Un estudio reciente titulado «Machine Learning en Hoteles para Pronósticos Interpretables de Cancelaciones de Reservas» propone un modelo de inteligencia artificial (IA) diseñado para reducir el impacto de las cancelaciones de reservas en la rentabilidad de los hoteles.
El equipo de investigación, compuesto por Pilar Talón-Ballestero y Ismael Gómez-Talal de la Universidad Rey Juan Carlos, junto a Mana Azizsoltani y Ashok Singhana Azizsoltani de la Universidad de Nevada, ha trabajado en esta innovadora propuesta que ya ha sido publicada en IEEE Xplore.
Según el estudio, las tasas de cancelación pueden variar considerablemente dependiendo del canal de venta y el segmento de mercado. En el segmento B2C transient, las cancelaciones pueden superar el 30%, y en plataformas como Booking.com, este porcentaje puede llegar hasta el 50%. Las cancelaciones suelen ser menores en las reservas directas, pero aún representan un desafío para los hoteles. Con el objetivo de minimizar estas pérdidas, el estudio propone un modelo predictivo basado en machine learning e inteligencia artificial explicable (XAI) para identificar patrones de cancelación con antelación.
El modelo permite a los hoteles implementar estrategias preventivas, como el overbooking controlado, que optimiza la ocupación sin comprometer la experiencia del cliente. Además, sugiere políticas de depósito o penalizaciones, utilizando tarifas no reembolsables o depósitos parciales para reducir las cancelaciones de última hora. También promueve una segmentación de mercado para diseñar estrategias específicas según las características de los clientes más propensos a cancelar.
Para lograr una precisión del 96% en sus predicciones, el modelo utiliza un enfoque de stacking meta-modeling, combinando varios algoritmos base como Random Forest, XGBoost y LightGBM. El estudio analizó más de 79,000 registros de datos con variables clave como el tiempo de anticipación de la reserva, el tipo de habitación y el segmento de mercado. La robustez del modelo fue garantizada mediante validación cruzada estratificada.
Los resultados del estudio identificaron varios factores que influyen en la probabilidad de cancelación. Las habitaciones económicas o con mayor inventario tienen tasas de cancelación más bajas, mientras que las familias con niños y los grupos de viajeros individuales presentan una mayor propensión a cancelar. Además, las reservas realizadas a través de agencias de viajes tradicionales tienden a ser más estables que las realizadas mediante plataformas en línea o directamente por los clientes.
El modelo, desarrollado principalmente con fines de investigación, tiene un claro enfoque práctico y puede ser implementado por cadenas hoteleras interesadas en optimizar su gestión de cancelaciones y su estrategia de revenue management. Con esta innovación, los hoteles pueden reducir las pérdidas asociadas con las cancelaciones y mejorar su rentabilidad, contribuyendo al fortalecimiento de la industria turística.
