La previsión a 90 días que elaboraste el lunes ya es errónea el martes por la mañana. La pregunta que hay que plantearse no es si la previsión era errónea, sino en qué medida lo era, de dónde procedía el error y si te darías cuenta siquiera si se duplicara. Para la mayoría de los hoteles independientes que auditamos, la respuesta a la tercera pregunta es no, y ese es el verdadero problema que este artículo intenta resolver.
La previsión de la demanda es la disciplina más antigua de la gestión de ingresos hoteleros y la que presenta una mayor discrepancia entre lo que la literatura académica dice que funciona y lo que los hoteles hacen realmente un martes por la mañana. La literatura es abundante, el panorama de proveedores es ruidoso y la práctica sobre el terreno se basa principalmente en hojas de cálculo, corazonadas y una visita trimestral de un consultor que se ha dejado la presentación en casa. Este artículo es una lectura práctica, documentada y con opiniones propias sobre los métodos que realmente funcionan con datos a escala hotelera, los cuatro modos de fallo que echan por tierra todas las previsiones hoteleras, las propuestas de los proveedores que vale la pena rechazar y un plan de 90 días que un solo gestor de ingresos puede llevar a cabo internamente.
El estado de la previsión de la demanda hotelera en 2026
Menos del diez por ciento de los hoteles independientes utilizan un sistema de gestión de ingresos específico en 2026. La encuesta del sector realizada por Skift Research sitúa la cifra en el veintiocho por ciento para el conjunto de los hoteles, cifra que cae al diez por ciento si se excluyen las herramientas gratuitas como Expedia Rev+ y se cuentan únicamente los establecimientos que pagan por tecnología RMS avanzada. El resto realiza sus previsiones en una hoja de cálculo, en un informe de un consultor, o no las realiza en absoluto.
Las cifras europeas cuentan la misma historia, pero con mayor nitidez. El estudio de Roland Schegg de 2025, realizado entre más de 1.500 hoteles de Austria, Francia, Alemania, Grecia, Italia y Suiza, reveló que solo el 44 % de los establecimientos cuenta con una estrategia formal de gestión de ingresos. De ese subconjunto, el 44 % utiliza un RMS específico, el 33 % sigue dependiendo de Excel y el 20 % subcontrata a consultores externos. El 75 % de esos hoteles utiliza un PMS y el 63 % utiliza un gestor de canales. La adopción del RMS va a la zaga de ambas capas fundamentales en entre veinte y treinta puntos porcentuales.
Lo que queda por aprovechar es cuantificable. Un estudio de la Escuela de Administración Hotelera de Cornell reveló que los hoteles que implementaron un RMS experimentaron un aumento del RevPAR de entre el 4,5 % y el 7,5 %. La propia evaluación comparativa de HSMAI sitúa la cifra en un 6,5 % en comparación con los no usuarios, con hasta un 15 % para los hoteles que implementan un RMS por primera vez. Para un establecimiento de cincuenta habitaciones con un ADR de ciento ochenta euros y una ocupación del sesenta y cinco por ciento, un seis por ciento de RevPAR supone la diferencia entre aproximadamente 2 013 000 y 2 135 000 euros de ingresos por habitaciones al año, sin contar el aumento en F&B y servicios complementarios.
La objeción del coste se ha debilitado. Los planes de entrada de RoomPriceGenie ahora empiezan en 119 euros al mes. Atomize, Pricepoint, BeonPrice y varios otros se sitúan en la misma franja. Las verdaderas barreras para la adopción se han desplazado hacia la inercia de los operadores, el miedo a automatizar las decisiones sobre tarifas y la sospecha justificada de que la demostración del proveedor no es el producto. Cada una de ellas es real. Ninguna de ellas justifica la brecha. Este artículo parte de la base de que el operador ha decidido que la previsión es importante y ahora quiere saber con franqueza qué hacer al respecto.
Qué significa realmente una previsión de la demanda hotelera
Detrás de una previsión de la demanda hotelera hay tres decisiones operativas y cada una de ellas impone diferentes requisitos al modelo subyacente.
La primera es la fijación de precios. Se pronostica la demanda sin restricciones para una noche futura para poder decidir si abrir o cerrar tarifas, impulsar el BAR, eliminar las restricciones de duración de la estancia o abrir tarifas negociadas para llenar la ocupación. Las decisiones de fijación de precios son sensibles a pequeños cambios en la ocupación esperada a 14, 7 y 3 días vista.
