Elsevier è la casa editrice olandese leader nel settore delle pubblicazioni medico-scientifiche.

Ho analizzato diversi articoli pubblicati nell’anno 2010, 2018, 2019 e 2023.

Il revenue management è il processo di assegnazione del giusto tipo di capacità, al momento giusto, al giusto
cliente al giusto prezzo in modo da massimizzare i ricavi o il rendimento.
Si tratta della tecnica concentrata sul processo decisionale per massimizzare il profitto derivante dalla vendita
di unità d’inventario reperibili.
Viene introdotto un nuovo sistema, il quale incorpora modelli di programmazione matematica deterministica
e stocastica che aiutano a prendere le decisioni migliori.
I risultati includono indici di performance come: tasso di occupazione, tasso di efficienza e rendimento.
Molte aziende cercano di utilizzare tecniche di revenue management per massimizzare la redditività in
situazioni di limitata capacità.
Nella storia, in seguito alla legge sulla deregolamentazione delle compagnie aeree degli USA (1978), qualsiasi
compagnie aeree potevano operare su qualsiasi rotta in qualsiasi momento e con tariffe a loro scelta. Esse
hanno adottato una tariffazione differenziata per competere con i viaggiatori sensibili ai prezzi, senza
rinunciare ai ricavi dei clienti esistenti a tariffa piena.
Il revenue management si applica all’industria dei servizi quando soddisfa le seguenti cinque condizioni,
ognuna delle quali adattata agli hotel:
1. Capacità limitata.
Le unità di inventario vengono vendute in un breve periodo di tempo con una capacità fissa, misurata
dal numero di camere.
2. Segmentazione del mercato.
Le industrie di servizi ricorrono alla segmentazione perché possono scegliere tra diversi tipi di clienti.
3. La domanda futura è incerta.
Il Revenue Management deve essere in grado di prevedere la variabilità della domanda, in modo da
poter aumentare i prezzi nei periodi di alta domanda e diminuirli nei periodi di bassa domanda. Gli
hotel devono mettere da parte le camere per i clienti business, per proteggerli dai prezzi più bassi
acquisiti dai clienti leisure, prima di sapere quante camere business saranno vendute.
4. Unità deperibili di inventario.
Le unità di magazzino invendute dopo una data specifica vanno sprecate nelle industrie dei servizi,
perché i servizi non possono essere immagazzinati. Gli alberghi non possono immagazzinare le
camere per utilizzarle domani.
5. Struttura dei costi e dei prezzi adeguata.
Molte imprese di servizi hanno un costo fisso di capacità e una domanda che non può adattarsi
rapidamente.

L’industria dell’ospitalità ha bisogno di utilizzare la gestione tecnologica per la sua sopravvivenza: è

necessario gestire il revenue management con i sistemi CRM - Customer Relationship Management, per
garantire la fornitura di un servizio di qualità e la fedeltà dei clienti per il futuro.
Nel settore aereo e alberghiero, a differenza di altri, le variazioni di prezzo sono più elevate e non creano
percezione negative delle aziende. Questo perché il servizio che le compagnie aeree e gli alberghi offrono a
prezzi diversi è ben differenziato in base alle sue caratteristiche, in modo che il cliente riceva differenze
tangibili nei prodotti e nei servizi offerti.
Una catena di alberghi a Marbella è diventata siti di prova del sistema di supporto decisionale proposto,
implementando il sistema TRM.
Sistema TRM tre livelli di gestione:
- Il livello strategico si rivolge al lungo termine e si concentra sulla sede centrale: i dati del sistema TRM
stabiliscono i criteri di segmentazione del mercato e la politica generale dei prezzi nelle decisioni
strutturali a lungo termine
 - Il livello tattico si occupa della gestione a medio termine: i dati del sistema TRM stabiliscono le
occupazioni target per i diversi segmenti di mercato nel periodo intermedio
- Il livello operativo della conduzione a breve termine (ufficio vendite/reception): il capitale umano
costituisce un fattore cruciale per l’operatività dell’ufficio operativo nelle industrie dei servizi.
Sistema TRM quattro fasi:
1. La previsione della domanda deve provenire da dati storici.
Sulla base dei tassi di occupazione dei dati storici, l'azienda può prevedere la domanda futura in un
periodo di tempo a breve termine.
2. Distribuzione ottimale delle camere.
Il sistema utilizza i dati previsionali come input per l'applicazione dei modelli di capacità; quindi, la
quantità prevista viene distribuita tra le diverse categorie in base alla capacità giornaliera dell'hotel.
3. Controllo dell'inventario delle camere.
Due fasi differenziate compongono questa fase: la generazione degli arrivi e il sistema di
prenotazione. In primo luogo, un motore di simulazione genera i processi di arrivo dei clienti, i cui
dati aiutano ad impostare il sotto modulo di generazione degli arrivi all'interno del processo di
processo di controllo dell'inventario delle camere.
Viceversa, il processo di distribuzione ottimale delle camere, costituisce l'input per il sotto modulo
del sistema di prenotazione.
Il processo di controllo dell'inventario delle camere stabilisce la modalità di vendita delle camere e il
sistema di prenotazione. Il responsabile delle vendite deve ricevere il criterio definito per
determinare se accettare o rifiutare una richiesta all'arrivo di un cliente.
4. Assegnazione reale.
L'ufficio vendite offre i prezzi delle camere ai clienti individuali e negozia le tariffe per i clienti di
gruppo con i tour operator e le agenzie di viaggio.

Il modulo dei dati storici si aggiorna automaticamente incorporando dati provenienti dalle vendite e dalle
prenotazioni.
Il sistema TRM utilizza le previsioni della domanda dei clienti come input per ottenere un’allocazione ottimale
delle camere.
Esso calcola le previsioni della domanda a partire dalle informazioni storiche sugli arrivi, considerando la
durata del soggiorno e la categoria della camera. Le tecniche di previsione tradizionali includono: la media
mobile delle prenotazioni, lo smoothing esponenziale, i modelli di serie temporali ARIMA.
Le previsioni di gruppo calcolano il numero di camere disponibili per i singoli ospiti.
Gruppi in serie sono tipicamente soggiorni più lunghi e provengono da tour operator o agenzie di viaggio.
I modelli di Williamson, sui quale si basano la maggior parte dei modelli di ottimizzazione, massimizzano i
ricavi utilizzando un modello di programmazione matematico deterministico.
Nel settore alberghiero l’obiettivo è allocare le camere per massimizzare le entrate, soddisfacendo i vincoli
di capacità.
La distribuzione ottimale delle camere utilizza quattro modelli:
 Il primo è un modello deterministico (DP), che tiene conto del numero di camere per ogni categoria,
considerando solo i singoli ospiti.
 Il problema deterministico di gruppo (DGP) considera lo scenario DP ma anche gli arrivi di gruppi di
clienti.
Il sistema determina il costo opportunità a causa dell'assegnazione di un numero prestabilito di
camere a un gruppo. I clienti individuali di solito pagano tariffe più costose rispetto ai gruppi di clienti,
ma i clienti individuali hanno una probabilità più alta di non presentarsi, quindi c'è una maggiore
incertezza sul loro arrivo.
 Il problema stocastico (SP) considera la possibilità di un arrivo diverso dalla media, tenendo conto
della naturale variabilità della domanda.
 Il problema principale corrisponde a situazioni in cui esistono più richieste rispetto a quello che
appare come valore medio (ci sono più clienti disposti a soggiornare nell'hotel rispetto alla quantità
prevista). La probabilità che i clienti accettino tariffe più alte è maggiore di quella che si ha nei modelli
deterministici, e quindi i ricavi aumentano.
 Infine, viene presentato un modello di domanda stocastica che include gruppi di clienti; questo è il
problema stocastico di gruppo (SGP) che considera il problema SP, più la considerazione dei gruppi.

