Künstliche Intelligenz und Revenue Management

Wenn du mit Revenue Management zu tun hast, aber ganz allgemein, wenn du große Datenmengen zu verwalten hast, ist es wirklich einfach, den Verlockungen der Technologie zu erliegen, und in gewisser Weise auch notwendig.
Wenn du an die Geschwindigkeit von Berechnungen oder das Auffinden von Assoziationen in großen Datenmengen denkst, wird dir klar, dass kein menschliches Gehirn jemals einen Computer an Geschwindigkeit und Effizienz übertreffen kann.
Die Analyse eines Hotel-Clusters in einem bestimmten Reiseziel erfordert zum Beispiel die Verarbeitung und Verwaltung einer großen Menge an Daten: Durchschnittspreis, Buchungsfenster, Belegung, Stornierungsrate, Zimmertyp und vieles mehr.
Um diese Daten zusammenzustellen, aber vor allem, um sie gewinnbringend zu interpretieren, braucht man eine Methode und geeignete Werkzeuge.

Die Methode kommt nicht ohne Statistik aus, die bei der Datenanalyse eine Schlüsselrolle spielt. Ohne ihre Fähigkeit zur Synthese, eine der wertvollsten Eigenschaften, wäre es wirklich kompliziert zu bemerken, dass in einem bestimmten Zeitraum einige Parameter unseres Hotels anormale Eigenschaften annehmen. Dank der Statistik können wir alle Daten, die wir analysieren, ganz einfach zu einigen (für uns) wichtigen Werten zusammenfassen.
Tools zur Datenanalyse gibt es heute viele und immer mehr PMS integrieren Business Intelligence Module und Dashboards, die einige grundlegende KPIs (Key Performance Indicators) zusammenfassen können.

Nachdem wir davon ausgegangen sind, dass jeder Revenue Manager statistische Grundlagen und ein paar Tools zur Unterstützung seiner Arbeit nutzt, um nicht nur die Qualität seines täglichen Lebens (sondern auch seine Arbeitsleistung) zu verbessern, wollen wir mal sehen, was passiert, wenn wir uns mit dem Konzept der Künstlichen Intelligenz beschäftigen.
Es gibt zum Beispiel schon seit vielen Jahren PMS, die beim Auftreten bestimmter Bedingungen, die in der Regel einer höheren oder niedrigeren Belegung oder wiederum dem gleichzeitigen Kauf mehrerer Zimmer entsprechen (was dann immer eine Belegungsänderung ist), die Verkaufspreisspanne unseres Hotels ändern können. 
Wir haben sie schon vor Jahren getestet und schnell die Grenzen eines Automatismus verstanden, der nach einem starren Schema funktioniert.
Nehmen wir zum Beispiel an, dass unser PMS (oder ein externes Modul) so programmiert wurde, dass es bei einer Belegung von mehr als 80 Prozent in unserem Hotel die Preisspanne höher setzt.
In Wirklichkeit tut die Software nichts weiter, als unsere Belegung zu zählen und sie mit einem Verkaufspreis abzugleichen (leider ist das auch heute noch eine der Varianten, mit denen die Arbeit eines Revenue Managers zusammengefasst wird).
Aber nehmen wir an, wir befinden uns in der Nebensaison und haben das Glück, eine Gruppenreservierung zu haben, die unser Hotel zu 80 Prozent auslastet. Unsere Konkurrenten haben viele freie Plätze - und dementsprechend niedrige Raten -, aber unsere Software ist fast voll und veröffentlicht daher (wie von uns gewünscht) eine hohe Rate und minimiert so die Chancen auf Verkäufe. 

Hier wird also jemand die Lösung des Problems verkünden: der Algorithmus.
Indem er die Daten aus meinem Hotel und die Marktdaten zusammenführt, gelingt es der KI-Software, die genaue Formel zu berechnen, die in unserem Fall den besten Verkaufspreis ergibt.

Software, die auf Algorithmen und maschinellem Lernen basiert (weil sie dir einen Preis vorschlägt, der Mensch die endgültige Entscheidung trifft und der Algorithmus lernt), schießt jetzt wie Pilze nach einem Regenguss aus dem Boden.
Leider reiten wir auf der Welle ein bisschen mit, ein bisschen mit missbrauchten Wörtern (ich habe gehört, wie Leute von Logarithmen sprachen, die Raten vorschlagen), und manchmal werden wir auch Zeuge von Paradoxien, wie z. B. Verkäufern, die Hotelbesitzern eine Software für ein paar tausend Euro anbieten, die ihrer Meinung nach die Arbeit ihres Revenue Managers ersetzen und den Umsatz exponentiell steigern kann.

Wenn die Einnahmen eines Hotels nur oberflächlich (oder gar nicht) verwaltet werden, ist es sicherlich wahrscheinlich, dass der Umsatz mit einer Software, die die Preispolitik dynamisch gestaltet, gesteigert werden kann, aber lassen Sie uns einen Moment über die konkrete Anwendung von KI im Revenue Management nachdenken.

Der Widerspruch fängt schon bei der Idee an (die man in manchen Fällen gerne propagiert), dass sich die Einnahmen in der Tätigkeit der Preisgestaltung (vulgo: der Festlegung von Preisen) zusammenfassen lassen. 
Ich sage das nicht nur mir selbst, sondern auch vielen Kollegen, die ich respektiere: Die "Preisgestaltung" ist nur der letzte Schritt in einem langen Entscheidungsprozess, der durch Datenanalysen unterstützt wird.
Am Ende würde diese Software also nur die letzte aller logischen Tätigkeiten unterstützen, die zuvor von einem menschlichen Gehirn ausgeführt wurden.

Warum könnte eine unermüdliche Software, die rund um die Uhr aktiv ist, über historische Daten und Nachfragedaten verfügt und lernfähig ist, nicht einen Live Revenue Manager (der mehr kostet und fauler ist) ersetzen?
Andererseits: Wenn Flugzeuge dank Algorithmen schon seit langem sicher fliegen, warum sollten sie dann nicht in der Lage sein, einen Tarif korrekt zu buchen? 

So einfach die Frage, so einfach die Antwort: Das Umfeld, in dem ein Flugzeug operiert, ist weniger komplex als das Verkaufsumfeld in einem Hotel.
Wer könnte besser als wir in den letzten Jahren gelernt haben, dass wir uns in einem Geschäftsumfeld bewegen, das alles andere als stabil und vorhersehbar ist?
Hat irgendjemand die anomale Performance einiger Reiseziele im August im Vergleich zu anderen Sommermonaten vorhergesagt?
Wie interpretiert der Algorithmus einen langsamen Aufschwung? Kann er auf einen Faktor schließen, der sich auf den Buchungsfluss auswirkt, wie z. B. eine andere Stornierungspolitik?
Wie setzt er bei der Entscheidungsfindung für den Kauf eines Zimmers ähnliche, aber unterschiedliche Typen eines Mitbewerbers in Beziehung?
Hier liegt das erste ernsthafte Problem: Die Rechenleistung ist nicht in der Lage, kausales Denken zu erzeugen.
Sicher, der Algorithmus kann zahlreiche Szenariomöglichkeiten viel schneller berechnen als unser Verstand, aber der gesunde Menschenverstand stellt eine große Herausforderung für künstliche Intelligenz dar.

francesco d'acunto

founder