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

In der Welt der Hochrisiko-Geschäftswelt kommt der Unterschied zwischen einem florierenden Unternehmen und einem scheiternden oft auf eine einzige, entscheidende Wahl an: wohin das Geld investiert wird. Jahrzehntelang trafen Führungskräfte in der Hotelbranche diese strategischen Entscheidungen basierend auf Erfahrung, dem Bauchgefühl und Berichten, die rückwärtsgewandt auf das blickten, was bereits geschehen war. Sie entschieden darüber, ob sie einen neuen Flügel bauten, eine Verschuldung restrukturierten oder ihre Preisstrategie änderten, indem sie vergangene Finanzberichte überprüften und hofften, dass die Zukunft der Vergangenheit ähneln würde. Doch der moderne Markt ist zu schnell und zu komplex für diesen alten Ansatz. Der Geschmack der Konsumenten ändert sich über Nacht, die wirtschaftlichen Bedingungen schwanken wild, und das schiere Volumen der verfügbaren Informationen ist überwältigend. Um dies zu bewältigen, ist ein neuer Ansatz entstanden, der die Geschäftsstrategie weniger wie ein Glücksspiel und mehr wie eine Wissenschaft behandelt, indem er riesige Mengen an Daten nutzt, um vorherzusagen, was passieren wird, bevor auch nur ein einziger Dollar ausgegeben wird.

Dieser Wandel stützt sich auf zwei leistungsstarke Werkzeuge, die zusammenwirken. Das erste ist Big Data, was schlichtweg die Sammlung massiver Informationsmengen aus vielen verschiedenen Quellen ist, wie etwa offiziellen Finanzunterlagen, Branchenberichten und sogar dem unstrukturierten Text von Online-Kundenbewertungen. Das zweite ist Künstliche Intelligenz, speziell eine Art von Computerprogramm namens maschinelles Lernen. Im Gegensatz zu herkömmlicher Software, die starren, vorab geschriebenen Regeln folgt, ermöglicht maschinelles Lernen einem Computer, Muster in Daten eigenständig zu untersuchen. Er lernt zu erkennen, welche Kombinationen von Faktoren – wie etwa wie hoch die Verschuldung eines Unternehmens ist, wie viel Gewinn es im letzten Jahr erwirtschaftet hat und wie zufrieden seine Kunden sind – dazu tendieren, in der Zukunft zu Erfolg oder Misserfolg zu führen. Indem man diese Systeme mit historischen Daten füttert, können Forscher sie darauf trainieren, die Ergebnisse zukünftiger Entscheidungen mit einem hohen Grad an Genauigkeit vorherzusagen.

Trinh Quang Minh, ein Forscher an der Tay Do University, setzte sich zum Ziel zu testen, ob diese Kombination aus Big Data und Künstlicher Intelligenz tatsächlich Hotelmanagern helfen kann, bessere strategische Entscheidungen zu treffen. Die Studie konzentrierte sich auf die Hotelbranche in Vietnam, einem Markt, der für sein schnelles Wachstum und seine erhebliche Volatilität bekannt ist. Der Forscher sammelte ein Jahrzehnt an Informationen, das von 2010 bis 2025 reichte, aus einer Vielzahl von Hotelunternehmen. Dies beinhaltete detaillierte, geprüfte Finanzberichte von großen Gruppen wie Saigontourist und Vinpearl sowie Daten von kleineren, börsennotierten Unternehmen und Boutique-Hotels. Die Daten beschränkten sich nicht nur auf Zahlen; sie enthielten auch Branchen-Benchmarks wie durchschnittliche Zimmerpreise und Auslastungszahlen sowie den Rohtext von Online-Kundenbewertungen, um die öffentliche Stimmung zu erfassen.

Der Kern der Forschung bestand darin, eine digitale Engine zu bauen, die in der Lage ist, verschiedene Geschäftsszenarien zu simulieren. Der Forscher nahm die gesammelten Daten und bereinigte sie, füllte fehlende Lücken auf und organisierte die Zahlen so, dass sie zwischen Unternehmen unterschiedlicher Größe fair verglichen werden konnten. Dann trainierte er mehrere verschiedene Arten von Modellen des maschinellen Lernens, um als Prädiktoren zu fungieren. Einige dieser Modelle waren traditionelle statistische Methoden, während andere fortschrittlichere, baumbasierte Systeme waren, die komplexe, nicht-lineare Beziehungen zwischen Variablen verarbeiten konnten. Das Ziel war es zu sehen, welches Modell am besten vorhersagen konnte, ob eine spezifische strategische Entscheidung, wie etwa eine Kapitalinvestition oder ein Restrukturierungsplan, zu einer finanziellen Erholung und langfristigem Erfolg führen würde.

