Applying Artificial intelligence and Big data analysis in predicting the effectiveness of Strategic decision-making in the Hotel Industry - Decision Support System

في عالم الأعمال رفيعة المستوى، يكمن الفرق بين المؤسسة المزدهرة وتلك الفاشلة في قرار واحد حاسم: أين توضع الأموال. لعقود من الزمن، اتخذ القادة في قطاع الفنادق هذه القرارات الاستراتيجية بناءً على الخبرة، والحدس، والتقارير التي تنظر إلى الوراء فيما حدث بالفعل. فقد كانوا يقررون ما إذا كان ينبغي بناء جناح جديد، أو إعادة هيكلة ديون، أو تغيير استراتيجية التسعير الخاصة بهم من خلال مراجعة البيانات المالية الماضية والأمل في أن يبدو المستقبل مشابهاً للماضي. ومع ذلك، فإن السوق الحديث سريع ومعقد للغاية بالنسبة لهذا النهج القديم؛ إذ تتغير أذواق المستهلكين بين عشية وضحاها، وتتقلب الظروف الاقتصادية بجنون، كما أن حجم المعلومات المتاحة هائل ومربك. وللتنقل في هذا المشهد، ظهر نهج جديد يعامل استراتيجية العمل ليس كنوع من المقامرة، بل كعلم، باستخدام كميات هائلة من البيانات للتنبؤ بما سيحدث قبل إنفاق دولار واحد.

يعتمد هذا التحول على أداتين قويتين تعملان معاً. الأولى هي البيانات الضخمة (Big Data)، وهي ببساطة جمع كميات هائلة من المعلومات من مصادر مختلفة، مثل السجلات المالية الرسمية، والتقارير الصناعية، وحتى النصوص غير المهيكلة لمراجعات العملاء عبر الإنترنت. أما الثانية فهي الذكاء الاصطناعي، وتحديداً نوع من البرامج الحاسوبية يسمى "تعلم الآلة" (Machine Learning). وخلافاً للبرمجيات التقليدية التي تتبع قواعد جامدة ومكتوبة مسبقاً، يسمح تعلم الآلة للحاسوب بدراسة الأنماط في البيانات بمفرده؛ حيث يتعلم التعرف على أي تركيبات من العوامل — مثل مقدار ديون الشركة، ومقدار ربحها في العام الماضي، ومدى رضا عملائها — تميل إلى تحقيق النجاح أو الفشل في المستقبل. ومن خلال تغذية هذه الأنظمة بالبيانات التاريخية، يمكن للباحثين تدريبها على التنبؤ بنتائج القرارات المستقبلية بدرجة عالية من الدقة.

وضع ترينه كوانج مينه (Trinh Quang Minh)، وهو باحث في جامعة تاي دو (Tay Do University)، نصب عينيه اختبار ما إذا كان هذا الجمع بين البيانات الضخمة والذكاء الاصطناعي يمكن أن يساعد بالفعل التنفيذيين في الفنادق على اتخاذ خيارات استراتيجية أفضل. ركزت الدراسة على قطاع الفنادق في فيتنام، وهو سوق معروف بنموه السريع وتقلباته الكبيرة. جمع الباحث بيانات تمتد لعقد من الزمن، من عام 2010 إلى عام 2025، من مجموعة متنوعة من الشركات الفندقية. شمل ذلك تقارير مالية مدققة ومفصلة من مجموعات كبرى مثل "سايغون تورست" (Saigontourist) و"فينبيرل" (Vinpearl)، بالإضافة إلى بيانات من شركات أصغر مدرجة وفنادق "بوتيك". ولم تقتصر البيانات على الأرقام فحسب، بل تضمنت أيضاً معايير الصناعة مثل متوسط أسعار الغرف وأرقام الإشغال، بالإضافة إلى النصوص الخام لمراجعات العملاء عبر الإنترنت لقياس توجهات الرأي العام.

تمثل جوهر البحث في بناء محرك رقمي قادر على محاكاة سيناريوهات أعمال مختلفة. قام الباحث بجمع البيانات وتنظيفها، وسد الثغرات المفقلة وتنظيم الأرقام بحيث يمكن مقارنتها بشكل عادل بين الشركات ذات الأحجام المختلفة. بعد ذلك، قام بتدريب عدة أنواع مختلفة من نماذج تعلم الآلة لتعمل كأدوات تنبؤية. كانت بعض هذه النماذج تعتمد على طرق إحصائية تقليدية، بينما كانت أخرى أنظمة متقدمة قائمة على الأشجار (Tree-based systems) يمكنها التعامل مع العلاقات المعقدة وغير الخطية بين المتغيرات. كان الهدف هو معرفة أي نموذج يمكنه التنبؤ بشكل أفضل بما إذا كان قرار استراتيجي معين، مثل استثمار رأسمالي أو خطة إعادة هيكلة، سيؤدي إلى تعافٍ مالي ونجاح طويل الأمد.