Elenco dei parametri e delle variabili dei modelli considerati per ottimizzare la distribuzione dei locali nel
sistema TRM
DP DGP
Dati K Durata del soggiorno (in giorni) Durata del soggiorno del
gruppo (in giorni)
Pj Prezzo della tariffa (categoria j) Dimensioni del gruppo (clienti)
Gruppo tariffario
Bi Capacità dell’hotel il giorno i

Dijk Domanda prevista per il giorno i, con

un soggiorno di k giorni alla categoria
tariffaria j
Variabili Xijk Variabile intergruppo. Numero di Xg Variabile binaria. Rappresenta
camere Xg riservate all'ospite con l'eventuale accettazione del
caratteristiche ijk (giorno di arrivo i, gruppo, g.
tariffa j e durata del soggiorno k)
SP / SGP
Dati R Numero di scenari alternativi che
vengono considerati in base al
processo di arrivo dei diversi clienti.
Varia da 1 a S

Dijk,r Domanda prevista per il giorno i, con

permanenza di k giorni, alla categoria
tariffaria j, secondo lo scenario r.

Dijk Domanda presa da un insieme discreto

di valori (Dijk,1 < Dijk,2 < ... < Dijk,r)
Variabili Xijk,r Rappresenta la parte della domanda
Dijk che ricade nell'intervallo (Dijk,r –
1’ Dijk,r)

Per formulare i modelli, si può aggiornare i dati automaticamente per risolvere il modello con le informazioni
più recenti.
Questo porta ad una situazione in cui le cancellazioni hanno un impatto molto basso perché il sistema
incorpora le eventuali cancellazioni nel modulo di previsione della domanda variando i dati di ingresso del
modulo di distribuzione ottimale delle camere. Il sistema inoltre non tiene conto dell’overbooking.
Nella pratica gli hotel effettuano l’overbooking meno frequentemente delle compagnie aeree.
Distribuzione ottimale delle camere

Il modello DP tenta di massimizzare il profitto medio per unità disponibile anticipando la sensibilità al prezzo
dei diversi clienti e la possibilità di riservare una camera ai clienti disposti a pagare il prezzo più alto.
Viene introdotta un’estensione del modello DP che include la prenotazione di gruppi: essi sono clienti speciali
perché effettuano prenotazioni in anticipo, includono blocchi di camere, hanno bisogno di sale conferenze,
servizi extra come cibo e bevande, e sono sensibili al prezzo.
Il modello DGP massimizza la redditività dei singoli ospiti e dei gruppi di clienti.
Nella pratica la domanda è stocastica: il numero di camere assegnate potrebbe essere diverso dalla quantità
prevista di camere richieste.
Seguendo De Boer et al., l’ipotesi è che tre scenari di domanda siano sufficienti a catturare la maggior parte
delle entrate extra generate dai clienti in eccesso.
Come obiettivo, il modello cerca il metodo migliore per l’assegnazione delle camere, tenendo in
considerazione l’arrivo dei singoli ospiti e dei gruppi di clienti, e tenendo conto della stocasticità della
domanda.
Il passo successivo è il lavoro operativo, cioè quando un cliente richiede una camera. Il supervisore delle
prenotazioni deve decidere se accettare o meno l’ospite.
Di seguito un insieme di euristiche che tengono conto dell’accettazione o del rifiuto di tali richieste in base
ad alcuni parametri del sistema TRM sviluppato:
1) First-Come First-Serve (FC FS).
Questa semplice regola valuta le richieste di prenotazione in base al noto criterio del "primo arrivato,
primo servito". Questa regola non tiene conto della distribuzione delle camere. Chiunque richieda la
stanza per primo ottiene la camera.
2) Distinct.
Questa euristica considera la protezione delle stanze in base alla distribuzione ottimale delle stanze
proposta dai quattro modelli. Il motore di simulazione di arrivo permette di selezionare la soluzione
migliore tra i quattro modelli nella simulazione.
3) Nested. Questo metodo raggruppa il numero di prezzi delle tariffe in più piccoli. Williamson (1992)
propone questo metodo, suggerendo una procedura di prenotazione delle camere che considera le
tariffe più alte e che a sua volta utilizza le camere prenotate per la tariffa più conveniente, ma
facendo pagare il prezzo più alto.
Per testare l’idoneità del sistema TRM, l’esperimento utilizza dati storici di una catena alberghiera spagnola
con sei hotel sulla costa meridionale della Spagna.
I manager utilizzano la domanda prevista per ogni giorno per ottenere la distribuzione ottimale delle camere,
considerando i quattro parametri matematici: DP, DGP, SP e SGP.
I modelli funzionano con CPLEX 8.0 (programma di ottimizzazione).
I modelli stocastici tengono conto di tre diversi scenari: linea di binario bassa, media, alta.
Il sistema di prenotazione utilizza la generazione degli arrivi insieme alle quattro proposte della distribuzione
ottimale delle camere per proporre l’assegnazione delle camere.
Il sistema TRM deve analizzare e confrontare 12 proposte diverse: i redditi attesi dalle dodici alternative
vengono confrontati tra loro e con un valore definito “distribuzione ottimale reale”.
Dal tasso di rendimento troviamo il reddito reale rispetto al reddito massimo possibile, ipotizzando che tutte
le camere vengano vendute alla tariffa piena.
La migliore distribuzione delle camere è una combinazione di modelli di gruppo (DGP/SGP) con una regola di
assegnazione basata sull’euristica nidificata.
I fattori di efficienza, occupazione e rendimento rivelano la convenienza di tale approccio perché un
approccio di questo tipo fornisce tariffe più adeguate.
Le linee DGP e SGP (modelli di gruppo) sono sempre superiori alle linee DP e SP (considerano solo i singoli
clienti). DGP ha le migliori prestazioni per la maggior parte del tempo. Tale risultato è dovuto alla
considerazione di tutte le tipologie di clienti e ciò consente un migliore adattamento alla domanda e al
comportamento dei clienti.
La differenza tra i modelli deterministici e stocastici è il valore atteso dell’informazione perfetta (EVPI): esso
mostra quanto una persona potrebbe aspettarsi di guadagnare se gli fosse stato detto cosa sarebbe successo
prima di prendere una decisione.
Il metodo FC FS è un metodo di base quando non si intraprendono azioni per distribuire le camere: questo
metodo mostra un andamento peggiore rispetto agli altri.
Il comportamento globale porta a raccomandare il metodo annidato come migliore alternativa.

Il presente documento presenta un sistema di supporto decisionale per la gestione delle entrate, una
tecnologia che aiuta i manager a prendere decisioni nell’industria alberghiera.
Il sistema TRM comprende:
- un modulo di previsione della domanda per stimare l’arrivo dei clienti in base ai dati storici
- un modulo di distribuzione ottimale delle camere basato su modelli matematici per distribuire la
domanda prevista in diverse categorie in base alla capacità giornaliera della struttura
- un modulo di controllo dell’inventario delle camere composto da un sistema di generazione degli
arrivi e di un sistema di prenotazione
- un modulo di assegnazione delle camere che aiuta l’ufficio vendite a offrire i prezzi delle camere ai
clienti individuali e ai gruppi

