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

No mundo dos negócios, gerir um hotel ou uma propriedade de aluguer muitas vezes parece um jogo de malabarismo de alto risco. Os proprietários têm de decidir quem fica, quando chega e quanto cobrar, tudo isto enquanto tentam preencher cada cama disponível sem deixar espaços vazios que resultem em perda de dinheiro. Durante décadas, os especialistas focaram-se intensamente no preço, utilizando matemática complexa para determinar a tarifa ideal a cobrar por um quarto numa noite específica. No entanto, existe outro lado deste puzzle que é tão crítico mas frequentemente negligenciado: o ato físico de acomodar pessoas em quartos. Imagine um grande edifício de apartamentos com dezenas de camas espalhadas por muitas unidades. Quando um grupo de viajantes chega, podem precisar de dez camas, mas essas camas podem estar espalhadas por três apartamentos diferentes. O desafio não é apenas definir um preço, mas sim descobrir quais apartamentos específicos utilizar, garantindo que o grupo permaneça junto num único edifício e assegurando que dois grupos não sejam atribuídos ao mesmo espaço ao mesmo tempo. Este é um problema de alocação, um puzzle combinatório onde o objetivo é acomodar pessoas no espaço disponível da forma mais apertada e eficiente possível. Enquanto as grandes corporações possuem software caro para resolver estes puzzles, as pequenas empresas muitas vezes lutam com folhas de cálculo e suposições manuais, deixando dinheiro sobre a mesa e desperdiçando um tempo valioso.

Esta é a história de uma pequena empresa de aluguer em Tel Aviv chamada "Our Place" e dos investigadores que a ajudaram a resolver este puzzle específico. A empresa gere habitualmente alguns edifícios durante todo o ano, mas durante o verão, expande para cerca de dez edifícios para acolher grupos organizados de jovens viajantes. Ao contrário das reservas de hotéis padrão, estes grupos não têm uma lista de preços fixa. Em vez disso, cada grupo propõe o seu próprio preço por cama para a sua estadia, juntamente com as suas datas específicas e o número de pessoas no grupo. Durante anos, o diretor de operações da empresa passou semanas todas as estações a analisar manualmente estas propostas sobrepostas, decidindo quais os grupos a aceitar e a quais apartamentos os atribuir. Era um processo lento e exaustivo que muitas vezes atrasava as respostas aos clientes e dependia inteiramente do julgamento humano sob pressão. Para melhorar isto, uma investigadora chamada Hana Tzur trabalhou diretamente com a empresa para construir um novo sistema. Em vez de tentar mudar os preços, o sistema focou-se inteiramente no problema da alocação: selecionar a melhor mistura de propostas e encaixá-las nos apartamentos disponíveis para maximizar o dinheiro total ganho.

A solução que construíram é um processo de dois passos que imita a forma como um humano pensaria, mas com a velocidade e precisão de um computador. O primeiro passo é o trabalho pesado. Ele analisa todos os pedidos recebidos e as regras rígidas do negócio — como o número total de camas disponíveis em cada apartamento e a regra de que um grupo não pode ser dividido entre diferentes edifícios. Utiliza um método matemático chamado programação inteira, que é essencialmente uma forma de testar milhões de combinações possíveis para encontrar a única disposição que respeite todas as regras. Este passo decide quais os grupos a aceitar e quais a recusar para garantir que a empresa ganhe o máximo de dinheiro possível. Uma vez selecionados os melhores grupos, o segundo passo assume o controlo. Esta fase não altera quem fica; em vez disso, refina onde eles dormem. Procura pequenas melhorias, como colocar um grupo em apartamentos que estejam próximos uns dos outros ou garantir que há muito pouco tempo vazio entre a partida de um grupo e a chegada do próximo. Este segundo passo é desenhado para fazer a operação correr de forma mais fluida e deixar menos lacunas estranhas no calendário.