أشارت النتائج إلى أن نماذج تعلم الآلة المتقدمة، وخاصة تلك القائمة على المجموعات الهيكلية الشجرية مثل (XGBoost) و(Random Forest)، تفوقت بشكل كبير على الطرق الإحصائية التقليدية في المعايير العامة. وفي الاختبارات المصممة للتنبؤ بالتعافي المالي متعدد الفترات، حقق النموذج الأكثر تطوراً دقة تزيد عن 91 بالمائة. ومع ذلك، تحذر الدراسة صراحة من أنه عندما تم اختبار النموذج على عينة محددة وصغيرة جداً (ست عينات فقط)، حقق دقة بنسبة 100 بالمائة، وهي نتيجة يعزوها المؤلف إلى "الفرط في التخصيص" (Overfitting) والقدرة العالية على الفصل بين البيانات بدلاً من القدرة الحقيقية على التعميم. وتشير الورقة البحثية إلى أنه بينما كانت النماذج أفضل في رصد الروابط غير الخطية بين عوامل الأعمال مقارنة بالطرق الخطية القديمة، فإن الدرجات الكاملة في مجموعة الاختبار الصغيرة كانت ناتجة على الأرجح عن حجم العينة المحدود، وأن التنفيذ واسع النطاق يتطلب مزيداً من البيانات لتحسين قدرات التعميم.

بعيداً عن مجرد التنبؤ بالنجاح أو الفشل، كشف البحث أيضاً عن العوامل التي تقف وراء تلك النتائج بدقة. فمن خلال تحليل أي المعلومات اعتمد عليها الحاسوب بشكل أكبر، حددت الدراسة العوامل المهيمنة وراء النجاح الاستراتيجي. كانت المحركات الأكثر أهمية هي الصحة المالية قبل اتخاذ القرار، وتحديداً مقدار الديون التي تحملتها الشركة مقارنة بأصولها ومقدار إنفاقها على المشاريع الرأسمالية؛ حيث شكلت هذه المقاييس المالية أكثر من ثلث القوة التنبؤية. العامل الثاني الأكثر أهمية كان الأداء التشغيلي التاريخي للشركة، مثل إجمالي الربح التشغيلي والإيرادات لكل غرفة متاحة. ومن المثير للاهتمام أن الدراسة وجدت أيضاً أن مشاعر العملاء غير المهيكلة — أي المشاعر المعبر عنها في المراجعات عبر الإنترنت — لعبت دوراً حيوياً، حيث عملت كعامل معدل للسوق يمكن أن يؤثر على سرعة تعافي الفندق بعد قرار رئيسي.

كان الهدف النهائي من هذا العمل ليس مجرد بناء أداة تنبؤ أفضل، بل إنشاء نظام دعم قرار عملي لمجالس الإدارة والتنفيذيين في الفنادق. يسمح هذا النظام للقادة بإجراء عمليات محاكاة "ماذا لو" (What-if simulations) قبل الالتزام باستراتيجيات مكلفة. يمكنهم طرح أسئلة على النظام مثل: "إذا تحملنا هذا القدر من الديون لبناء جناح جديد، كيف سيؤثر ذلك على أرباحنا في غضون ثلاث سنوات؟" أو "إذا غيرنا استراتيجية التسعير الآن، كيف سيؤثر شعور العملاء على نسبة الإشغال لدينا؟". تشير الدراسة إلى أنه من خلال استخدام هذا النهج القائم على البيانات، يمكن لقادة الفنادق الابتعاد عن الاعتماد على الحدس والتحول بدلاً من ذلك إلى اتخاذ قرارات عالية المخاطر بوعي واضح ومبني على الأدلة بشأن المخاطر والمكافآت المحتملة.

بينما تبدو النتائج واعدة، يقر الباحث بأن للدراسة قيوداً، ويرجع ذلك أساساً إلى حجم مجموعة البيانات المستخدمة في الاختبار النهائي. لقد تم تدريب النماذج على مجموعة محددة من بيانات الفنادق الفيتنامية، وبينما كانت النتائج دقيقة للغاية في هذا السياق، يشير الباحث إلى أن العمل المستقبلي يجب أن يتوسع ليشمل نطاقاً أوسع من الفنادق عبر مناطق مختلفة لضمان صحة التنبؤات في كل مكان. ورغم ذلك، توفر الدراسة أساساً قوياً لطريقة جديدة لإدارة أعمال الضيافة؛ فهي تثبت أنه من خلال الجمع بين البيانات المالية التاريخية والذكاء الاصطناعي الحديث، يمكن لقطاع الفنادق اكتساب عدسة جديدة قوية يرى من خلالها مستقبله، محولاً عدم اليقين إلى متغير يمكن إدارته، والتخطيط الاستراتيجي إلى علم دقيق.