In primo luogo, consideriamo un caso speciale del problema, che si modella come programmazione
deterministica.
Poi, utilizziamo la programmazione stocastica per risolvere lo stesso caso.
Lo studio sperimenta diversi modelli. L'analisi dei risultati sperimentali conclude che la distribuzione delle
camere basata su modelli di gruppo insieme a un metodo di assegnazione del controllo di inventario nidificato
fornisce i migliori risultati.
Il sistema TRM ha bisogno di dati raccolti a livello più basso e conservati per un periodo di tempo
relativamente lungo in database operativi e segue un ampio spettro di gestione della tecnologia che si
concentra sulla pianificazione, l'organizzazione, l'assunzione di personale, l'implementazione, il monitoraggio
e la valutazione delle fasi orientate all'uso della tecnologia per ottenere profitti.
Il sistema TRM proposto fornisce un'alternativa adatta per la gestione di qualsiasi problema di inventario
deperibile in condizioni di limitata capacità, concretamente per ogni hotel situato in ogni luogo del mondo.
Stiamo esplorando diverse alternative di prezzo ovvero di negoziazione dei prezzi tra agenzie di viaggio, tour
operator e proprietari di alberghi.
Inoltre, stiamo analizzando il comportamento dei clienti e i modelli di domanda basati sulla scelta individuale
del cliente, su modelli di utilità casuale, e sulla domanda di mercato aggregata, sulle interazioni del prodotto
con la domanda di altri prodotti e sulla dipendenza dai prodotti storici.
Un'altra limitazione di questo sistema riguarda la gestione della conoscenza. Il miglioramento
dell'elaborazione delle informazioni consente ampiamente di trasferire e riutilizzare la conoscenza, di
immagazzinarla e di produrla.

Il revenue management porta a maggiori performance. Proponiamo REMANOR, una misura bidimensionale
del revenue management; poi analizziamo l’impatto di REMANOR sulla performance dell’azienda nel settore
alberghiero francese.
A causa della sua forte relazione con i problemi di deperibilità e dei vincoli di capacità, molte industrie dei
servizi e il settore non profit, hanno adottato il revenue management.
Il revenue management oltre ad essere orientato a gestire la domanda, è diventato un sistema più complesso,
diretto alla creazione della domanda.
Viene anche definito come un approccio integrato, continuo e sistematico alla massimizzazione dei ricavi di
ogni unità attraverso la manipolazione delle tariffe in risposta a modelli di previsione della domanda.
Il revenue management si basa su una segmentazione fine del mercato, che facilita la determinazione di
prezzi variabili con l’obiettivo di riempire la capacità disponibile e massimizzare i ricavi.
Prima, nel settore alberghiero, le pratiche di revenue management venivano applicate solo all’inventario
delle camere e basate su prezzi predeterminati; ora vengono applicate ad altri aspetti come la durata del
soggiorno e da tariffe predeterminate si è passati all’ottimizzazione dei prezzi.
Quindi definiamo la RMO come un orientamento strategico che riflette l’abilità di un’azienda di massimizzare
la propria redditività attraverso:
- sistemi dinamici di prezzo
- ottimizzazione delle scorte

Abbiamo poi sviluppato diverse ipotesi.

La prima: maggiore è l’RMO di un’impresa, maggiore è la sua performance. Suggeriamo che gli effetti della
RMO si indeboliscano quando i clienti rifiutano le pratiche di gestione dei ricavi.
Una condizione fondamentale per l’implementazione del revenue management è l’accettazione da parte dei
clienti di una tariffa più complessa e di tutte le conseguenze che ne derivano.
La seconda: l’accettazione delle pratiche di revenue management da parte dei clienti moderano la relazione
tra RMO e performance.
Più i clienti accettano le pratiche di revenue management dell’azienda, più forte è l’effetto positivo dell’RMO
sulla performance.
Il revenue management non è un semplice software che funziona in modo indipendente per portare benefici:
viene infatti raccomandato che tutte le decisioni derivanti dall’applicazione del revenue management (tariffe,
restrizioni, offerte speciali) siano rigorosamente controllate e approvate da un team esperto.
Affinché la gestione dei ricavi sia un successo per l’organizzazione e per i suoi clienti, è necessario tenere in
considerazione la soddisfazione e la fedeltà dei clienti.
La terza: maggiore è l’orientamento al mercato di un’impresa, maggiore è il suo RMO.
La turbolenza del mercato riflette l’instabilità dei gusti dei consumatori. Pertanto, quando la turbolenza del
mercato è bassa, le aziende non hanno bisogno di adeguare regolarmente le loro offerte ai desideri dei clienti.
Al contrario, quando la turbolenza del mercato è alta, diventa una sfida per le organizzazioni, la relazione tra
orientamento al mercato e RMO diventa più stretta.
La quarta: la turbolenza del mercato modera la relazione tra orientamento al mercato e RMO. Maggiore è la
turbolenza del mercato, più forte è l’effetto positivo dell’orientamento al mercato sull’RMO.

Il metodo utilizzato in questa ricerca prevede due fasi 

FASE 1 – sviluppo e perfezionamento di una scala di misurazione RMO
Per valutare le componenti del costrutto di RMO identificate in letteratura, abbiamo intervistato 29 dirigenti
e revenue manager con esperienza di almeno cinque anni.
Abbiamo scelto amministratori delegati, top manager e middle manager di diversi tipi di hotel: hotel 2/4
stelle, medio/grandi, urbani/suburbani/resort.
La descrizione dei profili intervistati è stata la seguente:
- orientamento al mercato
- orientamento al revenue management
- performance
- turbolenza del mercato
- accettazione dei clienti; esperienza dell’azienda
Gli informatori hanno concordato sul fatto che la gestione dei ricavi è la massimizzazione della redditività
attraverso prezzi e inventari dinamici basati su sistemi avanzati di previsione e ottimizzazione.
Il revenue management ha la responsabilità di svolgere il ruolo di creazione della domanda.
Come afferma Daryl Hultquist, “l’obiettivo del revenue management è vendere il prodotto giusto al cliente
giusto al momento giusto e al prezzo giusto”. A tale definizione, è stata aggiunta dagli informatori
l’importanza della vendita attraverso il giusto canale di distribuzione.
I fattori chiave del successo nel revenue management sono una combinazione di un revenue manager
esperto e competente che comprende il mercato e uno sforzo coordinato in tutta l’azienda per armare l’hotel
delle migliori strategie.
Utilizzando come base sia lo studio esplorativo preliminare che la nostra letteratura, abbiamo sviluppato una
prima serie di 43 item per misurare la RMO.
Sono stati condotti due processi di riduzione della scala.
Per garantire che i nostri item fossero rilevanti sia per la ricerca che per la pratica, tre docenti universitari di
marketing dei servizi e tre senior manager delle entrate hanno valutato ogni articolo utilizzando una scala a
cinque punti: una scala da 1 = “pessima aderenza” a 5 = “ottima aderenza” al concetto di RMO.
In secondo luogo, abbiamo somministrato un questionario composto da 19 item a 47 direttori generali o
revenue manager di alberghi francesi.
Il questionario è stato organizzato come segue: sono stati introdotti l’argomento e il contesto della ricerca, è
stata fornita una breve definizione di revenue management ed infine ai manager è stato chiesto di valutare
le 19 voci identificate mediante l’analisi fattoriale (test KMO = 0,893).
Il fattore 1 è legato agli aspetti strategici e di previsione della gestione dei ricavi, tra cui la gestione
dell'inventario, la gestione delle scorte, il pricing dinamico e il controllo della domanda. Di conseguenza,
definiamo questa dimensione "previsione strategica".
Il fattore 2 è legato alla componente umana del revenue management.
Il fattore 3 è legato alla strategia e alle dimensioni umane.
Infine, abbiamo eliminato l'item 14 (che si riferisce all'uso di software nelle pratiche di gestione delle entrate)
perché di software nelle pratiche di gestione delle entrate) a causa del suo debole indice di comunanza.
Abbiamo valutato l’affidabilità della scala finale composta da 13 item con un questionario somministrato a
132 direttori e direttrici di Hotel in Francia.
I risultati mostrano che:
α = 0,9163 per la dimensione della previsione strategica;
α = 0,8503 per la dimensione del personale.
Per la dimensione della previsione strategica, ρvc = 0,538, e per la dimensione del personale, ρvc = 0,599,
entrambi superiori al livello soglia di 0,5.
Abbiamo testato la validità discriminante confrontando il modello convalidato (modello libero) con un
modello identico in cui abbiamo forzato la correlazione tra i fattori a 1 (modello di restrizione).
L'obiettivo di questo approccio è quello di confrontare i valori del chi-quadro di ciascun modello e valutare
la differenza.
Quindi, se i risultati del test ci portano a rifiutare l'ipotesi nulla di uguaglianza del chi-quadro, possiamo
concludere che il modello ha una validità discriminante.

