A Two-Stage Optimization Algorithm for Booking Allocation in Short-Term Group Apartment Rentals: A Case Study

En el mundo de los negocios, gestionar un hotel o una propiedad de alquiler a menudo se siente como un juego de malabarismos de alto riesgo. Los propietarios deben decidir quién se queda, cuándo llega y cuánto cobrar, todo mientras intentan llenar cada cama disponible sin dejar espacios vacíos que representen pérdidas de dinero. Durante décadas, los expertos se han centrado intensamente en el precio, utilizando matemáticas complejas para calcular la tarifa perfecta para una habitación en una noche específica. Sin embargo, hay otro lado de este rompecabezas que es igual de crítico pero que suele pasarse por alto: el acto físico de acomodar a las personas en las habitaciones. Imagine un gran edificio de apartamentos con docenas de camas distribuidas en muchas unidades. Cuando llega un grupo de viajeros, pueden necesitar diez camas, pero esas camas podrían estar repartidas en tres apartamentos diferentes. El desafío no es solo establecer un precio, sino determinar qué apartamentos específicos utilizar, asegurando que el grupo permanezca unido en un mismo edificio y garantizando que no dos grupos sean asignados al mismo espacio al mismo tiempo. Este es un problema de asignación, un rompecabezas combinatorio donde el objetivo es empaquetar a las personas en el espacio disponible de la manera más apretada y eficiente posible. Mientras que las grandes corporaciones cuentan con software costoso para resolver estos acertijos, las empresas más pequeñas suelen luchar con hojas de cálculo y conjeturas manuales, dejando dinero sobre la mesa y desperdiciando un tiempo valioso.

Esta es la historia de una pequeña empresa de alquiler en Tel Aviv llamada "Our Place" y de los investigadores que les ayudaron a resolver este rompecabezas específico. La empresa suele gestionar algunos edificios durante todo el año, pero durante el verano, se expande a unos diez edificios para alojar grupos organizados de viajeros jóvenes. A diferencia de las reservas de hoteles estándar, estos grupos no tienen una lista de precios fija. En su lugar, cada grupo propone su propio precio por cama para su estancia, junto con sus fechas específicas y el número de personas que componen su grupo. Durante años, el director de operaciones de la empresa pasó semanas cada temporada clasificando manualmente estas propuestas superpuestas, decidiendo qué grupos aceptar y a qué apartamentos asignarlos. Fue un proceso lento y agotador que a menudo retrasaba las respuestas a los clientes y dependía enteramente del juicio humano bajo presión. Para mejorar esto, una investigadora llamada Hana Tzur trabajó directamente con la empresa para construir un nuevo sistema. En lugar de intentar cambiar los precios, el sistema se centró enteramente en el problema de la asignación: seleccionar la mejor combinación de propuestas y encajarlas en los apartamentos disponibles para maximizar el dinero total ganado.

La solución que construyeron es un proceso de dos pasos que imita cómo pensaría un humano, pero con la velocidad y precisión de una computadora. El primer paso es el que realiza el trabajo pesado. Examina todas las solicitudes entrantes y las reglas estrictas del negocio, tales como el número total de camas disponibles en cada apartamento y la regla de que un grupo no puede dividirse entre diferentes edificios. Utiliza un método matemático llamado programación entera, que es esencialmente una forma de probar millones de combinaciones posibles para encontrar la única mejor disposición que cumpla con todas las reglas. Este paso decide qué grupos aceptar y a cuáles rechazar para asegurar que la empresa gane la mayor cantidad de dinero posible. Una vez seleccionados los mejores grupos, el segundo paso toma el control. Esta etapa no cambia quién se queda; en su lugar, perfecciona dónde duermen. Busca pequeñas mejoras, como colocar a un grupo en apartamentos que estén uno al lado del otro o asegurar que haya muy poco tiempo vacío entre la salida de un grupo y la llegada del siguiente. Este segundo paso está diseñado para hacer que la operación funcione de manera más fluena y deje menos brechas incómodas en el calendario.