Die Ergebnisse zeigten, dass fortgeschrittene Modelle des maschinellen Lernens, insbesondere solche, die auf baumstrukturierten Ensembles wie XGBoost und Random Forest basieren, die traditionellen statistischen Methoden in breiteren Benchmarks deutlich übertrafen. In Tests, die darauf ausgelegt waren, die finanzielle Erholung über mehrere Perioden vorherzusagen, erreichte das anspruchsvollste Modell eine Genauigkeit von über 91 Prozent. Die Studie war jedoch explizit davor warnend, dass, als das Modell an einem sehr kleinen, spezifischen Stichprobenumfang (nur sechs Stichproben) getestet wurde, es eine Genauigkeit von 100 % erreichte – ein Ergebnis, das der Autor auf „Overfitting“ (Überanpassung) und hohe Datenseparabilität zurückführt, statt auf echte Generalisierung. Das Paper stellt fest, dass die Modelle zwar besser darin waren, nicht-lineare Verbindungen zwischen Geschäftsfaktoren zu erkennen als ältere lineare Methoden, die perfekten Punktzahlen beim kleinen Testdatensatz jedoch wahrscheinlich auf die begrenzte Stichprobengröße zurückzuführen waren und dass eine groß angelegte Implementierung weitere Daten erfordert, um die Generalisierungsfähigkeiten zu optimieren.

Über die bloße Vorhersage von Erfolg oder Misserfolg hinaus deckte die Forschung auch auf, was diese Ergebnisse genau antreibt. Durch die Analyse, auf welche Informationen der Computer am schwersten angewiesen war, identifizierte die Studie die dominanten Faktoren hinter dem strategischen Erfolg. Die kritischsten Treiber waren die finanzielle Gesundheit vor der Entscheidung, insbesondere wie hoch die Verschuldung eines Unternehmens im Verhältnis zu seinen Vermögenswerten war und wie viel es für Kapitalprojekte ausgab. Diese Finanzkennzahlen machten mehr als ein Drittel der Vorhersagekraft aus. Der zweitwichtigste Faktor war die historische operative Leistung des Unternehmens, wie etwa der Bruttobetriebsgewinn und der Umsatz pro verfügbarem Zimmer. Interessanterweise fand die Studie auch, dass die unstrukturierte Kundenstimmung – die Gefühle, die in Online-Bewertungen ausgedrückt wurden – eine entscheidende Rolle spielte, indem sie als Marktmoderator fungierte, der beeinflussen konnte, wie schnell ein Hotel nach einer großen Entscheidung sich erholt.

Das ultimative Ziel dieser Arbeit war nicht nur der Bau eines besseren Vorhersagewerkzeugs, sondern die Schaffung eines praktischen Entscheidungsunterstützungssystems für Hotelvorstände und Manager. Dieses System ermöglicht es Führungskräften, „Was-wäre-wenn“-Simulationen durchzuführen, bevor sie sich für teure Strategien entscheiden. Sie können dem System Fragen stellen wie: „Wenn wir diese Menge an Schulden aufnehmen, um einen neuen Flügel zu bauen, wie wird sich das in drei Jahren auf unsere Gewinne auswirken?“ oder „Wenn wir unsere Preisstrategie jetzt ändern, wie wird die Kundenstimmung unsere Auslastung beeinflussen?“ Die Studie legt nahe, dass Hotelleiter durch die Nutzung dieses datengesteuerten Ansatzes von der Abhängigkeit von Intuition wegkommen und statsdessen hochriskante Entscheidungen mit einem klaren, evidenzbasierten Verständnis der Risiken und potenziellen Erträge treffen können.

Obwohl die Ergebnisse vielversprechend sind, räumt der Forscher ein, dass die Studie vor allem aufgrund der Größe des für den abschließenden Test verwendeten Datensatzes Limitationen aufweist. Die Modelle wurden mit einem spezifischen Satz vietnamesischer Hoteldaten trainiert, und obwohl die Ergebnisse in diesem Kontext hochgradig genau waren, merkt der Forscher an, dass zukünftige Arbeiten das Spektrum auf eine breitere Palette von Hotels in verschiedenen Regionen ausweiten sollten, um sicherzustellen, dass die Vorhersagen überall Bestand haben. Ungeachtet dessen bietet die Studie eine starke Grundlage für eine neue Art des Managements von Gastgewerbebetrieben. Sie demonstriert, dass die Hotelbranche durch die Kombination von historischen Finanzdaten mit moderner Künstlicher Intelligenz eine kraftvolle neue Linse gewinnen kann, durch die sie in ihre Zukunft blickt, indem sie Ungewissheit in eine handhabbare Variable und strategische Planung in eine präzise Wissenschaft verwandelt.