La segunda es el inventario. Se pronostica la demanda por tipo de habitación y segmento para poder decidir si se sobrevende, se reservan habitaciones para un bloque de grupo, se acepta una serie de viajes organizados o se cierra un canal. Las decisiones sobre el inventario son más sensibles a la composición de los segmentos que al volumen total.
El tercero es la asignación de recursos. Se pronostican la ocupación, las llegadas y las salidas para que el director general pueda dotar de personal al equipo de limpieza, el equipo de restauración pueda hacer los pedidos y la recepción pueda elaborar los turnos. Las decisiones sobre recursos son sensibles a la ocupación absoluta y al número de llegadas, no al ADR.
Una previsión que acierta en la ocupación total pero se equivoca en la combinación de segmentos ayuda a la fijación de precios y perjudica al inventario. Una previsión que acierta en los próximos 7 días pero se equivoca en los próximos 90 días ayuda al director general y perjudica al equipo de ventas. La primera conversación práctica que debe tener dentro del hotel es sobre cuál de estas tres decisiones va a optimizar la previsión, ya que no hay un único modelo que sea el mejor para las tres.
Los horizontes son importantes por la misma razón. La literatura divide la previsión de la demanda hotelera en corto plazo (de cero a treinta días), medio plazo (de treinta a noventa días) y largo plazo (de noventa días al presupuesto). Diferentes métodos dan mejores resultados en diferentes horizontes. El artículo de Ampountolas y Legg de 2024, publicado en el Journal of Revenue and Pricing Management, comparó cuatro métodos en horizontes de uno a noventa días en múltiples hoteles independientes de Estados Unidos e informó de que el alisamiento exponencial simple fue el más preciso en cuatro de los horizontes probados, mientras que XGBoost ganaba en otros siete casos concentrados en el extremo corto. Mismos datos, diferentes horizontes, diferente método ganador. Un hotel que utilice un único modelo para todo está dejando de lado la precisión en los horizontes para los que ese modelo no es adecuado.
Los siete métodos que encontrará
Siete familias de métodos cubren el noventa y cinco por ciento de la práctica de previsión de la demanda hotelera en 2026. Cada uno tiene sus propios requisitos de datos, puntos fuertes y modos de fallo. Los proveedores le venderán uno como el mejor, hablando de los demás como obsoletos. La literatura revisada por pares no respalda ese planteamiento.
1. Métodos de recuperación (el caballo de batalla)
La previsión de pickup proyecta la ocupación futura por noches analizando lo que ya se ha reservado y extrapolando las habitaciones restantes sin reservar basándose en el ritmo histórico de reservas. Existen tres variantes.
La previsión avanzada asume que el patrón de ocupación desde las reservas confirmadas hasta las pernoctaciones es estable a lo largo de los años. Si el año pasado se ocuparon cuarenta habitaciones en los últimos catorce días de la misma semana, se asume que volverá a ocurrir lo mismo, ajustando la posición actual de las reservas confirmadas. Es fácil de implementar, intuitivo de explicar, pero ofrece malos resultados cuando cambia el plazo de reserva.
La recuperación delta proyecta el incremento a partir del mismo periodo del año anterior. Es menos sensible al volumen absoluto y más sensible a la evolución de la demanda interanual.
La recuperación combinada promedia múltiples variantes, normalmente con ponderaciones derivadas de la precisión de las pruebas retrospectivas continuas. La combinación supera sistemáticamente a los componentes en los índices de referencia publicados. Un artículo de 2023 en el Journal of Revenue and Pricing Management sobre el método de recuperación aditiva con elementos de series temporales se centró específicamente en hoteles de tamaño pequeño y mediano y descubrió que el enfoque combinado funciona mejor en horizontes más largos y en períodos de baja ocupación, donde la recuperación simple tiende a ser más errónea.
El «pickup» es el caballo de batalla por una razón. Utiliza datos que el hotel ya tiene (reservas confirmadas e historial). Funciona sin necesidad de conocimientos de aprendizaje automático. Las investigaciones publicadas lo consideran sistemáticamente eficaz para horizontes a corto y medio plazo. Si no tienes nada más, empieza por esto.
2. Series temporales (la referencia académica)
Los métodos de series temporales modelan la ocupación histórica como una secuencia con tendencia, estacionalidad y ruido. ARIMAEl suavizado exponencial, Holt-Winters y el modelo estacional ingenuo son las variantes canónicas.
