Página 1
CASO DE ÉXITO
RESULTADOS EN ENTORNO REAL PARA
SENATOR HOTELS&RESORTS
Deepupsell es un desarrollo de Machine Learning Predictivo, incluido en la familia de procesos de
Inteligencia Artificial, que tiene como finalidad clasificar a huéspedes en función de su probabilidad de
compra de Upselling, días antes de la llegada al Hotel.
Página 2
INDICE DE CONTENIDOS
01
02
03
INTRODUCCIÓN
A DEEPUPSELL
RESULTADOS
OBTENIDOS
METODOLOGÍA DE
TRABAJO
LANZAMIENTO Y
MODELO DE
NEGOCIO
04
Página 3
¿CUÁL ES EL OBJETIVO DE DEEPUPSELL?
Deepupsell by Hoteldataflow nace con el objetivo de identificar clientes, antes de la llegada
al Hotel, que son susceptibles de generar Upselling, ya sea por la vía de Upgrade de
Habitaciones, o por la de Cross Selling de otros servicios y productos.
Partiendo de esa base, nuestros algoritmos elaboran millares de microgrupos de
comportamiento humano, basados en cientos de miles de registros analizados, que nos
permiten puntuar a los clientes que están por venir, identificándolos como clientes con
potencial de compra, o clientes que, por sus características, tienen muy pocas probabilidades
de generar ese ingreso adicional.
De esa forma, tanto los Hoteles que aplican Upselling, como los que todavía no se han iniciado
en esta técnica de venta adicional, pueden a partir de un simple listado de llegadas del PMS,
saber qué clientes son más susceptibles de compra, para que su equipo de Recepción prepare
la venta con anticipación, tanto a nivel de mensaje como de producto.
Supone un paso más en la personalización del servicio, evitando la venta indiscriminada e
impersonalizada, con una baja tasa de conversión, por una venta focalizada e individualizada,
disparando las conversiones y los ingresos adicionales.
E implica el trabajo conjunto de Máquina y Humano, ya que nuestro producto detecta a los
clientes potenciales, momento en el que el Recepcionista coge el testigo para humanizar la
venta focalizada y personalizada.
¿EN QUÉ MOMENTO ESTAMOS?
Deepupsell by Hoteldataflow, inició su Fase 1 en enero de 2019, incorporando cientos de miles
de reservas de diferentes Hoteles (tipología, localización, etc), con los que se pudo entrenar al
algoritmo, para que fuera capaz de aplicar ese conocimiento adquirido sobre reservas futuras.
En esta fase 2, creada exclusivamente para poner en marcha un Caso de estudio Real, sobre
varios hoteles de la cadena Senator Hotels&Resorts, disponemos de un algoritmo que,
aplicado a Hoteles con Histórico de datos, arroja un AUC* del 93%, cifra que baja al 87% para
aquellos hoteles que no cuentan con Histórico.
01 - INTRODUCCIÓN A DEEPUPSELL
Página 4
¿QUÉ ES EL AUC Y PARA QUÉ SIRVE?
El AUC (área bajo la curva) tiene un rango de resultados que va de 0 a 1, y sirve, entre otras
cosas, para validar la efectividad de algoritmos.
A modo de píldora informativa, todo AUC superior a 0,82 valida la viabilidad del o los
algoritmos aplicados en el modelo con garantías.
Para entenderlo mejor, se interpreta como la probabilidad de que el modelo clasifique un
ejemplo positivo aleatorio (comprar upselling) más alto que un ejemplo negativo aleatorio (no
comprarlo).
Es decir, es la probabilidad de que, tomados casos positivos y negativos al azar, el SCORING del
modelo para los positivos sea superior a los negativos.
En los supuestos analizados, para aquellos hoteles que tienen histórico de upselling, el AUC
arroja un resultado de 0,93 de partida, ya que basa su aprendizaje en el caso particular del
comportamiento de compra de huéspedes en esos Hoteles, que queda demostrado es
constante en el tiempo (independientemente de efectos adversos como el Covid).
