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

En el mundo de los negocios de alto riesgo, la diferencia entre una empresa próspera y una que fracasa suele reducirse a una única decisión crítica: dónde colocar el dinero. Durante décadas, los líderes de la industria hotelera han tomado estas decisiones estratégicas basándose en la experiencia, la intuición y en informes que miran hacia atrás, hacia lo que ya ha sucedido. Decidían si construir un nuevo ala, reestructurar una deuda o cambiar su estrategia de precios revisando estados financieros pasados y esperando que el futuro fuera similar al pasado. Sin embargo, el mercado moderno es demasiado rápido y complejo para este viejo enfoque. Los gustos de los consumidores cambian de la noche a la mañana, las condiciones económicas fluctúan salvajemente y el volumen de información disponible es abrumador. Para navegar esto, ha surgido un nuevo enfoque que trata la estrategia empresarial menos como una apuesta y más como una ciencia, utilizando vastas cantidades de datos para predecir qué sucederá antes de gastar un solo dólar.

Este cambio se apoya en dos poderosas herramientas trabajando juntas. La primera es el big data, que es simplemente la recopilación de cantidades masivas de información de muchos lugares diferentes, como registros financieros oficiales, informes del sector e incluso el texto no estructurado de las reseñas de clientes en línea. La segunda es la inteligencia artificial, específicamente un tipo de programa informático llamado aprendizaje automático (machine learning). A diferencia del software tradicional que sigue reglas rígidas y preescritas, el aprendizaje automático permite que una computadora estudie patrones en los datos por sí misma. Aprende a reconocer qué combinaciones de factores —como cuánta deuda tiene una empresa, cuánto beneficio obtuvo el año pasado y qué tan felices están sus clientes— tienden a conducir al éxito o al fracaso en el futuro. Al alimentar estos sistemas con datos históricos, los investigadores pueden entrenarlos para pronosticar los resultados de decisiones futuras con un alto grado de precisión.

Trinh Quang Minh, investigador de la Universidad de Tay Do, se propuso probar si esta combinación de big data e inteligencia artificial podía realmente ayudar a los ejecutivos hoteleros a tomar mejores decisiones estratégicas. El estudio se centró en la industria hotelera de Vietnam, un mercado conocido por su rápido crecimiento y su significativa volatilidad. El investigador recopiló una década de información, que abarca desde 2010 hasta 2025, de una amplia variedad de empresas hoteleras. Esto incluyó informes financieros detallados y auditados de grupos importantes como Saigontourist y Vinpearl, así como datos de empresas más pequeñas que cotizan en bolsa y hoteles boutique. Los datos no se limitaron a números; también incluyeron parámetros de referencia de la industria como las tarifas promedio de las habitaciones y los números de ocupación, así como el texto bruto de las reseñas de clientes en línea para medir el sentimiento público.

El núcleo de la investigación consistió en la construcción de un motor digital capaz de simular diferentes escenarios de negocio. El investigador tomó los datos recopilados y los limpió, llenando los vacíos faltantes y organizando los números para que pudieran compararse justamente entre empresas de diferentes tamaños. Luego, entrenó varios tipos diferentes de modelos de aprendizaje automático para que actuaran como predictores. Algunos de estos modelos eran métodos estadísticos tradicionales, mientras que otros eran sistemas más avanzados basados en árboles que podían manejar relaciones complejas y no lineales entre variables. El objetivo era ver qué modelo podía predecir mejor si una decisión estratégica específica, como una inversión de capital o un plan de reestructuración, conduciría a una recuperación financiera y al éxito a largo plazo.

Los resultados indicaron que los modelos avanzados de aprendizaje automático, particularmente aquellos basados en ensambles de estructuras de árbol como XGBoost y Random Forest, superaron significativamente a los métodos estadísticos tradicionales en evaluaciones generales. En pruebas diseñadas para pronosticar la recuperación financiera de periodos múltiples, el modelo más sofisticado alcanzó una precisión de más del 91 por ciento. Sin embargo, el estudio advierte explícitamente que cuando el modelo fue probado en un conjunto de muestras muy pequeño y específico (solo seis muestras), alcanzó una precisión del 100%, un resultado que el autor atribuye al "sobreajuste" (overfitting) y a la alta separabilidad de los datos, más que a una verdadera generalización. El documento señala que, si bien los modelos fueron mejores para detectar conexiones no lineales entre factores de negocio que los métodos lineales antiguos, las puntuaciones perfectas en el pequeño conjunto de prueba se debieron probablemente al tamaño limitado de la muestra, y que la implementación a gran escala requiere más datos para optimizar las capacidades de generalización.

Más allá de solo predecir el éxito o el fracaso, la investigación también descubrió exactamente qué impulsa esos resultados. Al analizar en qué piezas de información dependía más la computadora, el estudio identificó los factores dominantes detrás del éxito estratégico. Los impulsores más críticos fueron la salud financiera previa a la decisión, específicamente cuánta deuda cargaba una empresa en relación con sus activos y cuánto estaba gastando en proyectos de capital. Estas métricas financieras representaron más de un tercio del poder predictivo. El segundo factor más importante fue el desempeño operativo histórico de la empresa, como su beneficio operativo bruto y los ingresos por habitación disponible. Curiosamente, el estudio también encontró que el sentimiento no estructurado del cliente —los sentimientos expresados en las reseñas en línea— desempeñó un papel vital, actuando como un moderador del mercado que podía influir en la rapidez con la que un hotel se recuperaba tras una decisión importante.

El objetivo final de este trabajo no era solo construir una mejor herramienta de predicción, sino crear un sistema práctico de apoyo a la decisión para las juntas directivas y ejecutivos hoteleros. Este sistema permite a los líderes ejecutar simulaciones de "qué pasaría si" antes de comprometerse con estrategias costosas. Pueden hacerle al sistema preguntas como: "Si asumimos esta cantidad de deuda para construir un nuevo ala, ¿cómo afectará esto a nuestros beneficios en tres años?" o "Si cambiamos nuestra estrategia de precios ahora, ¿cómo impactará nuestro sentimiento de cliente en la ocupación?". El estudio sugiere que, mediante el uso de este enfoque basado en datos, los líderes hoteleros pueden alejarse de la dependencia de la intuición y, en su lugar, tomar decisiones de alto riesgo con una comprensión clara y basada en evidencia de los riesgos y las recompensas potenciales.

Si bien los hallazgos son prometedores, el investigador reconoce que el estudio tiene limitaciones, principalmente debido al tamaño del conjunto de datos utilizado para la prueba final. Los modelos fueron entrenados con un conjunto específico de datos hoteleros vietnamitas y, aunque los resultados fueron altamente precisos dentro de ese contexto, el investigador señala que el trabajo futuro debería expandirse para incluir una gama más amplia de hoteles en diferentes regiones para asegurar que las predicciones se mantengan verdaderas en todas partes. A pesar de esto, el estudio proporciona una base sólida para una nueva forma de gestionar los negocios de hospitalidad. Demuestra que, al combinar los datos financieros históricos con la inteligencia artificial moderna, la industria hotelera puede obtener un nuevo y poderoso lente a través del cual ver su futuro, convirtiendo la incertidumbre en una variable manejable y la planificación estratégica en una ciencia precisa.