Los concursos de Makridakis, que han evaluado métodos de previsión con datos reales desde 1982, concluyen sistemáticamente que los métodos estadísticamente sofisticados no producen necesariamente previsiones más precisas que los simples, y que las combinaciones de métodos superan en promedio a los métodos individuales. Esta conclusión se mantiene a lo largo de décadas, en muchos ámbitos y en los hoteles.
En el caso concreto de los hoteles, el suavizado exponencial en sus diversas formas (simple, Holt, Holt-Winters) es, sorprendentemente, la opción predeterminada más competente. Ampountolas y Legg concluyeron en su estudio de 2024 que el suavizado exponencial simple era el método único más preciso en múltiples horizontes. Ese es el tipo de conclusión que los proveedores de tecnología de ingresos no ponen en portada de sus folletos.
Los métodos de series temporales necesitan un historial limpio y no toleran bien las perturbaciones estructurales. El periodo de 2020 a 2022 contaminó los datos históricos de la mayoría de los hoteles. El artículo de SME de 2023 aborda explícitamente cómo manejar esto: descartar por completo esos años, utilizar una variable ficticia de ruptura estructural o ampliar la recuperación aditiva con un componente de series temporales que sea más robusto ante las perturbaciones recientes. Ninguna de las respuestas es trivial.
3. Regresión y análisis multivariante
Los modelos de regresión predicen la demanda en función de factores específicos: día de la semana, plazo de reserva, temporada, indicador de eventos, clima, tarifa de la competencia, indicador de promoción de OTA, indicador de vacaciones escolares. El enfoque de factores específicos tiene la gran ventaja operativa de que se puede leer el modelo y decidir si los coeficientes tienen sentido.
La desventaja es que hay que elegir los factores. El modelo no es mejor que la ingeniería de características. La mayor parte de los trabajos publicados sobre regresión hotelera datan de 2010 a 2020, y la bibliografía de 2024 a 2026 ha avanzado considerablemente. La técnica sigue siendo práctica para hoteles con un calendario de eventos locales sólido, donde los eventos importan más que la estacionalidad, pero rara vez es el punto de partida recomendado para una nueva práctica de previsión en 2026.
4. Conjuntos de aprendizaje automático (el caballo de batalla con un título)
El gradient boosting (XGBoost, LightGBM, CatBoost), los bosques aleatorios y los métodos de conjuntos dominan ahora la literatura práctica sobre aprendizaje automático para la previsión hotelera.
Un artículo de 2022 publicado en Current Issues in Tourism comparó veintidós métodos y descubrió que los enfoques de aprendizaje automático reducían el error cuadrático medio hasta en un cincuenta y cuatro por ciento para las previsiones de 1 día y en un cuarenta y cinco por ciento para las de 14 días, en comparación con el alisamiento exponencial tradicional. Un artículo de Springer de 2025 publicado en el Journal of Revenue and Pricing Management comparó la regresión de refuerzo de gradientes con la regresión de vectores de soporte y reportó un RMSE normalizado de 0,044 frente a 0,055, una ventaja estrecha pero consistente para la GBR. Un artículo de Korea Science de 2024 combinó XGBoost con el agrupamiento DTW K-means para mejorar aún más la precisión mediante la combinación selectiva de un modelo global con modelos locales específicos para cada grupo de propiedades.
La lectura honesta de la bibliografía sobre conjuntos de modelos es coherente y poco halagüeña para el aprendizaje profundo: el refuerzo de gradientes sobre características diseñadas supera a métodos más complejos en conjuntos de datos del tamaño de un hotel en la mayoría de las comparativas publicadas. Los datos son demasiado pequeños para que las redes profundas aprendan los patrones que los métodos más simples ya están captando.
5. Aprendizaje profundo (el titular que no cumple con los datos hoteleros)
Las LSTM, los Transformers y otras arquitecturas profundas destacan en conjuntos de datos de series temporales grandes y complejos. Los hoteles no son grandes ni tienen el volumen que prefiere el aprendizaje profundo. Un hotel de 200 habitaciones con cinco años de historial tiene menos de 400 000 pernoctaciones de datos de entrenamiento. Eso es poco para los métodos profundos.
Un estudio conjunto de 2024 informó de que las arquitecturas LSTM bidireccionales obtenían puntuaciones R-cuadrado negativas con los datos hoteleros, lo que indicaba que el modelo no podía captar los patrones estacionales y sufría de sobreajuste. El mismo estudio reveló que un conjunto de Prophet más LightGBM más un conjunto de regresión Ridge superaba al LSTM en un 10,2 %. Este es el patrón típico para datos del tamaño de los de un hotel: los conjuntos bien ajustados superan a las redes profundas bien ajustadas.
