas en mejorar su gestión de cancelaciones y optimizar su estrategia de revenue management.
Otras noticias relacionadas con las cancelaciones:
– Oportunidades perdidas de venta, claves para conocer demanda real del hotel
– Los ratios de cancelación, pieza clave en la estrategia tarifaria del hotel