En el caso en el que los Hoteles no disponen de histórico (bien porque no lo han registrado,
bien porque no han aplicado de forma persistente upselling), dado que les “prestamos” el
conocimiento combinado de otros Hoteles de forma temporal (hasta que tengan reservas que
permitan definir con mayor precisión los resultados), su AUC parte de un resultado promedio
de 0,87 que, con el aprendizaje continuo y a medida que se reemplaza “conocimiento prestado”
por “conocimiento propio”, va ascendiendo hasta acercarse al resultado óptimo de 1.
No hay que olvidar que nuestro modelo aprende y recalcula sus previsiones con cada carga de
nuevos datos, reemplazando comportamientos históricos genéricos, por los nuevos adquiridos,
hasta que llega un momento en el que únicamente se nutre de los resultados del propio Hotel
para seguir aprendiendo.
Adjuntamos a continuación los resultados obtenidos hace 11 meses, en la Fase 1 y en entorno
teórico, que nos sirvió para poder iniciar esta Fase 2 del Proyecto.
Los resultados arrojados se corresponden a un Hotel con histórico de reservas, en las que se
podía identificar aquellas que habían comprado o no Upselling.
El algoritmo aprendió con el 70% de las reservas disponibles, para aplicar su conocimiento y
resultados sobre el 30% de las reservas restantes.
Sobre ese 30% de reservas, nosotros sabíamos si el huésped había comprado o no Upselling,
pero ese dato no se lo enseñamos al algoritmo, ya que la intención era ver qué SCORING
asignaba a cada reserva, para posteriormente saber si había acertado o no.
En consecuencia, esas reservas ocultas podíamos usarlas como si fueran reservas que todavía
no habían llegado al Hotel, emulando un Caso Real.
Página 5
Página 6
¿ENTONCES POR QUÉ UNA FASE 2, SI LA 1 YA FUNCIONABA?
El principio fundamental de Hoteldataflow, es el de no lanzar productos al Mercado, hasta que
no han sido probados, de tal forma que ofrezcan todas las garantías de éxito.
No trabajamos sobre la idea de un Producto Mínimo Viable, preferimos desarrollar
íntegramente la solución y probarla en escenarios reales antes de su lanzamiento, aunque
implique más tiempo y coste para nosotros…
Eso no quita que, una vez lanzado el producto, no sigamos trabajando en mejoras, ya que la
tecnología y el análisis a futuro siguen creciendo día a día, obligándonos a mantener todos
nuestros desarrollos a un nivel puntero.
Por ese principio de funcionamiento creamos esta Fase 2, que en realidad, no debería existir a
partir de los resultados obtenidos en las muestras realizadas en el entorno teórico de la Fase 1,
no obstante, preferimos ser conservadores y aplazar el lanzamiento, hasta haber probado el
algoritmo en escenario real, ya que es una tecnología demasiado disruptiva.
Para la Fase 2, invitamos a Senator Hotels&Resorts a participar sobre un caso real en algunos
de sus Hoteles que han mantenido la operativa en la era Post Covid, lo que nos ha permitido
validar en modelo en un entorno real “crítico”, y obtener resultados que nos dan la garantía para
programar el lanzamiento de Deepupsell, que explicamos en el apartado correspondiente.
Página 7
SENATOR HOTELS & RESORTS – PRESENTACIÓN DE EMPRESA
Senator Hotels & Resorts es una empresa familiar con más de 50 años de trayectoria
profesional que lo avalan como un grupo hotelero de confianza, solvente y de calidad.
En la actualidad cuentan con una cartera formada por 38 establecimientos, que se dividen en
vacacionales, urbanos y edificios de apartamentos, con un total de más de 9.000 habitaciones,
repartidos por Andalucía, Valencia, Madrid, Cataluña, Islas Baleares, Murcia y República
Dominicana.
HOTELES PARTICIPANTES EN ENTORNO REAL
Senator Marbella Spa Hotel
Senator Marbella Spa Hotel es un lujoso hotel urbano de 4 estrellas diseñado para disfrutar de unas fantásticas
vacaciones en uno de los destinos turísticos más exclusivos de la Costa del Sol. Combina la tranquilidad y la
independencia de un hotel de ciudad con la cercanía a las playas de la ciudad y servicios como centro de spa,
restaurante buffet de cocina española e internacional, bares y piscina entre otros servicios.
