Machine Learning es una de las palabras de moda del momento, pero ¿qué es exactamente? Hay varias definiciones posibles y varían según el propósito y tema asociado, pero, en general, todas convergen en la idea de que es uno de los métodos para lograr la Inteligencia Artificial (la capacidad que se le da a las máquinas de imitar el comportamiento humano inteligente). . Así, el Machine Learning se refiere al desarrollo de programas computacionales que son automáticamente capaces de mejorar y aprender de la experiencia, sin recibir instrucciones específicas para hacerlo .

Sin embargo, este no es un concepto del futuro. No se limita a automóviles que no necesitan conductor, robots que reemplazarán a los humanos o dispositivos estilo Star Trek . La realidad es que ya utilizamos Machine Learning en nuestras vidas todos los días y muchas veces ni siquiera nos damos cuenta . Cada vez que utilizamos Google.com para realizar cualquier tipo de búsqueda, Google, utilizando nuestra ubicación, nuestras búsquedas anteriores y nuestros datos de redes sociales, aplica Machine Learning para darnos la respuesta más adecuada. Nuestros móviles, con sus innumerables sensores, son capaces de predecir lo que estamos haciendo (si estamos sentados, corriendo, caminando, etc.), registrando nuestras actividades. Los mismos móviles predicen lo que estamos escribiendo para sugerirnos palabras completas… Entre otros muchos usos cotidianos que hacemos del Machine Learning .

En aplicaciones empresariales, el aprendizaje automático se utiliza habitualmente para crear modelos/algoritmos predictivos y de análisis de datos, en este caso normalmente denominado análisis predictivo .

El aprendizaje automático normalmente se implementa para abordar tres tipos de problemas:

• Aprendizaje supervisado : cuando la aplicación hace uso de un conjunto de datos con sus entradas y salidas ya deseadas (etiquetas), con el objetivo de aprender a partir de ejemplos (por ejemplo, utilizando variables de reserva, incluidas las que se cancelaron, es posible construir un modelo). que sea capaz de predecir qué reservas serán canceladas).
• Aprendizaje no supervisado : cuando el conjunto de datos asignado a la aplicación solo incluye entradas , siendo la creación de salidas la tarea a realizar en sí misma. En este caso, el descubrimiento de patrones en el conjunto de datos es lo que constituye los resultados (por ejemplo, a partir del conjunto de datos de reservas, construir un número fijo de grupos de clientes –clústeres– basados ​​en los insumos existentes , sin definir ningún requisito predefinido).
• Aprendizaje reforzado : cuando la aplicación interactúa, o recibe feedback por haber conseguido un determinado objetivo del que se supone que debe aprender (por ejemplo, si diariamente la aplicación predice y define que determinadas reservas se cancelarán y dichas reservas acaban no cancelándose, esta experiencia debería utilizarse para mejorar el modelo).

Así, de forma simplista, los principales problemas a los que se aplica el Machine Learning son:

• Clasificación : cuando la salida es un valor discreto, una clase (por ejemplo, la reserva será “cancelada” o “no cancelada”).
• Regresión : cuando la producción es un valor continuo (por ejemplo, a qué precio se debe vender el alojamiento).
• Agrupación : cuando las salidas no se conocen y las entradas deben dividirse en grupos (por ejemplo, agrupación de clientes).

Hay varios artículos desarrollados sobre cómo el Machine Learning ya ha impactado o impactará a la Industria Hotelera. A continuación se muestran algunos ejemplos (en inglés):

• Cómo el aprendizaje automático transformará la industria hotelera
• Cómo el aprendizaje automático está haciendo que los hoteleros sean más inteligentes
• Inteligencia artificial y Machine Learning: ¿cuál será el impacto en la industria del Turismo?
• El aprendizaje automático basado en la ubicación brinda a los hoteles el poder de satisfacer las demandas de los huéspedes

Un aspecto común en la mayoría de estos artículos es la alusión a que es en el Revenue Management donde, a corto plazo, el Machine Learning tendrá mayor impacto. La previsión de la demanda, la previsión de ingresos, la segmentación de clientes, la fijación de tarifas y la previsión de cancelaciones de reservas son sólo algunas de las tareas en las que se notará este impacto. Sin embargo, otras tareas como la predicción de entradas y salidas por hora, la rotación de empleados o la necesidad de empleados por horas, entre muchas otras, también empiezan a verse ayudadas por el Machine Learning .

Actualmente son mayoritariamente cadenas internacionales y marcas hoteleras reconocidas las que están aprovechando las ventajas del Machine Learning . Aunque muchos todavía se encuentran en una etapa temprana de adopción, surge la pregunta de si, al igual que otras industrias, el aprendizaje automático será omnipresente en todos los hoteles. Como siempre, los primeros hoteles y marcas en adoptarlo tienen una ventaja competitiva... Por eso, si aún no lo estás utilizando, al menos deberías empezar a pensar en ello.

‍