FASE 2 – test del modello

Abbiamo scelto l’industria alberghiera come scenario per testare il nostro modello concettuale per i seguenti
motivi:
1) il problema dello squilibrio tra domanda e offerta che caratterizza il settore dei servizi è sentito nel
settore alberghiero e il problema dell’ottimizzazione della capacità disponibile rappresenta una sfida
importante per i manager alberghieri
2) la domanda di servizi alberghieri, sia per turismo sia per affari, è caratterizzata da una forte
stagionalità, creando così la necessità di anticipare
3) la domanda di servizi alberghieri è sensibile ai cambiamenti economici e politici nel contesto
nazionale e internazionale

Un questionario auto compilato è stato distribuito via e-mail a 1021 direttori del revenue management di
vari hotel francesi. Abbiamo poi ricevuto un 13% di risposte.
Più di tre quarti degli intervistati erano direttori del revenue management e direttori d’albergo di hotel a 3 e
4 stelle.
L’RMO è stato misurato utilizzando la scala REMANOR.
L’analisi fattoriale ha rivelato tre dimensioni, con
- sei item che misurano l’orientamento al cliente;
- quattro che misurano l’orientamento alla concorrenza;
- cinque che misurano il livello di coordinamento interfunzionale.
La misura dell’esperienza dell’azienda si basa sul numero di anni in cui l’organizzazione ha applicato le
pratiche di revenue management.
Abbiamo misurato l’accettazione dei clienti utilizzando la valutazione degli intervistati sulle reazioni negative
dei clienti alle pratiche di revenue management: “il revenue management porta a reazioni negative da parte
dei clienti”.
È possibile distinguere misure oggettive e soggettive della performance: le misure oggettive si basano su
indicatori finanziari ottenuti direttamente dall'organizzazione e da fonti secondarie, mentre le misure
soggettive si riferiscono principalmente ai giudizi e alle percezioni degli intervistati.
Abbiamo deciso di misurare la performance dell’organizzazione utilizzando tre indicatori comuni nel settore
alberghiero, due oggettivi e uno soggettivo:
- tasso di occupazione delle camere per l’anno precedente
- i ricavi per camera disponibile (RevPar) per l’anno precedente: indicatore che combina il tasso di
occupazione con il prezzo medio, il cui vantaggio è quello di riflettere la realtà dell’attività alberghiera
e supera le carenze associate al semplice livello di occupazione o prezzi medi
- la performance complessiva soggettiva misurata rispetto ai concorrenti diretti: “come definirebbe la
performance complessiva del suo hotel rispetto ai suoi principali concorrenti diretti?”
su una scala a 5 punti ancorata a 1 (sotto la media) e 5 (sopra la media).

Testare le relazioni dirette tra orientamento al mercato, RMO e performance

Abbiamo poi analizzato gli effetti moderatori di tre diverse variabili: la turbolenza del mercato, l’accettazione
delle pratiche di revenue management da parte dei clienti e l’esperienza dell’azienda nel revenue
management.
Abbiamo trasformato le variabili moderatrici in variabili nominali in base alla mediana; poi abbiamo
controllato l’invarianza fattoriale nel modello di misurazione tra i due gruppi; abbiamo in seguito determinato
la significatività e il valore della correlazione tra la variabile indipendente e la variabile dipendente in ciascuno
dei gruppi formati.
Abbiamo creato due gruppi in base alla mediana: uno corrispondente alla turbolenza del mercato e uno
corrispondente a una bassa turbolenza del mercato.
I risultati mostrano che l’effetto dell’orientamento al mercato sull’RMO è più forte quando la turbolenza del
mercato è bassa rispetto a quando è alta.
Per misurare questo l’RMO, sviluppiamo una scala REMANOR a 13 item, suddivisa in due dimensioni:
1) la prima riguarda la componente di previsione strategica della gestione dei ricavi
2) la seconda riguarda il personale, che consiste in elementi relativi al ruolo del personale
nell’implementazione della gestione dei ricavi
Secondo Grinstein “non esiste un unico orientamento strategico che porti a prestazioni superiori in tutte le
situazioni, e che anche altri orientamenti, oltre a quello di mercato, sono legati a livelli più elevati di
performance organizzativa”.
L’impatto della RMO sulla performance dell’azienda sarà più forte se il cliente accetta le pratiche di gestione
dei ricavi, in particolare in termine di discriminazione dei prezzi, restrizioni sulla durata del soggiorno e
l’overbooking.
La definizione di RMO, l’identificazione delle sue dimensioni sottostanti e lo sviluppo della scala REMANOR
per misurarlo, offrono ai manager utili spunti di riflessione su cosa significhi essere orientato alla gestione
dei ricavi e cosa implica.
Il revenue management è l’interazione tra i dipendenti, tra cui quelli che si occupano dei rapporti con i clienti,
ma anche quelli che si occupano del back office, e il processo di pianificazione strategica che porta la RMO
ad avere un maggiore impatto sulla performance.
Le aziende devono puntare a spiegare chiaramente le diverse tariffe ai clienti, in modo che comprendano la
logica che sta dietro a questi prezzi: l’obiettivo è che i clienti non vedano il revenue management come uno
strumento iniquo.
La scala REMANOR dimostra buone proprietà psicometriche: abbiamo creato e sviluppato REMANOR però
solo in un contesto francese.
Abbiamo testato il ruolo di mediazione dell’RMO nella relazione tra orientamento al mercato e performance
solo nel settore alberghiero: il prossimo passo sarebbe quello di replicare questo studio in altri settori come
i viaggi aerei, stradali, ferroviari e marittimi; le strutture ricettive diverse dagli alberghi; l’autonoleggio; i
parrucchieri, la ristorazione e così via.
Tale studio esamina due delle numerose variabili di moderazione dell’impatto dell’RMO sulla performance
dell’impresa: l’accettazione delle pratiche di revenue management da parte dei clienti e l’esperienza
dell’impresa nel revenue management.
Le ricerche sul revenue management sono iniziate nel 1980. L’obiettivo principale di questa letteratura era
la ricerca di soluzioni di ottimizzazione attraverso la modellazione statistica e matematica.
La letteratura degli anni ’90 si è concentrata sulla popolarità delle pratiche di revenue management in settori
diversi da quello aereo.
Lavori più recenti sul revenue management hanno evidenziato il passaggio da un semplice insieme di tattiche
volte a gestire la capacità fissa a un orientamento strategico che si occupa di tutti i ricavi di un’azienda.