El aprendizaje profundo resulta competitivo con datos hoteleros cuando se dispone de muchas propiedades (una cartera de más de cincuenta hoteles que entrenan un modelo con incrustaciones de propiedades) o de muchas señales adyacentes (precios de las OTA, tráfico web, volumen de búsquedas, tiempo) que la red profunda puede fusionar. La previsión de una sola propiedad con tres años de historial no es el régimen en el que la arquitectura justifica su complejidad.
6. Modelos fundacionales (el frente especulativo)
TimeGPT, Chronos, Lag-Llama, Moirai y la próxima ola de modelos base de series temporales entrenados en corpus diversos son reales y vale la pena conocerlos. Chronos, un modelo de investigación de Amazon lanzado en 2024, tokeniza los valores de las series temporales y aplica transformadores de la familia T5 para producir previsiones probabilísticas en modo zero-shot. Las comparativas publicadas sobre cuarenta y dos conjuntos de datos muestran que Chronos supera a los métodos especializados en los conjuntos de datos que ha visto durante el entrenamiento y produce un rendimiento zero-shot comparable o, en ocasiones, superior en nuevos conjuntos de datos. Chronos-2, lanzado en 2025, amplía esta ventaja.
La realidad para un hotelero en 2026: no existe ninguna comparación publicada y revisada por pares de Chronos o TimeGPT frente a modelos ajustados XGBoost sobre datos de demanda hotelera. Las comparativas existentes se refieren al comercio minorista, la energía, la meteorología y series temporales genéricas. Varios proveedores han comenzado a incorporar modelos base en sus pilas de predicción. Ninguno ha publicado aún comparativas de precisión independientes para datos hoteleros. La postura es plausible, pero no está demostrada.
Revisemos esto dentro de 24 a 36 meses. La tecnología avanza rápidamente, la literatura académica se está poniendo al día y la respuesta en 2028 puede ser diferente de la respuesta en 2026. A día de hoy, apostar el presupuesto de gestión de ingresos por un proveedor que da prioridad a los modelos base es comprar una tesis, no un resultado.
7. Referencias ingenuas (el control sorprendentemente competitivo)
La misma semana del año pasado. Media móvil de treinta días. Ratio entre la ocupación del año pasado y el ritmo actual. Estos métodos son los que toda previsión hotelera debe superar para justificar cualquier complejidad.
Las investigaciones publicadas coinciden en que los métodos ingenuos son más difíciles de superar de lo que cabría esperar, especialmente para hoteles con una estacionalidad estable y una variabilidad limitada de eventos. Una mejora del 1,5 al 3 % en el MAPE con respecto a una referencia ingenua es lo que se considera una previsión profesional de calidad media en los benchmarks publicados. Una mejora del 10 al 15 % es lo que se considera una previsión de alta calidad basada en datos con indicadores adelantados sólidos. Cualquiera que prometa una mejora del 30 al 50 % sin mostrarle la referencia que supera está tergiversando las cifras.
La disciplina de ejecutar una referencia ingenua junto con la previsión real es la herramienta de precisión más barata de la que dispone un gestor de ingresos. Si tu proveedor de cuatrocientos euros al mes no puede superar de forma consistente en un 5 % los datos de la misma semana del año anterior, estás pagando 4.800 euros al año por un gráfico a color.
Las comparaciones de métodos que más importan para un hotel independiente convergen en las mismas respuestas: el «pickup» es el caballo de batalla, el suavizado exponencial es el valor por defecto sorprendentemente competente, los conjuntos de «gradient boosting» ganan en el horizonte corto cuando se ajustan correctamente, y las combinaciones de métodos superan a los métodos individuales de media. El aprendizaje profundo no cumple las expectativas con los datos de hoteles de una sola propiedad. Los modelos de base son especulativamente interesantes y, desde un punto de vista pragmático, no están probados. Las bases de referencia ingenuas son el mínimo que toda previsión debe superar, y punto.
Las cuatro cosas que echan por tierra todas las previsiones hoteleras
Los métodos se debaten en las revistas especializadas. Los modos de fallo son universales. Cuatro problemas específicos echan por tierra casi todas las previsiones hoteleras según nuestra experiencia en auditorías, y las investigaciones publicadas respaldan cada uno de ellos.
