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

In de wereld van high-stakes zakendoen komt het verschil tussen een bloeiend bedrijf en een falend bedrijf vaak neer op één cruciale keuze: waar het geld te investeren. Decennialang hebben leiders in de hotelsector deze strategische beslissingen genomen op basis van ervaring, intuïtie en rapporten die achteruitkeken op wat er al was gebeurd. Zij besloten of ze een nieuwe vleugel zouden bouwen, een schuld zouden herstructureren of hun prijsstrategie zouden aanpassen door terug te kijken naar oude financiële overzichten en te hopen dat de toekomst er vergelijkbaar uit zou zien als het verleden. De moderne markt is echter te snel en te complex voor deze oude aanpak. Consumentensmaak verandert van de ene op de andere dag, economische omstandigheden fluctueren wild en de enorme hoeveelheid beschikbare informatie is overweldigend. Om dit te navigeren, is er een nieuwe aanpak ontstaan die bedrijfsstrategie minder als een gok en meer als een wetenschap behandelt, waarbij enorme hoeveelheden gegevens worden gebruikt om te voorspellen wat er zal gebeuren voordat er ook maar één dollar wordt uitgegeven.

Deze verschuiving steunt op twee krachtige instrumenten die samenwerken. De eerste is big data, wat simpelweg de verzameling is van enorme hoeveelheden informatie uit veel verschillende bronnen, zoals officiële financiële registers, sectorrapporten en zelfs de ongestructureerde tekst van online klantbeoordelingen. Het tweede is kunstmatige intelligentie, specifiek een type computerprogramma genaamd machine learning. In tegen tegenstelling tot traditionele software die strikte, vooraf geschreven regels volgt, stelt machine learning een computer in staat om zelfstandig patronen in gegevens te bestuderen. Het leert te herkennen welke combinaties van factoren — zoals de hoeveelheid schulden die een bedrijf heeft, de winst die het vorig jaar maakte en hoe tevreden klanten zijn — in de toekomst leiden tot succes of falen. Door deze systemen te voeden met historische gegevens, kunnen onderzoekers hen trainen om de uitkomsten van toekomstige beslissingen met een hoge mate van nauwkeurigheid te voorspellen.

Trinh Quang Minh, een onderzoeker aan de Tay Do Universiteit, zette zich af om te testen of deze combinatie van big data en kunstmatige intelligentie daadwerkelijk hotelbestuurders kan helpen bij het maken van betere strategische keuzes. De studie richtte zich op de hotelsector in Vietnam, een markt die bekend staat om zijn snelle groei en aanzienlijke volatiliteit. De onderzoeker verzamelde een decennium aan informatie, reikend van 2010 tot 2025, van een breed scala aan hotelbedrijven. Dit omvatte gedetailleerde, gecontroleerde financiële rapporten van grote groepen zoals Saigontourist en Vinpearl, evenals gegevens van kleinere, beursgenoteerde bedrijven en boetiekhotels. De gegevens waren niet beperkt tot cijfers; ze bevatten ook sectorbenchmarks zoals gemiddelde kamerprijzen en bezettingsgraden, evenals de ruwe tekst van online klantbeoordelingen om het publieke sentiment te peilen.

De kern van het onderzoek bestond uit het bouwen van een digitale motor die verschillende zakelijke scenario's kon simuleren. De onderzoeker nam de verzamelde gegevens en reinigde deze, vulde ontbrekende gaten aan en organiseerde de cijfers zodat ze eerlijk vergeleken konden worden tussen bedrijven van verschillende groottes. Vervolgens trainde de onderzoeker verschillende soorten machine learning-modellen om als voorspellers te fungeren. Sommige van deze modellen waren traditionele statistische methoden, terwijl andere meer geavanceerde, boomstructuur-gebaseerde systemen waren die complexe, niet-lineaire relaties tussen variabelen konden verwerken. Het doel was om te zien welk model het beste kon voorspellen of een specifieke strategische beslissing, zoals een kapitaalinvestering of een herstructureringsplan, zou leiden tot een financieel herstel en langetermijnsucces.