Playacálida Spa Hotel
Fantástico resort de estilo arabesco situado en Almuñécar, en primera línea marítima y con acceso directo a la
playa (a 100 m). Ideal para familias, dispone de completas instalaciones que incluyen piscina tematizada con
forma de río con toboganes y jacuzzi, y gran piscina panorámica desbordante con vistas al litoral de Almuñécar.
Playadulce Hotel
En el exterior: chiringuitos, palmeras, la arena y el mar. En el interior: piscinas, toboganes, zonas tematizadas,
instalaciones deportivas y muchos servicios más... Uno de nuestros mejores hoteles en Aguadulce
Playasol Aquapark & Spa Hotel
Situado en primera línea de playa de Roquetas de Mar, junto al paseo marítimo y a solo 800 m del campo de golf
Playa Serena. Regálese unas vacaciones relajantes y divertidas para toda la familia con completas instalaciones
que incluyen parque acuático y spa, así como infinitas posibilidades de ocio.
02 – METODOLOGÍA DE TRABAJO
Página 8
WINHOTEL PMS - AUTOMATIZACIÓN DEL ENVÍO DE DATOS
Para poder automatizar todo el flujo de trabajo hasta el cálculo del SCORING por huésped,
necesitamos recopilar una serie de datos provenientes del listado de llegadas del PMS.
En este caso, trabajamos junto con Winhotel Solutions para la definición de los campos
necesarios, así como la programación de envío de las reservas diaria de forma automatizada y
no supervisada.
A título informativo, cuando lancemos el producto, habrá diferentes opciones para la carga de
los listados de llegada (API, inserción manual desde la plataforma, importación de archivos, etc).
Obviamente, el envío automatizado, en detrimento de procesos manuales, siempre es más
seguro y efectivo.
FLUJO Y TRATAMIENTO DE LOS DATOS – LA MÁQUINA
El proceso diario pasa por el envío desde el PMS de un listado de llegadas a futuro que
contenga los campos clave como id de reserva, canal por el que llega la reserva, fecha de
reserva, entrada y salida y otros campos nada complejos y de uso cotidiano en cualquier PMS.
En el momento de la recepción, activamos la recopilación de esas nuevas reservas,
analizamos si requieren ser complementadas con “conocimiento prestado” en caso de no
disponer de histórico, o “conocimiento propio”, normalizamos los datos y les damos el
tratamiento correspondiente.
Finalizada la fase de normalización de los datos, actualizamos la fase de aprendizaje del
algoritmo y, sobre esas llegadas a futuro, obtenemos el SCORING de cada una de las reservas.
Enviamos al equipo de Recepción los resultados, organizando el listado de Llegadas por
orden de probabilidad de compra de cada uno de los huéspedes que están por llegar.
Para este proyecto, entrenamos al modelo día a día para aplicar el conocimiento sobre las
llegadas del día siguiente, con el fin de dar a Recepción 24 horas de tiempo para preparar,
para aquellos clientes con SCORING alto, un producto de venta acorde a sus necesidades
(upgrade si hay disponibilidad, o un cross selling si no hay posibilidad de upgrade).
Obviamente, podemos procesar reservas con llegada más lejana en el tiempo (por ejemplo a 3
días vista), pero tiene como contrapartida que muchas de ellas podrían cancelarse, y muchas
otras podrían reservarse mañana, por lo que no se estarían incluyendo en la preparación del
argumento de ventas de hoy.
Página 9
EL EQUIPO DE VENTAS - LA PIEDRA ANGULAR DEL PROYECTO
En esta fase del proceso, es cuando la Máquina cede el testigo al Equipo Humano.
Hay que tener en cuenta que no todas las reservas tienen un SCORING de 100, que sería lo
idóneo, sino que van a calcularse diferentes SCORING para cada día de llegada, en función de
las características de cada cliente que vaya a alojarse.