1. Bloques de grupos
El negocio de grupos es la mayor distorsión en las previsiones de hoteles independientes. La investigación publicada sobre previsiones de grupos es antigua, pero la dinámica no ha cambiado. El artículo de Lee de 1999 en el Journal of the Operational Research Society sigue siendo el estudio de referencia y reportó errores porcentuales absolutos medios del cuarenta por ciento dos meses antes de la llegada, del treinta por ciento un mes antes de la llegada y del diez al quince por ciento el día de la llegada, con un sesgo positivo en todos los horizontes temporales. El sesgo positivo significa que la previsión sobreestima la demanda de grupos, lo que implica que el hotel retiene habitaciones que no necesita, lo que a su vez significa que los clientes ocasionales que las habrían ocupado fueron rechazados o enviados a la competencia.
«Wash» de grupo es el término específico. El factor de «wash» es el porcentaje de habitaciones reservadas en un bloque de grupo que no se ocuparán, debido a cancelaciones, ausencias o listas de alojamiento reducidas. Los hoteles que no realizan un seguimiento del «wash» por tipo de grupo (corporativo, ocio, bodas, deportes, asociaciones) realizarán sistemáticamente previsiones excesivas.
La solución práctica es realizar un seguimiento continuo del «wash» de los últimos doce meses por segmento de grupo, ajustando la previsión en función del «wash» neto, no bruto. Según nuestra experiencia en auditorías en Europa, el factor de «wash» para los grupos de bodas oscila entre el ocho y el doce por ciento. En el caso de los grupos corporativos, se sitúa más cerca del cuatro al ocho por ciento. Los grupos de asociaciones con contratos muy estrictos pueden llegar a tener un «wash» de tan solo entre el dos y el cuatro por ciento. Un establecimiento que aplique una hipótesis de «wash» universal se equivocará doce meses al año en al menos un segmento.
2. Contaminación por cancelaciones
Las tasas de cancelación se han mantenido elevadas por encima de las normas previas a la pandemia y la combinación de canales es importante. El Informe de Distribución Hotelera 2024 de D-EDGE reveló que las tasas de cancelación se han acercado a los niveles de 2019, pero siguen siendo altas. El análisis de SiteMinder de 125 millones de reservas en 2024 informó de tasas de cancelación globales por debajo del veinte por ciento y un plazo medio de reserva de treinta y dos días. La distribución por canales dentro de ese agregado es amplia: las reservas directas se cancelan en torno al 18 %, las reservas a través de OTA se cancelan entre el 40 % y el 50 %, y Booking.com, en concreto, registra más del 40 % de cancelaciones de ingresos en algunas muestras de D-EDGE.
Las previsiones que tratan las reservas brutas como señal de demanda sobreestimarán la tasa de cancelación. Las previsiones que tratan todos los canales como un bloque único sobreestimarán la demanda cuando aumente la proporción de OTA. La solución práctica es doble: separar las curvas de captación bruta y neta en el modelo de previsión, y segmentar por canal para que la propensión a la cancelación se traslade al segmento.
Un patrón de fallo específico: un hotel cambia la composición de canales de un 60 % directo a un 40 % directo en un periodo de doce meses. La propensión a la cancelación aumenta mecánicamente porque la proporción de OTA ha crecido. La previsión, entrenada con la antigua composición de canales, sobreestima la demanda neta y el hotel o bien retiene habitaciones que debería liberar, o bien fija precios por adelantado y pierde cuota de mercado. Vemos este patrón exacto con tanta frecuencia que merece un diagnóstico específico: la deriva de la previsión de la composición de canales.
3. Cambios en el plazo de reserva
La distribución del plazo de reserva se ha acortado tras la pandemia y sigue cambiando. Los datos de SiteMinder para 2024 sitúan el plazo medio de reserva global en treinta y dos días, por encima del mínimo de 2023 y muy por debajo de las normas anteriores a 2020. La variación dentro de la media es la parte interesante: las reservas con poca antelación (de cero a siete días) han crecido de forma desproporcionada, especialmente en el caso de las estancias de ocio.
Los modelos de ocupación calibrados sobre un plazo de reserva estable fallan cuando este cambia. La ocupación prevista a treinta días vista es ahora un indicador menos fiable de la ocupación por noches de estancia que en 2019, ya que ha aumentado la proporción de la demanda que reserva en un plazo inferior a treinta días. Una previsión que no recalibre la curva de ocupación al menos trimestralmente subestimará sistemáticamente la demanda y sobreestimará la ocupación ya prevista.