De resultaten gaven aan dat geavanceerde machine learning-modellen, met name die gebaseerd op boomstructuur-ensembles zoals XGBoost en Random Forest, traditionele statistische methoden aanzienlijk overtroffen in bredere benchmarks. In tests die bedoeld waren om financieel herstel over meerdere perioden te voorspellen, bereikte het meest geavanceerde model een nauwkeurigheid van meer dan 91 procent. De studie waarschuwt echter expliciet dat wanneer het model werd getest op een zeer kleine, specifieke steekproef (slechts zes monsters), het een nauwkeurigheid van 100% behaalde, een resultaat dat de auteur toeschrijft aan "overfitting" en een hoge dataseparabiliteit in plaats van echte generalisatie. Het artikel merkt op dat hoewel de modellen beter waren in het opsporen van niet-lineaire verbanden tussen zakelijke factoren dan oudere lineaire methoden, de perfecte scores op de kleine testset waarschijnlijk te wijten waren aan de beperkte steekproefomvang, en dat grootschalige implementatie verdere data vereist om de generalisatiecapaciteiten te optimaliseren.

Naast het voorspellen van succes of falen, onthulde het onderzoek ook precies wat die uitkomsten drijft. Door te analyseren naar welke stukken informatie de computer het zwaarst leunde, identificeerde de studie de dominante factoren achter strategisch succes. De meest kritieke drijfveren waren de financiële gezondheid vóór de beslissing, specifweg de hoeveelheid schuld die een bedrijf draagt in verhouding tot zijn activa en hoeveel het uitgeeft aan kapitaalprojecten. Deze financiële metrieken waren verantwoordelijk voor meer dan een derde van de voorspellende kracht. De op één na belangrijkste factor was de historische operationele prestatie van het bedrijf, zoals de bruto operationele winst en de omzet per beschikbaar kamer. Interessant genoeg vond de studie ook dat ongestructureerd klantsentiment — de gevoelens uitgedrukt in online beoordelingen — een vitale rol speelde, waarbij het fungeerde als een marktelement dat de snelheid kon beïnvloeden waarmee een hotel herstelt na een belangrijke beslissing.

Het uiteindelijke doel van dit werk was niet alleen om een beter voorspellingsinstrument te bouwen, maar om een praktisch beslissingsondersteunend systeem te creëren voor hotelraden en bestuurders. Dit systeem stelt leiders in staat om "wat als"-simulaties uit te voeren voordat ze zich vastleggen op dure strategieën. Ze kunnen het systeem vragen stellen zoals: "Als we deze hoeveelheid schuld aangaan om een nieuwe vleugel te bouwen, wat is dan het effect op onze winst over drie jaar?" of "Als we nu onze prijsstrategie wijzigen, hoe zal het klantsentiment onze bezettingsgraad beïchten?" De studie suggereert dat door deze datagestuurde aanpak te gebruiken, hotelleiders kunnen bewegen van vertrouwen op intuïtie naar het nemen van hoogwaardige beslissingen met een helder, op bewijs gebaseerd begrip van de risico's en potentiële beloningen.

Hoewel de bevindingen veelbelovend zijn, erkent de onderzoeker dat de studie beperkingen heeft, voornamelijk door de omvang van de dataset die voor de definitieve test werd gebruikt. De modellen werden getraind op een specifieke set Vietnamese hotelgegevens, en hoewel de resultaten zeer accuraat waren binnen die context, merkt de onderzoeker op dat toekomstig werk zich moet uitbreiden naar een breder scala aan hotels in verschillende regio's om te garanderen dat de voorspellingen overal standhouden. Ondanks dit biedt de studie een sterk fundament voor een nieuwe manier van het beheren van hospitalitybedrijven. Het demonstreert dat door historische financiële gegevens te combineren met moderne kunstmatige intelligentie, de hotelsector een krachtige nieuwe lens kan verkrijgen om naar de toekomst te kijken, waardoor onzekerheid wordt omgezet in een beheersbare variabele en strategische planning in een precieze wetenschap.