Explico a continuación distintos casos prácticos, para entender el efecto de la estrategia a
seguir:
❖ Si para mañana hay 3 llegadas, y una de ellas una tiene un SCORING de 0, otra de 10 y otra de 100,
si hay tiempo y recursos, es recomendable hacer el intento con las tres, aunque de antemano se
sepa que la de 0 es muy probable que no compre, ya que ayudará a reforzar el conocimiento del
algoritmo.
❖ Otro escenario distinto es que mañana haya 20 entradas, y de ellas 7 u 8 tengan un SCORING muy
alto y el resto, un SCORING medio o bajo… En ese supuesto, es recomendable preparar un argumento
de venta personalizado para las 7-8 llegadas con potencial de compra, e ignorar el resto, ya que de
lo contrario se genera un desgaste en el grado de convicción del recepcionista por repetición del
mismo mensaje, que afectará no sólo a las reservas de probabilidad baja, sino también a las de
probabilidad alta.
❖ No es lo mismo utilizar un argumento de venta genérico con todas las llegadas (como se hace
habitualmente, con tasas de conversión muy bajas y tratando por igual a todos los clientes), que un
argumento de venta personalizado caso a caso (con mínimos intentos ultrapersonalizados, a
aquellos con potencial de compra).
❖ En el capítulo de Resultados se entiende el razonamiento categórico derivado del caso anterior, así
como los resultados derivados de menos intentos, pero muy focalizados.
En resumen, Recepción recibe el listado de llegadas con el SCORING de cada una de ellas,
prepara el argumento de ventas y, una vez a haya acabado el día, recopila los resultados
indicando para cada reserva que ha llegado:
- Si ha intentado la venta…
- En caso de haberlo hecho, si ha vendido…
- En caso de éxito, si ha sido upgrade o cross selling.
Ese registro es el que, cruzado con el SCORING de cada llegada, nos permite mostrar los
resultados obtenidos en la muestra llevada a cabo, en 4 hoteles de características distintas, y
que mostramos en el siguiente capítulo.
Página 10
EXPLICACIÓN DE VARIABLES
En el informe disponible en la siguiente página, hay 2 secciones de datos que conviene
comprender, antes de analizar los resultados:
CUADRO RESUMEN (KPI principales):
#RESERVAS: Check-in promedio por hotel, realizados durante el período de análisis.
#INTENTOS: Número de intentos de venta sobre los Check-in realizados, incluyéndoles los propuestos
por el algoritmo en los rangos de SCORING que retornan una conversión del 100%.
%INTENTOS: Porcentaje de Intentos de Upsell, sobre el Total de Check-in realizados.
#UPSELLS: Del número de Intentos de venta, los Check-in que compraron un Upsell (upgrade o cross
selling), más los potencialmente compradores a partir de los resultados de conversión obtenidos,
aplicándolos sobre los intentos no realizados en las reservas de SCORING más alto.
%CONVERSIÓN: Tasa de éxito de venta (#upsells) sobre los intentos realizados (#intentos).
ANÁLISIS DETALLADO DE RESULTADOS (Tabla de Datos):
SCORING: Grupos de SCORING, que van de 0 a 100
#Reservas Analizadas: Reparto de las #Reservas, según el SCORING asignado por Deepupsell
#Intentos de Venta: Reparto de los #Intentos registrados por Recepción, según grupo de SCORING
#Upsells Vendidos: Reparto de los #Upsells registrados por Recepción, según grupo de SCORING
%Conversión s/Intentos: Tasa de conversión sobre los intentos, según grupo de SCORING
#Sin intento de Venta: Reservas para las que no se ha intentado la venta, a pesar de estar en rangos de
SCORING con una conversión sobre los intentos realizados del 100%
#Upsells Potenciales: Reservas #Sin intento de venta, a las que se les aplica el factor de conversión
obtenido sobre el resto de reservas de ese rango de SCORING, para las que sí obtuvieron conversiones.