Os investigadores testaram este novo sistema utilizando os dados de reservas reais da empresa de 2023. Executaram o algoritmo no mesmo conjunto de pedidos que o gestor humano tinha tratado no ano anterior e compararam os resultados. O plano do computador gerou cerca de 3,5% mais receita do que as decisões manuais. Em dinheiro real, isto significou um extra de 139.000 xequéis israelitas para aquela única temporada. Além do dinheiro, o sistema mudou completamente o fluxo de trabalho. O que antes levava semanas de trabalho intenso do gestor foi reduzido a um processo que levou apenas uma fração do tempo, cortando o tempo de alocação em cerca de 90%. Isto permitiu à empresa responder aos clientes muito mais rapidamente e libertou o tempo do gestor para outras tarefas. O sistema foi construído utilizando uma plataforma low-code, que é um tipo de software que permite às pessoas construir aplicações sem escrever código complexo do zero, e correu num servidor na nuvem que só se ligava quando necessário. Isto manteve o custo incrivelmente baixo, cerca de 200 xequéis por mês, tornando a otimização avançada acessível a uma pequena empresa que nunca poderia pagar software comercial caro.

No entanto, os investigadores foram cuidadosos ao notar que este sucesso veio com compromissos e limitações específicas. O sistema não era perfeito e, num caso, um pequeno erro na forma como o software foi escrito fez com que uma parte do passo de refinamento não funcionasse de facto como pretendido. Felizmente, como o objetivo principal era maximizar a receita e o erro afetava apenas uma preferência menor sobre a proximidade dos apartamentos, o resultado geral permaneceu sólido. Os investigadores também realizaram simulações com dados fictícios para ver como o sistema se comportaria sob diferentes condições. Descobriram que, à medida que a procura por quartos aumentava e a competição pelo espaço se tornava mais intensa, a vantagem de usar o computador sobre um humano crescia significativamente. Nos cenários mais congestionados, a capacidade do computador de acomodar grupos de forma eficiente levou a melhorias de receita superiores a 65% em comparação com um método simples e não otimizado. Isto sugere que, quanto mais congestionado for o mercado, mais valiosa se torna esta gestão inteligente de alocação.

O estudo também destacou uma lição mais ampla para as pequenas empresas. Provou que não é necessária uma equipa de cientistas de dados ou um orçamento massivo para resolver problemas logísticos complexos. Ao utilizar ferramentas de código aberto e computação simples na nuvem, um pequeno operador pode alcançar resultados que anteriormente estavam disponíveis apenas para grandes corporações. Os investigadores documentaram todo o processo, incluindo os erros e as soluções alternativas, para mostrar que esta abordagem é viável para outros. Descobriram que a parte mais importante do sistema era simplesmente encaixar os grupos nas camas disponíveis da forma mais apertada possível. As outras funcionalidades sofisticadas, como garantir que os grupos estão em quartos adjacentes, eram boas de ter, mas não eram estritamente necessárias para o principal ganho financeiro. Isto significa que mesmo uma versão muito simples do sistema poderia proporcionar a maioria dos benefícios.

Em última análise, este artigo reformula a forma como pensamos na gestão de alugueres de curto prazo. Mostra que, para empresas que lidam com reservas de grupos, a maior oportunidade de crescimento reside frequentemente não em mudar os preços, mas em melhorar a atribuição física do espaço. O gestor humano da "Our Place" era habilidoso e experiente, mas o enorme número de variáveis envolvidas em datas sobrepostas e tamanhos de grupo variáveis tornou impossível para um humano visualizar todas as combinações possíveis. O computador não substituiu o julgamento do gestor; simplesmente deu-lhe uma ferramenta para ver o quadro completo. O resultado foi um negócio que ganhou mais dinheiro, respondeu mais rapidamente aos clientes e operou com menos stress. Para outros pequenos operadores que enfrentam desafios semelhantes, este estudo de caso oferece um caminho claro: comece com as restrições rígidas, utilize ferramentas simples para encontrar o melhor ajuste e deixe que os dados lidem com a complexidade que a mente humana não consegue facilmente conter.