La solución práctica es la recalibración trimestral de la curva de ocupación, con curvas separadas por segmento si la combinación a nivel de segmento es significativa.
4. Desajuste del calendario
El cuarto fallo es el más evitable y el más embarazoso. Los eventos, las vacaciones, los periodos escolares, las festividades religiosas y los acontecimientos puntuales del mercado (una conferencia, una serie deportiva, un cambio en los horarios de vuelo) son los principales impulsores de la variación de la demanda de una semana a otra. Un modelo de previsión que no tenga estos factores codificados como variables omitirá sistemáticamente los picos.
Nuestra conclusión de la auditoría es que el hotel independiente típico incluye tres o cuatro eventos concretos en su hoja de cálculo de previsión y desconoce otros quince o veinte eventos que el modelo debería haber detectado. Hemos visto hoteles que se pierden el fin de semana de la maratón local porque el evento estaba en una base de datos de ventas pero no en la hoja de cálculo de previsión, con pérdidas previsibles de cinco cifras en euros en un solo fin de semana.
La solución práctica es un único calendario de referencia. Una fuente canónica en la que se introduzcan y fechen los eventos, los días festivos, los periodos escolares, los eventos de proveedores y los cambios puntuales del mercado. El modelo de previsión lo lee a partir de ahí. La mayoría de los productos PMS y RMS modernos ofrecen un calendario de eventos integrado. Si el suyo no lo hace, la intervención de ingresos más barata que puede llevar a cabo este trimestre es crear una hoja de cálculo compartida y dedicar al equipo de reservas una revisión semanal fija de quince minutos.
Lo que realmente marca la diferencia para un hotel independiente
Los cuatro motivos de fracaso mencionados anteriormente son universales. Las soluciones que realmente mejoran la precisión de las previsiones en un hotel independiente son sorprendentemente consistentes en todas nuestras auditorías. Por orden de esfuerzo:
1. Limpiar los datos de cancelación
Esta es la base. Todas las demás mejoras se construyen a partir de ella. El indicador de cancelación de su PMS debe separar de forma fiable las reservas canceladas, las ausencias y las modificaciones. El campo de motivo de cancelación debe estar habilitado y rellenado para cada cancelación. Las cancelaciones atribuidas a las OTA deben etiquetarse de forma distinta a las cancelaciones directas. La mayoría de las implementaciones de PMS independientes tienen al menos uno de estos tres elementos mal configurado. Auditamos entre doce y quince hoteles al trimestre y, por lo general, al menos ocho necesitan esta corrección antes de que merezca la pena realizar cualquier trabajo de previsión.
Coste: cero, se trata de un trabajo de configuración. Tiempo: de dos a cinco días de trabajo con la ayuda del proveedor del PMS. Impacto: todas las métricas posteriores pasan a ser fiables.
2. Realizar un seguimiento de la ocupación por intervalos de antelación y segmentos
La mayoría de las curvas de reservas se presentan como una sola cifra. Por ejemplo, registramos sesenta habitaciones en los últimos catorce días para un viernes típico de julio. La cifra es una media entre segmentos y plazos de reserva. La información que se pierde es más útil que la cifra que se ofrece.
La estructura de franjas que realmente funciona para un hotel independiente es de seis franjas de plazo de reserva (de cero a tres días, de cuatro a siete días, de ocho a catorce días, de quince a treinta días, de treinta y uno a sesenta días, más de sesenta y un días) y tres segmentos como mínimo (transitorios directos, transitorios OTA, grupos). Dieciocho curvas de ocupación que seguir, no una sola. Basta con una hoja de cálculo con una actualización semanal de las celdas para cada una. La granularidad revela dónde falla la previsión, información que no se puede obtener a partir de una única cifra media de ocupación.
3. Crea un cuadro de mando MAPE de 7/14/30/60/90 días
Sea cual sea el método con el que realice la previsión, debe conocer la precisión histórica en cada horizonte. El cuadro de mando MAPE es una hoja de cálculo que compara la previsión con los datos reales de los últimos doce meses en cinco horizontes (7 días, 14 días, 30 días, 60 días, 90 días) a nivel de ocupación total. Cada semana que vuelva a realizar la previsión, añada una fila.
