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

Nel mondo del business ad alto rischio, la differenza tra un'impresa prospera e una fallimentare spesso si riduce a una singola, critica scelta: dove investire il denaro. Per decenni, i leader del settore alberghiero hanno preso queste decisioni strategiche basandosi sull'esperienza, l'intuizione e su rapporti che guardavano all'indietro, a ciò che era già accaduto. Decidevano se costruire una nuova ala, ristrutturare un debito o cambiare la strategia di prezzi esaminando i bilanci passati e sperando che il futuro fosse simile al passato. Tuttavia, il mercato moderno è troppo veloce e complesso per questo vecchio approccio. I gusti dei consumatori cambiano da un giorno all'altro, le condizioni economiche fluttuano selvaggiamente e il volume di informazioni disponibili è travolgente. Per navigare in questo scenario, è emerso un nuovo approccio che tratta la strategia aziendale meno come un gioco d'azzardo e più come una scienza, utilizzando enormi quantità di dati per prevedere cosa accadrà prima che venga speso un singolo dollaro.

Questo cambiamento si basa su due potenti strumenti che lavorano insieme. Il primo è i big data, che consiste semplicemente nella raccolta di enormi quantità di informazioni da molteplici fonti, come registri finanziari ufficiali, rapporti di settore e persino il testo non strutturato delle recensioni online dei clienti. Il secondo è l'intelligenza artificiale, nello specifico un tipo di programma informatico chiamato machine learning. A differenza del software tradizionale che segue regole rigide e predefinite, il machine learning permette a un computer di studiare autonomamente gli schemi nei dati. Impara a riconoscere quali combinazioni di fattori — come quanto debito ha un'azienda, quanto profitto ha realizzato l'anno scorso e quanto sono soddisfatti i suoi clienti — tendono a portare al successo o al fallimento in futuro. Alimentando questi sistemi con dati storici, i ricercatori possono addestrarli a prevedere gli esiti delle decisioni future con un alto grado di precisione.

Trinh Quang Minh, un ricercatore della Tay Do University, si è posto l'obiettivo di testare se questa combinazione di big data e intelligenza artificiale potesse effettivamente aiutare i dirigenti alberghieri a prendere decisioni strategiche migliori. Lo studio si è concentrato sul settore alberghiero in Vietnam, un mercato noto per la sua rapida crescita e la sua significativa volatilità. Il ricercatore ha raccolto un decennio di informazioni, dal 2010 al 2025, provenienti da una vasta gamma di società alberghiere. Ciò includeva rapporti finanziari dettagliati e certificati da grandi gruppi come Saigontourist e Vinpearl, oltre a dati da società minori quotate e boutique hotel. I dati non erano limitati ai numeri; includevano anche parametri di riferimento del settore come le tariffe medie delle camere e i tassi di occupazione, nonché il testo grezzo delle recensioni dei clienti online per valutare il sentiment del pubblico.

Il nucleo della ricerca consisteva nel costruire un motore digitale capace di simulare diversi scenari aziendali. Il ricercatore ha raccolto i dati, li ha puliti, colmando le lacune e organizzando i numeri in modo che potessero essere confrontati equamente tra aziende di diverse dimensioni. Successivamente, ha addestrato diversi tipi di modelli di machine learning affinché agissero come predittori. Alcuni di questi modelli erano metodi statistici tradizionali, mentre altri erano sistemi avanzati basati su alberi che potevano gestire relazioni complesse e non lineari tra le variabili. L'obiettivo era vedere quale modello potesse prevedere meglio se una specifica decisione strategica, come un investimento di capitale o un piano di ristrutturazione, avrebbe portato a un recupero finanziario e al successo a lungo termine.

I risultati hanno indicato che i modelli avanzati di machine learning, in particolare quelli basati su ensemble a struttura ad albero come XGBoost e Random Forest, hanno superato significativamente i metodi statistici tradizionali nei benchmark generali. Nei test progettati per prevedere il recupero finanziario multi-periodo, il modello più sofisticato ha raggiunto un'accuratezza superiore al 91 percento. Tuttavia, lo studio avverte esplicitamente che quando il modello è stato testato su un campione molto piccolo e specifico (solo sei campioni), ha raggiunto un'accuratezza del 100%, un risultato che l'autore attribuisce all' "overfitting" (sovra-apprendimento) e all'alta separabilità dei dati piuttosto che a una vera capacità di generalizzazione. Il documento nota che, sebbene i modelli fossero più bravi a individuare connessioni non lineari tra i fattori aziendali rispetto ai vecchi metodi lineari, i punteggi perfetti sul piccolo set di test erano probabilmente dovuti alla dimensione limitata del campione, e che l'implementazione su larga scala richiede ulteriori dati per ottimizzare le capacità di generalizzazione.

Oltre a prevedere il successo o il fallimento, la ricerca ha anche scoperto esattamente cosa guidi tali esiti. Analizzando quali pezzi di informazione il computer utilizzasse più pesantemente, lo studio ha identificato i fattori dominanti dietro il successo strategico. I driver più critici erano la salute finanziaria pre-decisionale, specificamente quanto debito un'azienda portava rispetto alle proprie attività e quanto stava spendendo in progetti di capitale. Questi parametri finanziari rappresentavano più di un terzo del potere predittivo. Il secondo fattore più importante era la performance operativa storica dell'azienda, come il profitto operativo lordo e il ricavo per camera disponibile. Interessantemente, lo studio ha anche scoperto che il sentiment non strutturato dei clienti — i sentimenti espressi nelle recensioni online — giocava un ruolo vitale, agendo come un moderatore del mercato che poteva influenzare la velocità con cui un hotel si riprendeva dopo una decisione importante.

L'obiettivo ultimo di questo lavoro non era solo costruire un miglior strumento di previsione, ma creare un sistema pratico di supporto alle decisioni per i consigli di amministrazione e i dirigenti alberghieri. Questo sistema consente ai leader di eseguire simulazioni "what-if" prima di impegnarsi in strategie costose. Possono porre al sistema domande come: "Se assumiamo questo ammontare di debito per costruire una nuova ala, come influirà sui nostri profitti tra tre anni?" oppure "Se cambiamo la nostra strategia di prezzi ora, come influirà il sentiment dei clienti sulla nostra occupazione?". Lo studio suggerisce che, utilizzando questo approccio basato sui dati, i leader alberghieri possono allontanarsi dal fare affidamento sull'intuizione e, invece, prendere decisioni ad alto rischio con una chiara comprensione, basata sulle evidenze, dei rischi e dei potenziali ricompensi.

Sebbene i risultati siano promettenti, il ricercatore riconosce che lo studio presenta dei limiti, principalmente a causa delle dimensioni del dataset utilizzato per il test finale. I modelli sono stati addestrati su un set specifico di dati alberghieri vietnamiti e, sebbene i risultati fossero altamente accurati in quel contesto, il ricercatore osserva che il lavoro futuro dovrebbe espandersi per includere una gamma più ampia di hotel in diverse regioni, per garantire che le previsioni siano valide ovunque. Nonostante ciò, lo studio fornisce una solida base per un nuovo modo di gestire le imprese alberghiere. Dimostra che, combinando i dati finanziari storici con l'intelligenza artificiale moderna, l'industria alberghiera può ottenere una nuova, potente lente attraverso la quale guardare al proprio futuro, trasformando l'incertezza in una variabile gestibile e la pianificazione strategica in una scienza precisa.