Los investigadores probaron este nuevo sistema utilizando los datos reales de reservas de la empresa de 2023. Ejecutaron el algoritmo con el mismo conjunto de solicitudes que el gerente humano había gestionado el año anterior y compararon los resultados. El plan de la computadora generó aproximadamente un 3.5% más de ingresos que las decisiones manuales. En dinero real, esto significó 139,000 shekels israelíes adicionales para esa única temporada. Más allá del dinero, el sistema cambió el flujo de trabajo por completo. Lo que antes le tomaba al gerente semanas de trabajo intenso, se redujo a un proceso que tomó solo una fracción del tiempo, recortando el tiempo de asignación en aproximadamente un 90%. Esto permitió a la empresa responder a los clientes mucho más rápido y liberó el tiempo del gerente para otras tareas. El sistema fue construido utilizando una plataforma de bajo código (low-code), que es un tipo de software que permite a las personas construir aplicaciones sin escribir código complejo desde cero, y funcionó en un servidor en la nube que solo se encendía cuando era necesario. Esto mantuvo el costo increíblemente bajo, de unos 200 shekels al mes, haciendo que la optimización avanzada fuera accesible para una pequeña empresa que nunca podría permitirse software comercial costoso.

Sin embargo, los investigadores tuvieron cuidado en señalar que este éxito vino con compromisos y limitaciones específicas. El sistema no era perfecto, y en un caso, un pequeño error en cómo se escribió el software significó que una parte del paso de perfeccionamiento no funcionó realmente como se pretendía. Afortunadamente, debido a que el objetivo principal era maximizar los ingresos y el error solo afectaba a una preferencia menor sobre qué tan cerca estaban los apartamentos entre sí, el resultado general siguió siendo sólido. Los investigadores también realizaron simulaciones con datos ficticios para ver cómo funcionaría el sistema bajo diferentes condiciones. Encontraron que a medida que la demanda de habitaciones aumentaba y la competencia por el espacio se volvía más intensa, la ventaja de usar la computadora sobre un humano crecía significativamente. En los escenarios más concurridos, la capacidad de la computadora para empaquetar grupos de manera eficiente llevó a mejoras de ingresos de más del 65% en comparación con un método simple y no optimizado. Esto sugiere que cuanto más congestionado esté el mercado, más valiosa se vuelve esta clase de asignación inteligente.

El estudio también destacó una lección más amplia para las pequeñas empresas. Demostó que no se necesita un equipo de científicos de datos o un presupuesto masivo para resolver problemas logísticos complejos. Al utilizar herramientas de código abierto y computación sencilla en la nube, un pequeño operador puede lograr resultados que antes solo estaban disponibles para las grandes corporaciones. Los investigadores documentaron todo el proceso, incluyendo los errores y las soluciones alternativas, para mostrar que este enfoque es viable para otros. Encontraron que la parte más importante del sistema era simplemente encajar a los grupos en las camas disponibles lo más apretadamente posible. Las otras funciones sofisticadas, como asegurar que los grupos estén en habitaciones adyacentes, eran deseables pero no estrictamente necesarias para la principal ganancia financiera. Esto significa que incluso una versión muy simple del sistema podría proporcionar la mayoría de los beneficios.

En última instancia, este documento redefine cómo pensamos sobre la gestión de alquileres a corto plazo. Muestra que para las empresas que lidian con reservas de grupos, la mayor oportunidad de crecimiento a menudo no reside en cambiar los precios, sino en mejorar la asignación física del espacio. El gerente humano en "Our Place" era hábil y experimentado, pero la enorme cantidad de variables involucradas en las fechas superpuestas y los diversos tamaños de los grupos hacía imposible que un humano viera todas las combinaciones posibles. La computadora no reemplazó el juicio del gerente; simplemente le dio una herramienta para ver el panorama completo. El resultado fue un negocio que ganó más dinero, respondió más rápido a los clientes y operó con menos estrés. Para otros operadores pequeños que enfrentan desafíos similares, este estudio de caso ofrece un camino claro a seguir: comenzar con las restricciones duras, usar herramientas simples para encontrar el mejor ajuste y dejar que los datos manejen la complejidad que la mente humana no puede retener fácilmente.