03 – RESULTADOS OBTENIDOS
Página 11
LECTURA DE RESULTADOS Y DASHBOARD
Cabe decir que, para este caso de estudio, la sistemática de venta de los Hoteles no ha podido
personalizar los productos de venta a cada uno de los huéspedes tal y como
recomendamos, ya que obviamente no ha habido tiempo suficiente para redactar e
implementar un procedimiento acorde a nuestra tecnología.
Es por eso que en la Tabla de Datos se observan intentos de venta realizados en la zona baja
de SCORING, con una tasa de conversión más baja, y sin embargo no se han intentado ventas
en todas las reservas de la zona de SCORING más alto, donde la tasa de conversión que han
obtenido es del 100% en todos los casos en los que se puntuaba a los clientes con un Scoring
superior a 45.
A pesar de ello, se puede observar cómo la precisión del algoritmo es extremadamente
eficaz, analizando las tasas de conversión sobre intentos obtenidos en los grupos de SCORING
superiores a 40, con respecto a la conversión en la zona baja.
En un escenario óptimo, a partir del análisis de los resultados obtenidos, si el equipo de
Recepción hubiera concentrado sus esfuerzos de venta exclusivamente en las reservas con
SCORING superior a 35 (en este caso), el algoritmo les habría propuesto 33 intentos únicamente,
con una venta de 25 Upsells (más de los 21 realmente obtenidos) y una Tasa de Conversión del
71%.
Página 12
FECHA DE LANZAMIENTO OFICIAL
En la parte de desarrollo, ya hemos terminado todo lo relativo a la tecnología de Machine
Learning Predictivo.
Empezamos a desarrollar en el mes de Octubre el Front End de Deepupsell, que permitirá a
cada Hotel darse de alta de forma autónoma, firmar el acuerdo de colaboración, realizar unas
tareas inciales de mapeo de datos y empezar a cargar listados de llegadas.
Deepupsell constará de dos áreas:
- OPERATIVA:
o Panel de Configuración y Mapeado Inicial.
o Carga de Listado de Reservas.
o Registro de Resultados (intentos, conversiones, tipo venta).
- ZONA DE CONSULTA:
o Descarga del listado de llegadas incluyendo el SCORING calculado.
o BI de Desempeño de Upselling por Recepcionista, Hotel, Fechas, etc.
La fecha prevista de lanzamiento es la siguiente:
- ESPAÑA: Lanzamiento previsto en el primer trimestre del 2021.
- LATINOAMÉRICA: Ya está en la Fase 2, la previsión para paso a producción es el mes de
Junio de 2021.
- RESTO DEL MUNDO: Progresivamente se iniciará la Fase 1 en cada país que vayamos
incorporando y, en 4 meses desde la finalización de esa Fase, el desarrollo estará listo
para su puesta en producción.
04 – LANZAMIENTO Y MODELO DE NEGOCIO
Página 13
PRECIO VENTA OFICIAL
Queremos que este desarrollo sea Global y accesible a cualquier Hotel, en cualquier lugar del
Mundo, así que nuestro precio oficial será de:
35 €/hotel/mes
No se discriminará por tamaño, localización, pertenencia a Grupo Hotelero, ni tipología de
establecimiento.
Para poder garantizar la calidad del dato registrado por los Hoteles, imprescindible para un
correcto aprendizaje continuo del algoritmo, descartamos la opción de añadir una cuota
variable vinculada al volumen de ingresos generados gracias a Deepupsell.
PREINSCRIPCIÓN PARA HOTELES EN ESPAÑA
Ya tenemos el formulario de Preinscripción abierto para España en HTTPS://DEEPUPSELL.COM
No lleva vinculado ningún compromiso económico, ni requiere formalizar el acuerdo en el
momento del lanzamiento, pero sí es recomendable para dar prioridad a los Hoteles
registrados, una vez lancemos el producto.
Como beneficio asociado a esa preinscripción, se obtendrá un vale equivalente al primer mes
de uso de la Herramienta, a contar desde la fecha oficial de lanzamiento de la misma.
PARA MÁS INFORMACIÓN, PUEDEN CONTACTAR CON:
ANTONIO TAPIA
CEO Gestión de Datos y Robotización
atapia@hoteldataflow.com