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 dinámicos 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 estratégicas. El RM en restauración no solo implica ajustar los precios en función 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 adaptar la oferta de manera dinámica. Además, la XAI proporciona una capa adicional de confianza al permitir que los modelos predictivos sean interpretables, facilitando la adopción por parte de gestores que no necesariamente poseen formación técnica avanzada. A nivel académico, existe un creciente cuerpo de literatura que explora la aplicación de estas herramientas en contextos empresariales, pero todavía son escasos los estudios empíricos que aborden su implementación específica en el ámbito de la restauración. Esta tesis se ubica dentro de esa laguna investigadora, proponiendo un marco metodológico que combina enfoques de ML, análisis semántico y modelos XAI para aportar soluciones concretas a los desafíos de la industria. En este contexto, resulta pertinente cuestionarse no solo si es técnicamente viable aplicar RM en restaurantes, sino también si existe una disposición cultural, organizacional y tecnológica para su adopción. Asimismo, es crucial comprender cómo perciben los consumidores las estrategias de pricing dinámico y hasta qué punto están dispuestos a aceptarlas como parte de una experiencia gastronómica personalizada y eficiente.