Da tempo si stanno diffondendo sempre più le soluzioni di analisi data driven che orientano le strategie aziendali confermandole o aggiornandole, ma negli ultimi mesi con l’intelligenza artificiale la tendenza è a “sposare” il dato al punto di far fare alla Intelligenza Artificiale (AI) anche il pricing ( e in generale il marketing) in base all’analisi puntuale del momento.

Questo vale naturalmente per le vendite on.line in e.commerce e su piattaforma e in generale dove il prezzo ogni minuto è fatto dalla domanda e dall’offerta puntuale, ma il fenomeno tendenzialmente destinato a coinvolgere anche i tradizionali listini prezzi. Tutti quanti siamo infatti consci ormai come le speculazioni sulle materie prime siano figlie di modelli di analisi di dati e di comportamenti orientati dall’intelligenza artificiale che hanno creato il rally dei prezzi nel 2022, per esempio.

Un esempio semplice, poiché riguarda tutto noi come consumatori, è quello del settore dell’Ho.Re.Ca. in particolare delllospitalità alberghiera e hotellerie (e B&B) in cui i Property Management System (PMS), software che gestiscono tutti gli aspetti delle business operations di un hotel vengono usati come base dati per un confronto a consuntivo su come si sono sviluppati i prezzi in un dato periodo e in una data zona.

I dati di confronto sono disponibili come noto a grandi operatori on-line come Trivago, Hotel, Trip, Booking, e via dicendo e sono sempre più integrati, disponibili e acquisibili anche tramite apposite banche dati.

In questo primo caso, (un esempio è https://lybra.tech/it/ di Zucchetti) attraverso un’analisi di un dato periodo comparativa dei dati (anonimi) tra le strutture della zona e quella nostra, possiamo comprendere come abbiamo gestito il trade-off tra saturazione delle stanze e margine complessivo realizzato e gli errori che possiamo aver commesso nel fare ipotesi di princing e magari perdendo potenziali clienti.

La variabile “umana” di interpretazione dei dati e di scelta delle politiche è sempre salva poiché il rischio maggiore è quello di far perdere la fiducia a clienti storici che si conoscono tra loro che si ritrovano a pagare prezzi differenti nel medesimo periodo e comunque diversi da quelli dell’anno precedente, il che è davvero un rischio.

Un altro fattore molto importante è il fatto che l’orario è fondamentale nell’evoluzione del prezzo di giornata con il passare delle ore, sia in senso di offerte “last minute” per saturare le stanze sia al contrario per prenotazioni dell’ultimo momento causate dalla saturazione di altri alberghi. La soluzione potrebbe essere quella di avere un canale tradizionale per i clienti fidelizzati e lasciare all’intelligenza artificiale calcolare il prezzo speculativo per i clienti occasionali, quindi sempre in modo coerente.

Non è questo il caso invece di altri strumenti di intelligenza artificiale i quali (per esempio https://www.hbenchmark.com/) automaticamnete e in tempo reale calcolano e comunicano ai clienti online i prezzi sulla base dei dati di confronto (Benchmark) del momento, (ed è questo il caso in cui in una zona con un evento particolarmente affollato, troviamo il nostro hotel da 100 Euro in offerta a 5 o 6 volte tanto).

Anche sul canale analogico, cioè quotazioni fatte con intervento umano e comunque su richiesta senza rendere il prezzo pubblico, queste soluzioni aggressive data driven delle strategie di princing sono evidenti, e in particolare quando la quotazione della stanza cambia giorno per giorno su tutto il periodo di pernottamento, per cui se sono 3 giorni ci troviamo tre prezzi diversi per ogni giorno.

E’ evidente che queste ultime soluzioni sono in teoria utili a grandi strutture alberghiere di grandi città, con un mercato locale molto denso e dimensionato e grado di fedeltà dei clienti quasi nullo, mentre sono deleterie per hotel in zone turistiche, lontano dalle grandi città, con un numero limitato di concorrenti in zona, ma elevato come costo opportunità e quindi in concorrenza con altre zone turistiche o addirittura altre spese per lo svago.

L’algoritmo quindi costituisce comunque un rischio ed è sempre stato così, poiché negli anni ’80 l’avvento dei computer fu parte delle cause dei crolli delle borse del 1986 e 1989 a causa proprio della bolla speculativa provocata da acquisti e vendite “automatici” guidati da algoritmi impostati e non gestisti dall’uomo.

Inoltre, non è questo il tema dell’articolo presente, ma si rimanda agli studi sui rischi dei Big Data, della analisi predictive in cui l’algoritmo “impara” progressivamente dai dati, della natura del dato e di altri aspetti che rendono rischioso affidarsi a dati e numeri e farsi guidare da essii senza una interpretazione

Il settore degli Hotel possiamo dire che sia un po’ pioniere di un futuro data driven per le strategie sul mercato in particolare sui prezzi opportunistici? Sicuramente la cosa più importante in una strategia è porsi la domanda: chi sono io? Se la risposta non è “sono il leader di mercato”, allora c’è da riflettere molto sulla strategia di pricing o marketing data driven e scegliere di fare come il piccolo e medio albergatore: genero i dati a consuntivo, aggrego i dati del periodo delle strutture concorrenti e analizzo se e come per la parte della clientela occasionale ho massimizzato il margine (non la saturazione) e decido la tattica da usare contro i grandi concorrenti leader di mercato.

Sono le cosiddette strategie interstiziali: se volete parlarne il consulente è qui a disposizione!