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

Dans le monde des affaires à enjeux élevés, la différence entre une entreprise prospère et une entreprise défaillante tient souvent à un choix unique et critique : où placer l'argent. Pendant des décennies, les dirigeants de l'industrie hôtelière ont pris ces décisions stratégiques en se basant sur l'expérience, l'intuition et des rapports qui regardaient vers l'arrière, vers ce qui s'était déjà produit. Ils décidaient de construire une nouvelle aile, de restructurer une dette ou de modifier leur stratégie de prix en examinant les états financiers passés et en espérant que l'avenir ressemblerait au passé. Cependant, le marché moderne est trop rapide et trop complexe pour cette vieille approche. Les goûts des consommateurs changent du jour au lendemain, les conditions économiques fluctuent sauvagement et le volume d'informations disponibles est accablant. Pour naviguer dans cette situation, une nouvelle approche est apparue, qui traite la stratégie commerciale moins comme un pari et plus comme une science, utilisant de vastes quantités de données pour prédire ce qui va se passer avant qu'un seul dollar ne soit dépensé.

Ce changement repose sur deux outils puissants travaillant de concert. Le premier est le Big Data, qui est simplement la collecte de quantités massives d'informations provenant de sources diverses, telles que les registres financiers officiels, les rapports sectoriels et même le texte non structuré des avis clients en ligne. Le second est l'intelligence artificielle, plus précisément un type de programme informatique appelé apprentissage automatique (machine learning). Contrairement aux logiciels traditionnels qui suivent des règles rigides et préétablies, l'apprentissage automatique permet à un ordinateur d'étudier les modèles de données de manière autonome. Il apprend à reconnaître quelles combinahens de facteurs — comme le montant de la dette d'une entreprise, le profit réalisé l'année dernière et le niveau de satisfaction de ses clients — ont tendance à mener au succès ou à l'échec à l'avenir. En alimentant ces systèmes avec des données historiques, les chercheurs peuvent les entraîner pour prévoir les résultats de décisions futures avec un haut degré de précision.

Trinh Quang Minh, chercheur à l'Université Tay Do, s'est donné pour mission de tester si cette combinaison de Big Data et d'intelligence artificielle pouvait réellement aider les cadres hôteliers à faire de meilleurs choix stratégiques. L'étude s'est concentrée sur l'industrie hôtelière au Vietnam, un marché connu pour sa croissance rapide et sa volatilité significative. Le chercheur a rassemblé une décennie d'informations, allant de 2010 à 2025, provenant d'un large éventail d'entreprises hôtelières. Cela comprenait des rapports financiers détaillés et audités de grands groupes comme Saigontourist et Vinpearl, ainsi que des données de plus petites sociétés cotées et d'hôtels-boutiques. Les données ne se limitaient pas aux chiffres ; elles comprenaient également des références sectorielles comme les tarifs moyens des chambres et les taux d'occupation, ainsi que le texte brut des avis clients en ligne pour évaluer le sentiment du public.

Le cœur de la recherche consistait à construire un moteur numérique capable de simuler différents scénarios commerciaux. Le chercheur a collecté et nettoyé les données, comblant les lacunes et organisant les chiffres afin qu'ils puissent être comparés équitablement entre des entreprises de tailles différentes. Ensuite, il a entraîné plusieurs types de modèles d'apprentissage automatique pour agir comme des prédicteurs. Certains de ces modèles étaient des méthodes statistiques traditionnelles, tandis que d'autres étaient des systèmes plus avancés, basés sur des arbres de décision, capables de gérer des relations complexes et non linéaires entre les variables. L'objectif était de voir quel modèle pouvait le mieux prédire si une décision stratégique spécifique, telle qu'un investissement en capital ou un plan de restructuration, mènerait à une reprise financière et à un succès à long terme.

Les résultats ont indiqué que les modèles d'apprentissage automatique avancés, particulièrement ceux basés sur des ensembles structurés en arbres comme XGBoost et Random Forest, surpassaient de manière significative les méthodes statistiques traditionnelles dans des tests de référence plus larges. Dans des tests conçus pour prévoir la reprise financière sur plusieurs périodes, le modèle le plus sophistiqué a atteint une précision de plus de 91 %. Cependant, l'étude met explicitement en garde que lorsque le modèle a été testé sur un échantillon très petit et spécifique (seulement six échantillons), il a atteint une précision de 100 %, un résultat que l'auteur attribue au « surapprentissage » (overfitting) et à une haute séparabilité des données plutôt qu'à une véritable généralisation. L'article note que bien que les modèles soient plus aptes à repérer les connexions non linéaires entre les facteurs commerciaux que les anciennes méthodes linéaires, les scores parfaits sur le petit échantillon de test étaient probablement dus à la taille limitée de l'échantillon, et que la mise en œuvre à grande échelle nécessite davantage de données pour optimiser les capacités de généralisation.

Au-delà de la simple prédiction du succès ou de l'échec, la recherche a également découvert précisément ce qui motive ces résultats. En analysant les informations sur lesquelles l'ordinateur s'appuyait le plus lourdement, l'étude a identifié les facteurs dominants derrière le succès stratégique. Les moteurs les plus critiques étaient la santé financière pré-décisionnelle, spécifiquement le niveau d'endettement d'une entreprise par rapport à ses actifs et le montant de ses dépenses en projets de capital. Ces indicateurs financiers représentaient plus d'un tiers du pouvoir prédictif. Le deuxième facteur le plus important était la performance opérationnelle historique de l'entreprise, telle que son profit brut d'exploitation et son revenu par chambre disponible. Curieusement, l'étude a également découvert que le sentiment client non structuré — les sentiments exprimés dans les avis en ligne — jouait un rôle vital, agissant comme un modérateur de marché qui pouvait influencer la rapidité avec laquelle un hôtel se rétablissait après une décision majeure.

Le but ultime de ce travail n'était pas seulement de construire un meilleur outil de prédiction, mais de créer un système d'aide à la décision pratique pour les conseils d'administration et les cadres hôteliers. Ce système permet aux dirigeants de lancer des simulations de type « et si » avant de s'engager dans des stratégies coûteuses. Ils peuvent poser des questions au système telles que : « Si nous contractons cette dette pour construire une nouvelle aile, quel sera l'impact sur nos profits dans trois ans ? » ou « Si nous modifions notre stratégie de prix maintenant, comment le sentiment des clients influencera-t-il notre taux d'occupation ? ». L'étude suggère qu'en utilisant cette approche basée sur les données, les leaders de l'hôtellerie peuvent s'éloigner de l'intuition pour prendre des décisions à enjeux élevés avec une compréhension claire et fondée sur des preuves des risques et des récompenses potentielles.

Bien que les conclusions soient prometteuses, le chercheur reconnaît que l'étude présente des limites, principalement dues à la taille de l'ensemble de données utilisé pour le test final. Les modèles ont été entraînés sur un ensemble spécifique de données hôtelières vietnamiennes et, bien que les résultats aient été très précis dans ce contexte, le chercheur note que les travaux futurs devraient s'étendre pour inclure une gamme plus large d'hôtels dans différentes régions afin de garantir que les prédictions soient valables partout. Malgré cela, l'étude constitue une base solide pour une nouvelle façon de gérer les entreprises hôtelières. Elle démontre qu'en combinant les données financières historiques avec l'intelligence artificielle moderne, l'industrie hôtelière peut acquérir un nouveau prisme puissant pour observer son avenir, transformant l'incertitude en une variable gérable et la planification stratégique en une science précise.