Data-Driven Decision Making: Applying Machine Learning to Revenue Management in Hospitality

Abstract

Antecedentes. La industria de la restauración ha experimentado una transformación sustancial en la última década, particularmente a partir del impacto de la pandemia de COVID-19, que actuó como catalizador para acelerar la digitalización de procesos y servicios. Tradicionalmente, este sector ha estado rezagado en la adopción de estrategias de Revenue Management (RM) en comparación con otras industrias como la hotelera o la aérea, donde su implementación ha sido más temprana y sistemática. Diversas barreras estructurales han dificultado su aplicación en restauración, entre las que destacan la ausencia de una cultura arraigada de reservas, la escasa recopilación de datos transaccionales, la falta de sistemas de gestión integrados (como los Sistemas de Gestión de Propiedades (PMS) en hotelería), y una resistencia generalizada por parte de los gestores a modificar precios din´amicOS por temor a la percepción negativa por parte del cliente. No obstante, el entorno actual presenta una oportunidad única para revertir esta situación. La digitalización progresiva de cartas y menús, el uso creciente de aplicaciones móviles para realizar pedidos, pagar cuentas y gestionar reservas, y el incremento del uso de tecnologías como las cartas digitales y plataformas de gestión en la nube, han provocado un aumento de volumen de datos (estructurados y semiestructurados) que pueden aprovecharse con fines analíticos. Estos datos, una vez tratados adecuadamente, abren la puerta a la aplicación de técnicas avanzadas de análisis como el Big Data (BD), el Aprendizaje Automático (ML) y la Inteligencia Artificial Explicable (XAI), que ofrecen nuevas perspectivas para optimizar la toma de decisiones estrat´egicas. El RM en restau raci´on no solo implica ajustar los precios en funci´on de la demanda, sino también gestionar eficientemente la capacidad, prever el comportamiento del consumidor y alinear los recursos disponibles con las expectativas del mercado. En este sentido, las herramientas mencionadas permiten detectar patrones complejos en los datos históricos de ventas, identificar momentos clave de alta o baja demanda, y adap tar la oferta de manera din´amica. Adem´as, la XAI proporciona una capa adicional de confianza al permitir que los modelos predictivos sean interpretables, facilitando la adopci´on por parte de gestores que no necesariamente poseen formaci´on t´ecnica avanzada. A nivel acad´emico, existe un creciente cuerpo de literatura que explora la aplicaci´on de estas herramientas en contextos empresariales, pero todav´ıa son esca sos los estudios emp´ıricos que aborden su implementaci´on espec´ıfica en el ´ambito de la restauraci´on. Esta tesis se ubica dentro de esa laguna investigadora, proponiendo un marco metodol´ogico que combina enfoques de ML, an´alisis sem´antico y mode los XAI para aportar soluciones concretas a los desaf´ıos de la industria. En este contexto, resulta pertinente cuestionarse no solo si es t´ecnicamente viable aplicar RM en restaurantes, sino tambi´en si existe una disposici´on cultural, organizacional y tecnol´ogica para su adopci´on. Asimismo, es crucial comprender c´omo perciben los consumidores las estrategias de pricing din´amico y hasta qu´e punto est´an dispuestos a aceptarlas como parte de una experiencia gastron´omica personalizada y eficiente