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

No mundo dos negócios de alto risco, a diferença entre uma empresa próspera e uma falida muitas vezes se resume a uma única escolha crítica: onde colocar o dinheiro. Durante décadas, líderes na indústria hoteleira tomaram essas decisões estratégicas baseadas em experiência, intuição e relatórios que olhavam para trás, para o que já havia acontecido. Eles decidiam se construiriam uma nova ala, reestruturariam uma dívida ou mudariam sua estratégia de preços revisando demonstrações financeiras passadas e esperando que o futuro fosse semelhante ao passado. No entanto, o mercado moderno é rápido demais e complexo demais para essa abordagem antiga. Os gostos dos consumidores mudam da noite para o dia, as condições econômicas flutuam drasticamente e o volume de informações disponíveis é esmagador. Para navegar nisso, uma nova abordagem surgiu, que trata a estratégia de negócios menos como uma aposta e mais como uma ciência, usando vastas quantidades de dados para prever o que acontecerá antes que um único dólar seja gasto.

Essa mudança depende de duas ferramentas poderosas trabalhando juntas. A primeira é o big data, que é simplesmente a coleta de quantidades massivas de informações de muitos lugares diferentes, como registros financeiros oficiais, relatórios do setor e até o texto não estruturado de avaliações de clientes online. A segunda é a inteligência artificial, especificamente um tipo de programa de computador chamado aprendizado de máquina (machine learning). Ao contrário do software tradicional que segue regras rígidas e pré-escritas, o aprendizado de máquina permite que um computador estude padrões nos dados por conta própria. Ele aprende a reconhecer quais combinações de fatores — como quanta dívida uma empresa possui, quanto lucro ela obteve no ano passado e quão felizes estão seus clientes — tendem a levar ao sucesso ou ao fracasso no futuro. Ao alimentar esses sistemas com dados históricos, os pesquisadores podem treiná-los para prever os resultados de decisões futuras com um alto grau de precisão.

Trinh Quang Minh, um pesquisador da Universidade Tay Do, propôs-se a testar se essa combinação de big data e inteligência artificial poderia realmente ajudar executivos de hotéis a fazerem escolhas estratégicas melhores. O estudo focou na indústria hoteleira no Vietnã, um mercado conhecido por seu crescimento rápido e volatilidade significativa. O pesquisador reuniu informações de uma década, abrangendo de 2010 a 2025, de uma grande variedade de empresas hoteleiras. Isso incluiu relatórios financeiros detalhados e auditados de grandes grupos como Saigontourist e Vinpearl, bem como dados de empresas menores listadas e hotéis boutique. Os dados não se limitaram a números; também incluíram indicadores de referência do setor, como taxas médias de quartos e números de ocupação, bem como o texto bruto de avaliações de clientes online para medir o sentimento do público.

O cerne da pesquisa envolveu a construção de um motor digital capaz de simular diferentes cenários de negócios. O pesquisador pegou os dados coletados e os limpou, preenchendo lacunas e organizando os números para que pudessem ser comparados de forma justa entre empresas de diferentes tamanhos. Em seguida, treinou vários tipos diferentes de modelos de aprendizado de máquina para atuarem como preditores. Alguns desses modelos eram métodos estatísticos tradicionais, enquanto outros eram sistemas mais avançados, baseados em árvores, que podiam lidar com relações complexas e não lineares entre variáveis. O objetivo era ver qual modelo conseguiria melhor prever se uma decisão estratégica específica, como um investimento de capital ou um plano de reestruturação, levaria a uma recuperação financeira e ao sucesso a longo prazo.

Os resultados indicaram que modelos avançados de aprendizado de máquina, particularmente aqueles baseados em conjuntos estruturados em árvores, como XGBoost e Random Forest, superaram significativamente os métodos estatísticos tradicionais em benchmarks mais amplos. Em testes projetados para prever a recuperação financeira de múltiplos períodos, o modelo mais sofisticado alcançou uma precisão de mais de 91 por cento. No entanto, o estudo alerta explicitamente que, quando o modelo foi testado em um conjunto de amostra muito pequeno e específico (apenas seis amostras), ele alcançou 100% de precisão, um resultado que o autor atribui ao "overfitting" (sobreajuste) e à alta separabilidade dos dados, em vez de uma verdadeira generalização. O artigo observa que, embora os modelos fossem melhores em identificar conexões não lineares entre fatores de negócios do que os métodos lineares antigos, as pontuações perfeitas no pequeno conjunto de teste foram provavelmente devidas ao tamanho limitado da amostra, e a implementação em larga escala requer mais dados para otimizar as capacidades de generalização.

Além de apenas prever sucesso ou fracasso, a pesquisa também descobriu exatamente o que impulsiona esses resultados. Ao analisar em quais partes da informação o computador mais se baseou, o estudo identificou os fatores dominantes por trás do sucesso estratégico. Os drivers mais críticos foram a saúde financeira pré-decisão, especificamente quanta dívida uma empresa carregava em relação aos seus ativos e quanto ela estava gastando em projetos de capital. Essas métricas financeiras representavam mais de um terço do poder preditivo. O segundo fator mais importante foi o desempenho operacional histórico da empresa, como seu lucro operacional bruto e receita por quarto disponível. Curiosamente, o estudo também descobriu que o sentimento do cliente não estruturado — os sentimentos expressos em avaliações online — desempenhava um papel vital, agindo como um moderador de mercado que poderia influenciar a rapidez com que um hotel se recuperaria após uma grande decisão.

O objetivo final deste trabalho não era apenas construir uma ferramenta de previsão melhor, mas criar um sistema de suporte à decisão prático para conselhos e executivos de hotéis. Este sistema permite que os líderes executem simulações de "e se" antes de se comprometerem com estratégias caras. Eles podem fazer perguntas ao sistema como: "Se assumirmos esta quantidade de dívida para construir uma nova ala, como isso afetará nossos lucros em três anos?" ou "Se mudarmos nossa estratégia de preços agora, como o sentimento do cliente impactará nossa ocupação?". O estudo sugere que, ao usar essa abordagem baseada em dados, os líderes de hotéis podem se afastar da dependência da intuição e, em vez disso, tomar decisões de alto risco com uma compreensão clara e baseada em evidências dos riscos e potenciais recompensas.

Embora os achados sejam promissores, o pesquisador reconhece que o estudo possui limitações, principalmente devido ao tamanho do conjunto de dados usado para o teste final. Os modelos foram treinados em um conjunto específico de dados hoteleiros vietnamitas e, embora os resultados tenham sido altamente precisos dentro desse contexto, o pesquisador observa que trabalhos futuros devem se expandir para incluir uma gama mais ampla de hotéis em diferentes regiões para garantir que as previsões sejam válidas em todos os lugares. Apesar disso, o estudo fornece uma base sólida para uma nova forma de gerir negócios de hospitalidade. Ele demonstra que, ao combinar dados financeiros históricos com a inteligência artificial moderna, a indústria hoteleira pode ganhar uma nova e poderosa lente através da qual visualizar seu futuro, transformando a incerteza em uma variável gerenciável e o planejamento estratégico em uma ciência precisa.