La disciplina consiste en negarse a utilizar una previsión en cualquier decisión comercial hasta que se hayan acumulado doce semanas de datos en el cuadro de mando. El cuadro de mando responde a la pregunta «¿qué tan buena es mi previsión?» con una cifra en lugar de una sensación. La mayoría de los hoteles independientes que auditamos nunca han elaborado esta cifra. Los hoteles que sí la elaboran mejoran la precisión de sus previsiones entre un diez y un veinte por ciento en seis meses, simplemente gracias a la conciencia operativa de dónde falla el modelo.
Un punto de referencia razonable del MAPE para una previsión de calidad media en un hotel independiente de entre 50 y 200 habitaciones: un 8 % a 7 días, un 11 % a 14 días, un 15 % a 30 días, un 22 % a 60 días y un 28 % a 90 días. Si sus cifras se encuentran dentro de esos rangos, tiene una previsión sólida. Si duplica esas cifras en los mismos horizontes, algo específico falla y el marcador le indicará dónde.
4. Calibrar la ocupación de grupos
La suposición por defecto en la mayoría de los hoteles independientes es que un bloque de grupo confirmado se materializará al cien por cien de la lista de habitaciones. Los datos no respaldan eso y las investigaciones publicadas (Lee 1999, los informes técnicos de Duetto sobre la pérdida de grupos, los artículos de opinión de Hospitality Net de 2024 a 2025) lo dejan claro.
La solución práctica es un cálculo de «wash» móvil de doce meses por segmento de grupo, actualizado trimestralmente, y aplicado al bloque bruto como dato de entrada para la previsión. Entre un 6 % y un 12 % de «wash» para grupos de bodas. Entre un 4 % y un 8 % para grupos corporativos. Entre un 2 % y un 4 % para grupos de asociaciones con contratos muy estrictos. Tus propios datos refinarán estos rangos. El hecho objetivo es que calcular el «gross-of-wash» es el mayor error de previsión en la práctica de la gestión de ingresos de la mayoría de los hoteles independientes.
5. Cadencia de las nuevas previsiones
Reajuste diario de la previsión para los próximos 14 días. Reajuste semanal de la previsión para los próximos 30 a 90 días. Reajuste mensual de la previsión para los próximos 90 a 365 días. La cadencia no se trata de tener que revisar la previsión con tanta frecuencia, sino de detectar los cambios con la suficiente antelación para actuar en consecuencia.
Un gestor de ingresos que actualice mensualmente la previsión para los próximos 90 días detectará una desviación en la combinación de canales en el cuarto mes. Un gestor de ingresos que actualice semanalmente la previsión para los próximos 90 días la detectará en la quinta semana. La precisión de la previsión es idéntica, pero la rapidez en la toma de decisiones difiere en doce semanas. El impacto acumulado en los ingresos de doce semanas, con una variación del 5 % en el ADR en un hotel de 50 habitaciones, supone una cifra de cinco dígitos en euros cada trimestre.
La mayoría de los establecimientos independientes celebran una reunión de previsión mensual porque esa es la cadencia histórica heredada de los ciclos de información de los propietarios. La recomendación práctica es mantener la reunión mensual para la conversación sobre el presupuesto y añadir una revisión de la previsión de quince minutos el martes por la mañana para los horizontes de acción. Coste operativo: quince minutos a la semana. Beneficio operativo: cada desviación en la previsión se detecta en la cuarta semana en lugar de en el cuarto mes.
El panorama de proveedores (quién hace qué realmente)
Los premios HotelTech Awards 2025 clasificaron a Duetto en primer lugar, a RoomPriceGenie en segundo y a Atomize en tercero entre las sesenta y cinco soluciones de gestión de ingresos analizadas, con IDeaS posicionada como la segunda mejor opción para grandes empresas. El mercado se ha consolidado en torno a los precios para grandes empresas, el mercado medio y las pymes, y la elección de un hotel independiente depende más del rango de precios y del modelo operativo que de la precisión subyacente de las previsiones.
Empresas (Duetto, IDeaS)
GameChanger de Duetto e IDeaS G3 son los productos para grandes empresas dominantes. Ambos están consolidados, cuentan con sólidos módulos de evaluación de grupos, se integran con los principales sistemas PMS y tienen un precio que ronda las cuatro cifras al mes para un solo establecimiento. IDeaS utiliza análisis derivados de SAS con una trayectoria más larga. El posicionamiento de Duetto hace hincapié en la fijación de precios abierta en todos los segmentos y canales. Para un hotel independiente con menos de 200 habitaciones, ambos son excesivamente sofisticados y caros en relación con el valor operativo que aportan, lo cual no es una crítica a los productos, sino una valoración honesta de su idoneidad.
