fbpx
InicioDistribuciónMachine learning, casos de uso para el sector hotelero

Machine learning, casos de uso para el sector hotelero

Jorge de Pablos, Hotel Servicers
Jorge trabaja en tecnología para el sector hotelero desde hace más de 15 años. Ha trabajado en diferentes puestos de responsabilidad corporativa para cadenas hoteleras, desarrollo de tecnología y en la actualidad forma parte del equipo de trabajo de Hotel Servicers como responsable de Servicio Tecnológico y Calidad para hoteles

Machine learning (o aprendizaje automático) es un campo de estudio que permite a los ordenadores aprender sin ser explícitamente programados, algo que abre un campo infinito de posibilidades siempre con la combinación de un sistema capaz de aprender y un repositorio de datos que suministrar al sistema para que aprenda (big data).
Muchos de los algoritmos y técnicas utilizados en machine learning llevan décadas o incluso siglos en funcionamiento. La regresión, por ejemplo, ya era utilizada a principios del siglo XIX por Gauss y Legendre para determinar la posición de los cuerpos celestes en el sistema solar, pero fruto del avance de las nuevas tecnologías y la movilidad, en los últimos diez años se ha generado más información que en toda la historia previa de la humanidad impulsando y dando usos sorprendentes al empleo de técnicas de machine learning.
Aún cuando son conceptos diferentes, en muchas ocasiones, se confunde el machine learning con la inteligencia artificial y cabe destacar que la inteligencia artificial es la ciencia general que crea sistemas inteligentes automatizados: robots, máquinas de ajedrez, procesos industriales, mientras que el machine learning es un subconjunto de la inteligencia artificial que tiene como objetivo desarrollar algoritmos que pueden aprender de manera automática a realizar proyectos inteligentes a partir de datos y como tal, está fuertemente influenciado por las estadísticas.

Machine learning en el sector hotelero

Aunque actualmente no esté implantado de forma intensiva en el sector, en los próximos años viviremos un crecimiento exponencial de las aplicaciones que tengan por detrás un corazón de ML y el interés en mostrar los usos de esta tecnología es igualmente relevante. Para ello, debemos entender cómo aprende un sistema de ML, cómo se entrena al sistema (‘training’ en el argot tecnológico) considerando que hay aprendizaje supervisado (Supervised Learning), aprendizaje no supervisado (Unsupervised Learning), aprendizaje semisupervisado (Semisupervised Learning) y aprendizaje por refuerzo (Reinforcement Learning).
machine learning

1. Aprendizaje supervisado

Aquel en el que damos al sistema la solución en base a una serie de parámetros. Es decir, le damos muchos ejemplos al sistema incluyendo las características de cada ejemplo y el resultado de este. De esa manera, cuando el sistema se encuentre con información a analizar, en base a la equivalencia entre esos parámetros y características, es capaz de obtener el resultado correcto. Dentro de este tipo de aprendizaje, suele haber dos tareas principales que el sistema puede aprender: clasificación y regresión.
Un ejemplo de tarea de clasificación podría ser decidir si se cancelará (o no show) una determinada reserva de clientes. Entrenamos al sistema con muchos ejemplos de reservas y finalmente será capaz de decirnos la probabilidad de cancelación para cada reserva nueva recibida.
Por su parte, la regresión, aunque es similar a la clasificación, está más enfocada a predecir valores numéricos. Por ejemplo, nos podría servir para generar los presupuestos del año que viene de manera automática o para calcular también automáticamente los pedidos de compra de la próxima semana teniendo en cuenta la ocupación, la tipología de cliente, nacionalidad o ¡incluso la climatología que va a hacer!

2. Aprendizaje no supervisado

A diferencia del supervisado, no le da al sistema la solución. Entonces, ¿cómo sabe cuál es la solución correcta? Sería como aprender sin un profesor, el sistema ve patrones que tienen alguna relación y extrae conclusiones a partir de esos patrones.
Una de las tareas más comunes de este tipo de aprendizaje es el clustering, que consiste en buscar grupos que tengan similitudes por algún motivo. Esto nos podría servir en un hotel para detectar tipologías de clientes o conductas que no habíamos tenido en cuenta y asociado con tecnología como Wifi Analytics, nos puede proporcionar una herramienta muy potente para analizar los patrones de conducta de nuestros clientes, ofrecer un servicio más personalizado y tener un sistema CRM como nunca antes se haya visto.

3. Aprendizaje semisupervisado

Vendría a resultar una mezcla entre los dos anteriores: hay una etapa sin supervisión y otra con supervisión. Uno de los usos más comunes en la actualidad sería en una aplicación de redes sociales donde subimos fotos. La parte no supervisada del aprendizaje detectaría que una misma persona está en diferentes fotos. Si etiquetamos a una persona en una única foto (parte supervisada) ya sabríamos en todas las fotos en las que aparece esa persona.
La combinación de estas tecnologías abre nuevos campos y plantea un gran avance a muchas soluciones de tipo tecnológico que en próximos años vivirán un cambio drástico. Soluciones con una base informativa a día de hoy, como los business intelligence, deben avanzar hacia plataformas inteligentes y predictivas que faciliten la toma de decisiones de gestión.

4. Aprendizaje por refuerzo

Obviamente, no cabe el hablar de estas tecnologías sin considerar por último el aprendizaje por refuerzo, es decir, un agente que interactúa con el entorno, realiza acciones de las que va aprendiendo obteniendo una recompensa (rewards) o una penalización (penalties). El ejemplo más claro de implementación de este tipo de aprendizaje es en los robots, que avanza el uso de las redes neuronales (neural networks), base del Deep Learning (aprendizaje profundo), una de las ramas del machine learning.
A mi parecer, la robótica puede ser un interesante reclamo y complemento de servicio y ocio, pero aún no están capacitados para desempeñar las funciones normales del personal de front office del hotel. En cambio, un ejemplo de aplicación realizada con redes neuronales que está teniendo bastante auge son los chatbots. Si unimos un chatbot con la traducción automática, las aplicaciones en el sector hotelero, donde se trata con huéspedes de todas partes del mundo, hace que se cuente con un abanico de ventajas inimaginables.
La tecnología y su aplicación en el sector ofrece multitud de posibilidades. La creatividad y lógica de su aplicación se basa el éxito en el empleo de esta. Seguramente si nos preguntásemos de qué manera las nuevas tecnologías han cambiado la forma en la que se gestionan los hoteles y lo relacionásemos con cómo se hacía hace diez años, podríamos encontrar muchos cambios.
Ahora, llega el momento de preguntarnos: ¿De qué manera las nuevas tecnologías cambiarán la forma en la que se gestionen los hoteles dentro de diez años?

Imágenes cedidas: Shutterstock.com

Autores

Jorge trabaja en tecnología para el sector hotelero desde hace más de 15 años. Ha trabajado en diferentes puestos de responsabilidad corporativa para cadenas hoteleras, desarrollo de tecnología y en la actualidad forma parte del equipo de trabajo de Hotel Servicers como responsable de Servicio Tecnológico y Calidad para hoteles

artículos relacionados

La revolución de la inteligencia artificial en el Revenue...

Rafael Gómez, Revenue Management, nos cuenta en este artículo cómo ha impactado la IA en la optimización de precio y nos da cinco factores externos que influyen en todo esto.

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí

Guía de Empresas