Cancellazioni nel Revenue Management: Errori da Evitare e Strategie da Applicare
di francesco d'acunto
Le variabili distorsive nel contesto delle statistiche degli hotel sono fattori che possono influenzare o alterare l’interpretazione dei dati raccolti, portando a conclusioni errate. Ecco alcuni esempi pratici e rilevanti nel settore alberghiero:
- Stagionalità
- Eventi locali
- Posizione
- Tipologia di clientela
- Recensioni online pregresse
- Politiche dei portali OTA
- "Shock Esogeni" (pandemie, conflitti, crisi economiche globali)
Ma la variabile più insidiosa e forse sottovalutata è il tasso di cancellazione.
Le cancellazioni non sono semplicemente un inconveniente operativo, ma una variabile chiave che può distorcere previsioni, falsare comparazioni storiche e compromettere le decisioni tariffarie. A seconda del contesto analitico, le cancellazioni possono comportarsi in due modi distinti:
1. Rumore statistico
Quando si costruiscono modelli predittivi di domanda, le cancellazioni agiscono come rumore. In altre parole, generano falsi segnali che possono portare il sistema a sovrastimare la domanda reale. In questo caso, i Revenue Management Systems (RMS) di nuova generazione tendono a:
• Escludere dai dataset le prenotazioni non finalizzate
• Considerare solo il dato “pulito” delle prenotazioni effettivamente finalizzate
Questa strategia consente di generare previsioni più affidabili e basate su comportamenti realmente concretizzati.
2. Variabile distorsiva
Nel confronto on-the-books attuale vs. stesso giorno dello scorso anno, le cancellazioni diventano una variabile distorsiva. Perché? Perché alterano la percezione della booking pace e quindi influenzano la lettura della performance.
Esempio: se oggi ho 100 prenotazioni per un giorno futuro, e l’anno scorso ne avevo 110 ma poi il 30% è stato cancellato, rischio di interpretare erroneamente la situazione attuale come negativa – quando in realtà potrei essere in vantaggio in termini di prenotazioni finali attese.
Ovviamente esistono anche variabili collegate alle cancellazione:
- Lead Time: (giorni tra prenotazione e check-in). In questo caso più è lungo, più è probabile che la prenotazione venga cancellata.
- Policy di cancellazione
- Dinamicità dei prezzi: alcune persone prenotano e poi cancellano per riprenotare a un prezzo più basso.
Spesso ci viene chiesto perché, facendo un confronto con la situazione attuale e quella dello scorso anno alla stessa data, in alcune metriche si considerano solo le prenotazioni effettivamente finalizzate. L’osservazione è certamente pertinente: le prenotazioni finalizzate incorporano informazioni future che non erano disponibili alla data di confronto!
Per comprendere questa particolarità dobbiamo entrare nell’ottica del modello predittivo del revenue management. L’obiettivo primario di un software di RMS è prevedere la domanda reale. Quindi per addestrare un modello predittivo affidabile, è opportuno utilizzare dati “puliti” che riflettano quello che è effettivamente accaduto, non quello che sembrava accadere ma poi è stato cancellato.
Come abbiamo già detto le prenotazioni cancellate sono rumore statistico: rappresentano intenzioni, non realtà. Se il sistema le considera, rischia di:
• Sovrastimare la domanda.
• Alzare i prezzi inutilmente (perché “crede” ci sia tanta richiesta, che poi evapora).
Ma un software ben progettato non ignora completamente le cancellazioni: molti RMS tracciano i tassi di cancellazione per periodo/canale e alcuni addirittura calcolano una “cancellation-adjusted demand forecast” (domanda stimata al netto delle cancellazioni).
Un confronto più sofisticato consiste nel misurare le prenotazioni attive a pari data, escludendo le cancellazioni già avvenute. Questo approccio riduce il rumore e restituisce un’immagine più fedele della domanda realmente attesa, utile per decisioni tattiche
Le cancellazioni non sono solo un fastidio gestionale, ma un fattore strategico. Ignorarle significa lavorare su dati parziali, spesso fuorvianti. Trattarle come rumore nei modelli previsionali e come variabili distorsive nelle analisi comparative è il primo passo verso un revenue management realmente basato su dati solidi.
La vera sfida oggi non è eliminare le cancellazioni, ma capirle, prevederle e integrarle nei processi decisionali.
