How to increase hotel performance through complementary services. A comparison between machine learning and classical segmentation techniques

Autores/as

  • Pere Josep Pons Vives Universitat de les Illes Balears
  • Mateu Morro Ribot Hotelbeds
  • Carles Mulet Forteza Universitat de les Illes Balears
  • Óscar Valero Universitat de les Illes Balears

DOI:

https://doi.org/10.53596/jta.v29i1.403

Resumen

Este artículo analiza las pautas de consumo de los turistas que visian el rooftop del hotel de cinco estrellas en el que están alojados. Este es un ejemplo de como los hoteles, a través del análisis apropiado de la pauta de consumo de los turistas pueden mejorar su rendimiento. Así, el aprovechamiento de los terabytes de datos de los que disponen las empresas combinado con las nuevas técnicas de aprendizaje automático permite mayores ingresos y satisfacción del algoritmo. Este artículo compara el K-means clásico con el Random Forest a la hora de segmentar 2.256 reservas mostrando que este último proporciona una bondad de ajuste muy superior. Esto se debe a una mayor flexibilidad a la hora de segmentar, dado que el K-means se basa en una función de pertenencia extremadamente rígida. Desde un punto de vista teórico este artículo contribuye en la literatura al considerar los hoteles de sol y playa como centros de ocio con múltiples unidades de negocio que se relacionan entre si y con el cliente como una red. Desde una visión más práctica incorpora al negocio hotelero una metodología con una elevada bondad de ajuste.

Descargas

Publicado

2022-05-22

Cómo citar

Pons Vives, P. J., Morro Ribot, M., Mulet Forteza, C., & Valero, Óscar . (2022). How to increase hotel performance through complementary services. A comparison between machine learning and classical segmentation techniques. Journal of Tourism Analysis: Revista De Análisis Turístico (JTA), 29(1). https://doi.org/10.53596/jta.v29i1.403