Un ulteriore ricerca cerca di stabilire i legami tra le dimensioni delle strategie di pricing e non-pricing adottate
negli hotel del Qatar sulle prestazioni di gestione dei ricavi e sull’ottenimento del vantaggio competitivo nel
business.
I risultati hanno indicato che gli hotel dovrebbero monitorare i prezzi basati sulla domanda, i prezzi dei
prodotti opzionali, i prezzi promozionali e i prezzi psicologici tra le strategie di prezzo e il controllo della
durata del soggiorno tra le strategie di non-pricing.
Il concetto di revenue management è stato introdotto nel settore aereo e il gruppo Marriott è stato il primo
a introdurlo nel settore alberghiero.
È chiaro che, se da un lato si deve guardare alla massimizzazione dei ricavi, dall’altro lato si deve guardare
alla costruzione di una relazione a lungo termine con i clienti per continuare a fare affari.
Questa ricerca si colloca nel contesto del Qatar, il paese più ricco del mondo in termini di PIL pro capite e ha
registrato un tasso di crescita medio del 2,9% del PIL dal 2004 al 2017 (Trading Economies, 2018).
Il Qatar è interessato alle strategie di pricing e non-pricing che portano all’ottenimento di un vantaggio
competitivo nel business.
L’obiettivo di questa ricerca è quello di indagare le relazioni tra strategie di pricing e non-pricing sulla
performance di revenue management e l’influenza della performance di revenue management sul vantaggio
competitivo del business.
Per raggiungere questo scopo, sono stati sviluppati i seguenti obiettivi:
1) Identificare le dimensioni che costituiscono le strategie di pricing e di non-pricing che possono avere
una relazione con il revenue management nel contesto dell'industria dell'ospitalità
2) Sviluppare un modello ipotetico che colleghi le prestazioni di revenue management alle dimensioni
delle strategie di pricing e non-pricing e al vantaggio competitivo
3) Ottenere prove empiriche delle interrelazioni tra le dimensioni dei suddetti costrutti di ricerca qui
sopra.
4) Trarre implicazioni sotto forma di suggerimenti per i manager strategici degli hotel per migliorare le
prestazioni del revenue management.

Crystal ha identificato due aspetti principali che devono essere presi in considerazione per misurare le
prestazioni della gestione dei ricavi:
- Le capacità tecniche, le quali comprendono i domini di mercato, il prezzo, la previsione, la
pianificazione della capacità e il supporto informatico.
- Le capacità di supporto sociale, che si concentrano sull’organizzazione, sugli incentivi e
sull’apprendimento.
Tso e Law (2005) ritengono che il pricing sia uno strumento nelle mani dei manager finanziari: il prezzo delle
camere di un hotel può essere manipolato dai manager in base alle dimensioni dell’hotel in termini di
dipendenti e spazio, alla reputazione, al posizionamento sul mercato e alla capacità di soddisfare le esigenze
dei clienti, alla posizione geografica, agli anni di esistenza, alla stagione, alla durata del soggiorno, ai giorni
della settimana e ai piani di sostenibilità a lungo termine dell’hotel.
Le varie strategie di pricing utilizzate negli hotel sono:
- demand based pricing
- cost based pricing
- market penetration pricing
- product bundle pricing
- optional product pricing
- psychological pricing
- promotional pricing
- captive product pricing (Ivanov, 2014).
Le strategie di non-pricing sono:
- gestione della capacità
- over contracting e booking
- garanzia di disponibilità delle camere e controllo della durata del soggiorno (Ivanov, 2014).

Il modello ipotetico ha stabilito i legami tra le prestazioni della gestione delle performance con le dimensioni
delle strategie di pricing e strategie di non-pricing e la conquista del vantaggio competitivo.
La domanda e il pricing hanno una relazione e la determinazione del prezzo in base alla domanda può
influenzare la performance dei ricavi.
I prezzi basati sulla domanda renderanno lo spazio funzionale ben organizzato, il contributo dei vari schemi
di ricavo nell’ambito di cibo e bevande, dei massaggi e della spa, dei dormitori, ecc. sarà ben definito; quindi,
ha il potenziale per migliorare le prestazioni di gestione dei ricavi.
Le condizioni di marketing in continua evoluzione, unite alla rapida crescita tecnologica, sono le condizioni
ideali per la determinazione dei prezzi basati sui costi negli hotel e per una migliore gestione dei ricavi.
Attraverso una strategia di penetrazione del mercato, il prezzo viene tenuto intenzionalmente più basso e si
può impedire ai nuovi concorrenti di entrare nel mercato: c’è la possibilità di catturare più clienti e quindi di
migliorare le prestazioni di gestione dei ricavi.
Il prezzo di scrematura del mercato ha lo scopo di applicare un prezzo elevato a un prodotto o un servizio, in
particolare durante il periodo di picco, in modo da ottenere un profitto elevato una produzione ridotta di
beni o servizi e quindi dovrebbe migliorare le prestazioni di revenue management.
De Toni et al., hanno collegato il prezzo dei prodotti opzionali alla redditività, in quanto il prodotto di base
sarà reso disponibile a un prezzo basso, mentre i suoi accessori saranno venduti a un prezzo più alto.
Una ricerca condotta su hotel in dieci città degli Stati Uniti ha dimostrato che il prezzo psicologico ha
aumentato i ricavi di una piccola quantità (0,54%), ma comunque oltre il 90% degli hotel lo utilizza.
Si ritiene che i clienti considerino il prezzo del prodotto sotto l’etichetta di prezzo psicologico come simbolo
di status e valore e che quindi promuovano meglio i prodotti e i servizi, in particolare se è associato a prodotti
e servizi per le vacanze.

Le strategie di non pricing si sono rivelate determinanti per il successo delle prestazioni di revenue
management nel settore alberghiero.
La gestione della capacità è la questione operativa chiave nel settore operativo nell'industria del tempo
libero, che controlla la soddisfazione dei clienti, la soddisfazione dei dipendenti e la redditività.
La gestione della capacità può trovare soluzioni creative, come l'utilizzo dell'atrio come cocktail lounge che
che aumenterà l'estetica e fornirà una migliore soddisfazione del cliente.
L’over contracting è una strategia di non-pricing ampiamente utilizzata negli hotel e ci si aspetta che aumenti
le entrate.
Il mantenimento delle camere d’albergo comporta un prezzo fisso elevato e un costo variabile basso, per cui
è fondamentale assicurarsi che il suo utilizzo sia sempre completo, il che raccomanda l’overbooking per
garantire la piena occupazione delle camere nonostante le probabili cancellazioni.
Il controllo della durata del soggiorno è una strategia non tariffaria raccomandata da un gruppo di autori per
migliorare le prestazioni del revenue management.

Si è sviluppato un questionario che prevedeva tre componenti distinte per la raccolta dei dati primari:
- dati demografici
- dati quantitativi attraverso una scala likert a 5 punti
- dati qualitativi attraverso domande aperte
Lo sviluppo e la validazione del questionario sono avvenuti attraverso uno studio pilota con un campione di
35 persone.
Questa ricerca è stata condotta in Qatar: il campione è costituito dai manager degli hotel a cinque stelle del
Qatar.

Dimensione Autore, anno Descrizione Articolo campione

Pricing strategies Barney (1991), Kimes Si tratta di una strategia Il mio hotel considera i
and Wirtz (2003), Ng adottata per definire il prezzo prezzi inferiori
(2007), Dolgui and dei prodotti e dei servizi rispetto a quello della
Proth (2010), Huimin offerti in un hotel tenendo conto concorrenza
and Hernandez degli obiettivi di revenue spesso.
(2011), Chon (2012), management, della
 Solntsev (2012), concorrenza del mercato e di
Rafiei et al. (2013), vari fattori di prezzo.
Noone et al. (2013),
Wang et al. (2015),
Enz et al. (2015),
Kotler (2015), Skripak
(2016), Xotels (2018).
Non - pricing Wilson (2001), Queste strategie si Il nostro albergo dispone
strategies Klassen and concentrano principalmente di meccanismi per
Rohleder (2002), sulla gestione delle scorte e si rispondere alle fluttuazioni
Davis and Heineke occupano del mantenimento della domanda.
(2005), Cross et al. della giusta quantità di risorse
(2009), Hwang and fisiche nell'hotel.
Wen (2009), Pullman
and Rodgers (2010),
Ivanov and Zhechev
(2012), Guo et al.
(2013), Ivanov
(2014), Dong and
Ling (2015), Onyango
(2016), Riasi et al.
(2017)
Competitive Withiam (1997), Si tratta di un vantaggio rispetto La nostra varietà di
advantage McGahan and Porter ai concorrenti nel business prodotti e servizi è molto
(1997), Walters et al., attraverso la differenziazione superiore a quelli dei
(2002), Crook et al., del prodotto o del servizio, nostri concorrenti.
(2003), Forgacs leadership di costo o
(2010); Willie et al. prestazioni superiori.
(2015).

