Machine Learning y Revenue Management ¿Una relación posible? Para tener éxito en este negocio tienes que hacer buenas predicciones. Las predicciones comienzan por un imperativo, tener muchos y buenos datos.
Nuestro objetivo es y será tomar decisiones óptimas en entornos de incertidumbre, y en la actualidad más que nunca. Cada escenario de toma de decisiones es susceptible de analizarse en función de su dinámica de entornos y de datos. ¿Es posible una relación óptima entre Machine Learning y Revenue Management? ¿Puede el Machine Learning ayudar a mejorar la rentabilidad de los hoteles y su gestión de precios? la respuesta es sí.
¿Cuál es objetivo básico del Machine Learning?
De forma simple podríamos decir que el Machine Learning, o Aprendizaje Automático, se sirve de las matemáticas para recopilar datos, aprender de ellos, analizarlos y ayudarnos a comprenderlos y explotarlo para tomar decisiones adecuadas, predecir resultados, tendencias y comportamientos.
Una vez hemos entendido qué ha ocurrido en el pasado deseamos determinar qué pasará en el futuro, siendo capaces de realizar predicciones, con el fin de tomar decisiones en entornos sin certeza absoluta y gran incertidumbre, lo cual pueden ser de gran ayuda para nuestro negocio, en este caso hoteles.
¿Machine learning-Inferencia causal?
Después de haber tomado una decisión queremos entender si la decisión ha funcionado o no, si ha sido óptima, a quién o a qué deberíamos atribuir el éxito o bien el fracaso. Debemos comprender siempre la inferencia causal entre acciones realizadas y resultados obtenidos. Por ejemplo, cuando subimos los precios de nuestro hotel en una fecha concreta ¿es una buena decisión hacerlo? ¿Qué resultados obtenemos?
¿Cómo puede el Machine Learnig ayudar a los hoteles?
- Aprovechar los datos para poder responder a preguntas.
- Hacer predicciones, de precios, de demanda, consumos, etcétera.
- Tomar decisiones sistemáticamente, basadas en datos no en opiniones personales o simple intuición.
- Razonar causa y efecto.
Pero respondamos algunas preguntas sobre Machine Learning.
¿Qué es el Machine Learning desde la perspectiva del usuario final?
El Machine Learning trata sobre la toma de decisiones basadas en datos. Bajaremos o bien subiremos nuestros precios no en base a nuestro capricho, por el contrario en base a aprendizaje automático.
¿Qué es el Machine Learning desde una perspectiva intelectual?
El Machine Learning no es más que una serie de modelos, métodos y algoritmos.
¿Aspectos básicos del Machine Learning?
- Deja la ingeniería de datos para los ingenieros de datos, y centrarte en cambio en cómo te beneficias del Machine Learning para mejorar tus productos y ofrecer a tus clientes una mejor experiencia y por lo tanto contribuir a aumentar los ingresos.
- Modelo, que es como denominariamos al software de Machine Learning una vez que lo hemos entrenado.
- Para entrenar a un modelo de Machine Learning se les muestran ejemplos. ¿Pero qué es un ejemplo? Un ejemplo consiste en un dato y una etiqueta. Por ejemplo una etiqueta podría ser reserva o anulación.
- Para entrenar un modelo de aprendizaje de Machine Learning es imprescindible un gran conjunto de datos etiquetados.
- Para la mayoría de las tareas en las que podemos utilizar Machine Learning existe un algoritmo estándar. Por suerte, como usuarios no tenemos que saber cómo funciona cada algoritmo. Basta que sepamos que hay distintas opciones para elegir en la «caja de herramientas» del Machine Learning.
- Además de elegir el algoritmo estándar adecuado, siempre deberemos entrenarlo.
- Entrenar un modelo de Machine Learning es un proceso largo y en el camino habrá errores. Cuanto más datos y tiempo tengamos un algoritmo para aprender, mejores serán los resultados por ejemplo de nuestras predicciones de precios.
A continuación analicemos distintas situaciones y qué algoritmos se pueden utilizar.
Dinámica del entorno fija, disponibilidad de información baja
-
- Cada acción aporta más información sobre el entorno.
- El estado del entorno no cambia con cada acción que ejecutamos.
- Algoritmo Multi-Armed Bandit, explora y explota.
- El algoritmo recorre todas las opciones y escoge la que da más recompensa.
Dinámica del entorno fija, disponibilidad de información alta
-
- Aprende la dinámica de un entorno a partir de datos históricos.
- Modelo predictivo de control es un modelo algoritmico de estimación de mejores decisiones futuras. Para ello aprende de la dinámica del entrono a partir de los datos históricos.
Dinámica del entorno muy fluida, disponibilidad de información alta
-
- Toma de decisiones de Markov. El agente, en este caso la empresa, y el entorno actúan de forma constante. Una interacción constante con el objetivo de alcanzar una meta.
- Cuando se ven involucradas varias tomas de decisiones el objetivo es obtener la mayor recompensa posible.
- Puede plantearse un política que implique un sacrificio en una toma de decisión, orientada a un objetivo último.
Dinámica del entorno baja, disponibilidad de información baja
-
- No tenemos información para construir un modelo de partida.
- Aprendizaje por refuerzo, el modelo aprende a ejecutar acciones en un entorno mediante las acciones que lleva a cabo y la observación de sus consecuencias.