È stata effettuata l’analisi fattoriale confermativa e il questionario originale di 76 item è stato ridotto a 36
item.
Del totale dei questionari ricevuti, 210 sono stati utilizzati per l'analisi, poiché i restanti erano incompleti.
La maggior parte degli intervistati è di sesso maschile (70,5%) e appartiene alla fascia di età compresa tra i
36 e i 45 anni (42,4%), seguita dalla fascia di età compresa tra i 46 e i 60 anni (22,4%).
Per quanto riguarda il titolo di studio, la maggior parte degli intervistati era laureata (40%) seguita da
diplomati (25,2%).
La maggior parte dei manager apparteneva al livello medio della gestione (70,5%).
In termini di esperienza, più della metà degli intervistati aveva più di 10 anni di esperienza (51%), seguiti da
quelli con 5-10 anni di esperienza (29%).

Il SEM ha indicato che le seguenti ipotesi sono state supportate 

Relazione tra le dimensioni delle strategie di pricing e performance di revenue management
o Il prezzo basato sulla domanda ha una relazione significativa con le prestazioni di gestione dei ricavi.
o La strategia di pricing dei prodotti opzionali ha una relazione significativa con la performance della
gestione dei ricavi.
o La strategia di pricing psicologico ha una relazione significativa con la performance di gestione dei
ricavi.
o La strategia di prezzo promozionale ha una relazione significativa con la performance di gestione dei
ricavi.
Relazione tra le dimensioni delle strategie di non-pricing e la performance di revenue management:
o La strategia di controllo della durata del soggiorno ha una relazione significativa con la performance
della gestione dei ricavi.
Relazione tra performance di gestione dei ricavi e l'acquisizione di un vantaggio competitivo sul mercato:
 o La performance della gestione dei ricavi ha una relazione significativa con vantaggio competitivo.

L’obiettivo del revenue management negli hotel è quello di fornire piani strategici che tengano conto della
redditività e che facciano coincidere le strategie di pricing e non-pricing in diverse condizioni di domanda e
offerta.
Di seguito sono riportate le implicazioni specifiche che i manager strategici dell’industria alberghiera del
Qatar devono considerare per ottenere un vantaggio competitivo sul mercato:
1) La performance del revenue management ha una relazione significativa con la conquista del
vantaggio competitivo sul mercato. Ciò implica che una gestione efficiente delle entrate è di primaria
importanza nel settore alberghiero per competere sul mercato.
2) I prezzi basati sulla domanda si sono rivelati una strategia di prezzo efficiente che può contribuire in
modo significativo alla conquista del vantaggio competitivo sul mercato.
Se le camere si riempiono velocemente durante il fine settimana, chiudere gli sconti e riempirli
aumenterebbe le entrate.
L’aggiunta di flessibilità sulle tariffe per tipo di camera sarà di grande aiuto: per esempio, i letti king
e le suite hanno un prezzo più alto delle normali camere doppie.
Durante la valutazione, si conoscerà la tariffa giornaliera media dell’anno precedente, che può
aiutare a prendere decisioni future in materia di prezzi.
3) Il prezzo dei prodotti opzionali ha una relazione significativa con le prestazioni di revenue
management.
Quando un ospite prenota una camera di hotel, lo scopo primario è quello di soggiornare per un
periodo di tempo predefinito e i servizi/prodotti accessori sono opzionali.
I manager strategici possono raggruppare questi prodotti e servizi e offrirli come prodotti opzionali
insieme al prodotto base a un prezzo molto ragionevole.
La camera può avere un prezzo basso, ma i servizi che i clienti considerano ad alto valore aggiunto
possono avere un prezzo più alto ed essere offerti come pacchetto.
4) La strategia di pricing psicologico ha una relazione significativa con la performance di revenue
management.
L’affinità dei clienti con i numeri interi, come l’importo risparmiato o lo sconto ottenuto, è degna di
considerazione nel settore alberghiero.
Si ritiene che i prezzi che terminano con i numeri dispari invoglino il cliente a contrattare, mentre
quelli che terminano con numeri pari denotano qualità.
Questi aspetti psicologici possono quindi fare la differenza nella fruizione dei servizi dell’hotel e i
manager strategici devono tenerli in considerazione durante la definizione dei prezzi.
5) La strategia di prezzo promozionale ha una relazione significativa con le performance di revenue
management.
I prezzi promozionali sono inferiori a quelli normali, ma spesso hanno l’intento di informare,
persuadere e influenzare la decisione del cliente e si rivelano gratificanti nel lungo periodo grazie al
valore aggiunto associato al cliente dopo aver sperimentato i servizi dell’hotel.
Questa strategia espone il cliente a nuovi prodotti e servizi dell’hotel e aiuta a costruire l’immagine
dell’hotel.
I manager strategici devono prendere decisioni basate sull’esperienza passata per quanto riguarda
la scelta dei prodotti o dei servizi che devono essere classificati come vendite promozionali.
I manager strategici devono essere sensibili all’elasticità del prezzo promozionale, che dipende da:
- I dati demografici dei clienti
- Il comportamento d’acquisto
- Le caratteristiche del mercato
- Le caratteristiche del marchio
- Le caratteristiche della categoria
- L’accuratezza dei dati
 6) Tra le strategie non tariffarie, il controllo della durata del soggiorno è risultato avere una relazione
significativa con le prestazioni di gestione dei ricavi.
Il controllo della durata del soggiorno può portare a una maggiore generazione di ricavi se gli ospiti
disposti a soggiornare più a lungo con costi ridotti possono essere accolti quando c’è disponibilità di
camere.
Per calcolare la prenotazione ottimale, i revenue manager devono adottare tecniche di simulazione
o calcoli basati sul prezzo ombra o sul nesting.
Il controllo della durata del soggiorno ha il vantaggio che facilita lo spostamento della domanda dal
periodo di tutto esaurito al periodo di inattività, inducendo l’ospite a soggiornare più a lungo di quello
che intende effettivamente fare.
Si deve prendere in considerazione un supporto tecnologico per effettuare misurazioni accurate della
durata del soggiorno in modo da aumentare la redditività.

La ricerca presenta alcuni limiti.

Innanzitutto, si tratta di un’analisi principalmente quantitativa e tutte le limitazioni dell’analisi statistica di
seconda generazione che utilizza il SEM sono applicabili a questa ricerca.
Si tratta di uno studio basato sulle percezioni che ha i suoi limiti metodologici.
Una possibile ricerca futura è quella di una modellazione e simulazione basata sulla dinamica di sistema,
attraverso la quale le variazioni nell’ottenimento del vantaggio competitivo negli affari possono essere
simulate per un determinato cambiamento introdotto nelle strategie di prezzo e no.

La previsione accurata della domanda è un elemento costitutivo delle decisioni strategiche di un hotel, in
quanto la sua accuratezza determina l’efficacia delle decisioni di ottimizzazione dei prezzi e dell’inventario
delle camere ed essa è fondamentale per le decisioni di revenue management degli hotel basate sui dati, ma
in un contesto di domanda senza precedenti causato dalla pandemia COVID-19 ha reso il processo di
previsione più difficile.
In questo studio, le curve di prenotazioni storiche sono raggruppate da un algoritmo di apprendimento
automatico che utilizza una modalità auto regressiva e il modello di pick-up additivo è utilizzato per
prevedere l’occupazione giornaliera fino a 8 settimane.
L’efficacia del nuovo approccio previsionale viene testata utilizzando i dati reali delle prenotazioni di tre hotel:
i risultati mostrano che le previsioni della domanda alberghiera sono più accurate quando sono generate a
livello di cluster per tutti gli orizzonti di previsione.
È stato studiato che riducendo l’errore di previsione del 25% è possibile aumentare le entrate delle
compagnie aeree del 1-2%.
Van Leeuwen e Koole nel 2022 hanno dimostrato che è possibile generare il 3-10% di ricavi in più per un hotel
utilizzando un modulo di ottimizzazione dei prezzi basato sulle curve di domanda previste.
Le restrizioni ai viaggi e le chiusure forzate dovute al COVID-19 hanno pesato molto sulla domanda e sui ricavi
degli hotel di tutto il mondo; perciò, i dati storici hanno perso valore e le previsioni sono diventate ancora
più complesse.
Alcune soluzioni di revenue management presenti sul mercato affermano che il machine learning è stato
applicato al loro sistema, ma i modelli della maggior parte dei Revenue Management System sono ancora
basati principalmente su modelli di previsione combinati che utilizzano record di prenotazione storici e dati
prenotazione avanzati.
Schwartz e Hiemstra si sono concentrati sulla forma delle curve di prenotazione passate per gli hotel e hanno
scoperto che il modello di somiglianza delle curve è molto più accurato dei tradizionali modelli di serie
temporali: il loro studio ha applicato una misura di dissimilarità per identificare le curve di prenotazione
passate con una forma simile, il modello poi è stato testato con 10 orizzonti di previsione che vanno da 1 a
99 giorni di anticipo per tre hotel negli Stati Uniti.
Si è seguito un approccio in tre fasi:
 1. Le curve di prenotazione storiche vengono raggruppate in base ai modelli delle curve di prenotazione
da un algoritmo di apprendimento automatico
2. Le curve di prenotazione raggruppate vengono utilizzate nel modello di pickup additivo per
prevedere l’occupazione giornaliera nel prossimo futuro
3. L’accuratezza degli approcci previsionali proposti viene valutata confrontando gli errori di previsione
del metodo tradizionale di previsione del pick-up.
I modelli tradizionali di previsione della domanda alberghiera utilizzano i dati storici delle prenotazioni
corrispondenti a ciascuna data di arrivo.
Ma l’industria alberghiera ha imparato che i dati storici relativi ai periodi di riferimento non sono più rilevanti
quando la volatilità e l’incertezza della domanda sono elevate.
Invece, questo studio ha calcolato il numero medio di prenotazioni da curve di prenotazione raggruppate,
invece delle curve di prenotazione dei periodi di riferimento.
Questo studio propone un metodo di previsione della domanda alberghiera che utilizza un approccio di
machine learning interpretabile, in modo da poter capire come è stata fatta una specifica previsione.
I risultati di questo studio aiuteranno i futuri studiosi a migliorare ulteriormente il nostro approccio
previsionale utilizzando un algoritmo di apprendimento automatico.

I ricercatori utilizzano i dati passati e attuali come input per fare previsioni informate che prevedono la
direzione delle tendenze future.
La maggior parte degli studi pubblicati che mirano a prevedere la domanda turistica hanno utilizzando metodi
quantitativi dominati da modelli di serie temporali e econometrici.
I modelli di serie temporali si concentrano sulla previsione del percorso futuro di una variabile di interesse
rispetto al suo storico e a un termine di disturbo casuale, mentre i modelli econometrici cercano di
identificare le relazioni causali tra la variabile della domanda turistica e i fattori che la influenzano, al fine di
prevedere con precisione la domanda turistica.
La previsione della domanda alberghiera non può essere parallela a quella della domanda turistica, perché
gli ospiti degli alberghi non sono solo turisti.
I modelli di prenotazione avanzati (modelli di pick-up, modelli econometrici di prenotazione avanzati) sono
utilizzati per previsioni a breve termine orientate alla gestione dei ricavi.
I modelli di pick-up utilizzano i dati storici delle prenotazioni corrispondenti a ciascuna data di arrivo e la
letteratura precedente ha rilevato che la selezione di tali dati (i periodi di trailing) è fondamentale per la
previsione della domanda alberghiera.
La combinazione di fonti di big data può migliorare l’accuratezza delle previsioni, soprattutto quando la
variazione della domanda è elevata.
Utilizzando serie temporali reali di quattro hotel situati negli USA, hanno concluso che due modelli LSTM di
apprendimento profondo superano una serie di algoritmi di apprendimento automatico nella maggior parte
dei casi.
Assaf e Tsionas hanno proposto due modelli auto regressivi vettoriali non lineari e una loro estensione con
l’utilizzo di reti neurali per rendere i modelli più flessibili: questo nuovo approccio ha migliorato l’accuratezza
delle previsioni mensili dei tassi di occupazione degli hotel appartenenti allo stesso set competitivo.
Recentemente è stata disaggregata la domanda alberghiera in diverse categorie, al fine di migliorare
l’accuratezza delle previsioni: il momento della prenotazione, il tempo e la durata del soggiorno, il tipo di
camera.
I due approcci previsionali disaggregati possono produrre previsioni più affidabili rispetto agli approcci
aggregati quando la domanda è stabile, ma la loro accuratezza previsionale non può essere garantita quando
l’incertezza della domanda è elevata a casa di uno shock esterno improvviso.
I dati utilizzati in questa ricerca sono i dati reali delle prenotazioni di tre alberghi per tre anni consecutivi
(2018-2020).
Al fine di verificare l'efficacia dell'approccio proposto per gli hotel che si rivolgono a diversi mercati, sono
stati selezionati tre hotel in località distinte, ad esempio:
 - destinazione turistica stagionale
- destinazione turistica per tutte le stagioni
- grande città
L′Hotel 1 è una struttura a tre stelle con 32 camere situata all’Isola D′Elba, aperto solo da aprile a metà
ottobre, con clientela leisure. L'Hotel 2 è una struttura a quattro stelle con 47 camere a Nizza (Francia),
mentre l'Hotel 3 è una struttura a quattro stelle con 26 camere a Parigi (Francia).

Le informazioni memorizzate in ogni record di prenotazione comprendono:

- la data di prenotazione
- la data di arrivo
- la durata del soggiorno (LOS)
- la tariffa della camera
- il numero di camere prenotate

Questo studio mira a prevedere la domanda giornaliera degli hotel identificando modelli di prenotazione
simili nelle curve storiche delle prenotazioni giornaliere utilizzando un algoritmo di apprendimento
automatico, in cui i metodi di prelievo sono stati utilizzati a livello disaggregato.
I metodi di ricerca utilizzati sono due:
1) analisi dei cluster per identificare i segmenti di date di soggiorno con un modello di prenotazione
simile (ovvero la forma della curva di prenotazione)
2) le previsioni di occupazione giornaliera, generate in ogni cluster utilizzando il modello additivo di
prelievo. La qualità delle previsioni viene valutata utilizzando le tradizionali misure di previsione
dell’accuratezza e confrontata con quelle del metodo di prelievo tradizionale.

È stata eseguita un’analisi di cluster per identificare i segmenti di date di soggiorno (giorni di calendario) per
ogni hotel. Le tecniche di clustering appartengono al vasto campo dell’apprendimento automatico non
supervisionato, che è l’insieme dei metodi computazionali volti a classificare i dati basandosi solo sulle
caratteristiche dei dati stessi.
Il clustering è computazionalmente molto veloce e può funzionare correttamente anche con insiemi di dati
relativamente piccoli.
La segmentazione guidata dai dati si è basata sui dati forniti dalle curve di prenotazione per ogni data di
soggiorno in un arco temporale di tre anni.
È stata utilizzata una procedura gerarchica che utilizza il metodo di Ward e la distanza euclidea al quadrato
come misura di similarità.
Secondo il metodo di Ward, ad ogni passo della costruzione agglomerativa del dendrogramma, si uniscono i
gruppi dalla cui “fusione” deriva il minimo incremento possibile della devianza “entro”.
Il numero di cluster può essere regolato dalla soglia della distanza di Ward per bilanciare l’omogeneità delle
curve all’interno di ciascun cluster e la portabilità dei risultati.

Abbiamo calcolato le funzioni di correlazione, e così è possibile fare previsioni sull’occupazione delle camere
in ogni cluster.

Dove 
c: indice del cluster
ri(t): numero di camere occupate per la data di soggiorno i misurata con t giorni di anticipo
ri(0): numero effettivo di camere occupate
e le somme sono eseguite su tutte le date appartenenti al cluster c.
Questa funzione quantifica in che misura l’informazione sull’occupazione al momento 0 è disponibile con t
giorni di anticipo in ogni cluster.

I modelli di previsione rientrano in tre categorie: modelli di prenotazione storici, modelli di prenotazione
avanzati e modelli combinati.
I modelli di prenotazione storica riguardano solo il numero finale di camere occupate o di arrivi per ogni
giorno di permanenza nel passato; i modelli di prenotazione avanzati riflettono l’andamento prenotazioni
nell’arco di un orizzonte di prenotazione per un determinato giorno di soggiorno nel futuro; infine, i modelli
combinati utilizzano sia i modelli di prenotazione storici che quelli avanzati, applicando una media ponderata
o una regressione, per produrre previsioni.
I modelli di prenotazione avanzati utilizzano un approccio in due fasi per generare previsioni del numero di
camere occupate nelle date di soggiorno future. In primo luogo, questi modelli prevedono le prenotazioni
giornaliere attese fino a un momento futuro (giorni di soggiorno) sulla base di un modello giornaliero noto di
prenotazioni che si sono verificate nel recente passato in ciascun periodo di riferimento.
In secondo luogo, una previsione del numero di camere occupate per ogni data futura fino al giorno di
soggiorno si ottiene quindi sommando il numero di camere occupate in base alle prenotazioni in essere fino
al giorno di lettura corrente con le previsioni giornaliere delle prenotazioni future.
I metodi di prelievo additivi presuppongono che il numero di prenotazioni in corso sia indipendente dal
numero di camere che saranno prenotate in seguito; i metodi di prelievo moltiplicativo presuppongono che
le prenotazioni future siano positivamente correlate con l’attuale livello di prenotazioni disponibili.

L’accuratezza degli approcci previsionali alternativi viene valutata utilizzando le seguenti sette misure:
1. Errore quadratico medio (MSE)
2. Errore assoluto medio (MAE)
3. Errore quadratico medio radicale (RMSE)
4. Errore quadratico medio (RMSE)
5. Errore percentuale assoluto medio (MAPE)
6. Errore percentuale assoluto medio simmetrico (sMAPE)
7. Errore percentuale assoluto mediano (MdAPE).

I dendogrammi rivelano diversi processi di agglomerazione per ciascun hotel.

Le curve di prenotazione di ogni cluster di ciascun hotel hanno comportamenti diversi, rivelando che ci sono
gruppi di date di soggiorno che ricevono la maggior parte delle prenotazioni con molti giorni di anticipo,
mentre altri gruppi ricevono prenotazioni con pochi giorni di anticipo o per l’intera durata del soggiorno, o
per tutto l’orizzonte di prenotazione.
Sulla base di questi risultati, sosteniamo che i modelli di previsione della domanda alberghiera dovrebbero
essere applicati a livello di cluster, perché le previsioni delle prenotazioni future si baseranno solo su dati
storici di date di soggiorno con un comportamento simile alla data di previsione target.

Nel profilo di ciascun cluster, vengono utilizzate le seguenti variabili:

- tasso di occupazione giornaliero
- LOS medio
- tariffa media della camera
- finestra media di prenotazione

È possibile prevedere in anticipo il numero di camere occupate in una determinata data dalle informazioni
contenute nella serie temporale.
Si può quantificare la possibilità di conoscere l’occupazione di un hotel con t giorni di anticipo con la funzione
di correlazione g(t).
Quando g(t) assume valori prossimi a 1, significa che in quel momento è possibile prevedere con un’elevata
confidenza l’occupazione al tempo 0 (al momento attuale); quando g(t) è prossimo a 0 significa che in quel
momento non ci sono informazioni disponibili per prevedere l’occupazione al tempo 0.
È possibile, quindi, fare previsioni accurate per tutte le date di tutti i cluster con almeno un mese di anticipo.
Sebbene i guadagni di accuratezza non siano uniformi lungo l’orizzonte di previsione né tra gli hotel, i risultati
di questo studio mostrano che le previsioni basate sui cluster tendono a superare le previsioni convenzionali
basate sul metodo del prelievo additivo.
Il presente studio propone un nuovo approccio per la previsione della domanda alberghiera giornaliera
raggruppando le curve di prenotazione storiche indipendentemente dai periodi e combinandole in
informazioni sulle prenotazioni anticipate utilizzando l’AI.
L’approccio proposto mira a migliorare l’accuratezza delle previsioni utilizzando solo i dati di date di
soggiorno simili (cioè, appartenenti allo stesso cluster) per generare le previsioni.
Questo nuovo approccio previsionale è stato testato con dati reali di prenotazione di tre hotel e ha
dimostrato che l’utilizzo di curve di prenotazione raggruppate può migliorare l’accuratezza delle previsioni di
occupazione per gli hotel.
Questo studio ha contribuito al corpus di conoscenze sulla previsione della domanda alberghiera proponendo
un nuovo approccio per l’utilizzo dei dati storici, ossia il raggruppamento delle curve di prenotazione.

L’indagine ha adottato un processo in due fasi per la previsione della domanda alberghiera 
1) le date di arrivo vengono segmentate in base alle loro curve di prenotazione, utilizzando un algoritmo
di clustering
2) le previsioni della domanda alberghiera giornaliera sono previste utilizzando il metodo del pick-up
additivo

E’ stato ipotizzato che gli oggetti (ad esempio, le date di soggiorno) con un comportamento di prenotazione
simile, siano allocati nello stesso cluster, in cui prevale un’omogeneità interna, ed è eterogeneo se
confrontato con gli altri cluster.
I risultati dimostrano che questo approccio supera quello tradizionale, che prevede l’utilizzo di tutte le
prenotazioni disponibili in ogni giorno prima dell’arrivo, per prevedere l’occupazione giornaliera dell’hotel
nella maggior parte degli orizzonti di prenotazione fino a 8 settimane.
Le curve di prenotazione durante la pandemia COVID-19 erano chiaramente diverse da quelle precedenti la
pandemia.
Questo risultato spiega perché i modelli di previsione tradizionali non possono funzionare bene quando la
domanda è altamente incerta.
La ricerca futura potrebbe esplorare come migliorare le previsioni in una situazione non stazionaria
utilizzando vari strumenti di Machine Learning ed esplorando approcci di clustering dinamico.
Il Machine Learning è un sottoinsieme dell’intelligenza artificiale che si occupa di creare sistemi che
apprendono o migliorano le performance in base ai dati che utilizzano.
Infine, la previsione del cluster di appartenenza di ogni giorno di soggiorno, in una fase iniziale della curva di
prenotazione di ogni giorno, è una linea di ricerca interessante perché sarebbe possibile migliorare
l’accuratezza della previsione, nonché esplorare un modello di regressione per prevedere la domanda
alberghiera.