Pymes (RoomPriceGenie, Atomize, Pricepoint, BeonPrice)
El segmento del mercado medio y de las pymes es donde la elección se vuelve interesante para un hotel independiente. RoomPriceGenie, Atomize, Pricepoint y BeonPrice se sitúan todos en la franja de entre cien y quinientos euros al mes y todos utilizan una fijación de precios basada en el aprendizaje automático con previsiones de demanda integradas. Las diferencias operativas son prácticas: RoomPriceGenie es el que más automatiza (los cambios de precio se aplican sin intervención por defecto), Atomize requiere más supervisión por parte del usuario, Pricepoint tiene un fuerte enfoque en el mercado europeo, y BeonPrice tiene su origen en los mercados español y latinoamericano.
La precisión de las previsiones de estos proveedores rara vez se evalúa de forma independiente. Ninguno ha publicado cifras de MAPE revisadas por pares para sus propias previsiones. La demostración del proveedor te mostrará el panel de control. Los datos sobre si el panel de control es mejor que tu hoja de cálculo se obtendrán al ejecutar la previsión del proveedor junto con la tuya durante sesenta días y comparar ambas con los resultados reales. Insiste en esa prueba antes de firmar un contrato de varios años.
Módulos de previsión nativos del PMS (Cloudbeds Insights, Mews Demand Forecast)
Cloudbeds Insights y Mews han lanzado módulos de previsión nativos en 2024 y 2025 que tienen como objetivo ofrecer una previsión útil dentro del PMS para establecimientos que no desean añadir un RMS dedicado. La valoración honesta de estos es que son razonables para un hotel de menos de treinta habitaciones que necesita algo mejor que una hoja de cálculo, y que su precisión es inferior a la de un modelo ensamblado ajustado o un RMS dedicado para establecimientos de más de 100 habitaciones con un negocio de grupos complejo. Úselos como punto de partida, no como justificación para evitar un RMS específico a gran escala.
La afirmación de marketing sobre las previsiones con IA
Casi todos los proveedores de RMS comercializan ahora previsiones basadas en IA. Si se consulta la documentación técnica, el motor subyacente es casi siempre el gradient boosting (XGBoost o LightGBM lo más habitual) con una capa de ingeniería de características para eventos, plazos de entrega y canales. Se trata de una elección de ingeniería respetable y de lo que la literatura revisada por pares afirma que funciona para datos del tamaño de los de un hotel. La marca de IA es en gran medida precisa como etiqueta y en gran medida exagerada como diferenciación, ya que todos los proveedores serios de este segmento utilizan la misma familia de modelos.
Si un proveedor promociona una IA propia sin estar dispuesto a revelar la familia de modelos, el conjunto de características o la metodología de backtesting, lo que está comprando es marketing. Las preguntas honestas que debe plantear en una reunión de selección de proveedores son: ¿qué familia de modelos utiliza?, ¿qué características diseña?, ¿cuál es su MAPE declarado a 7, 14 y 30 días en un hotel independiente típico de 100 habitaciones?, y ¿puede compartir la metodología con la que se mide ese MAPE? Un proveedor que no esté dispuesto a responder a esas cuatro preguntas le está vendiendo una caja negra, y una caja negra en la gestión de ingresos es una caja negra en las decisiones más trascendentales que el hotel toma cada día.
Un plan interno de 90 días
El plan que se presenta a continuación parte de la base de un gestor de ingresos (o propietario) con acceso al PMS, una hoja de cálculo y aproximadamente una hora al día. Coste en efectivo: menos de 200 euros en total para herramientas opcionales. Resultado: una práctica de previsión operativa que supera la referencia de la misma semana del año anterior entre un diez y un veinte por ciento y proporciona la base para cualquier evaluación posterior de proveedores.
Días 1 a 14. Limpiar la base de datos. Auditar la configuración del PMS en cuanto a motivos de cancelación, indicadores de no presentación, atribución de canales y códigos de segmento. Corregir cualquier campo que falte o esté mal configurado. Recopilar veinticuatro meses de ocupación histórica y ADR por fecha, por segmento y por canal en una única hoja de cálculo. Identificar y etiquetar el periodo de la COVID (de marzo de 2020 a diciembre de 2022) como una ruptura estructural. Decida si excluirlo o incluirlo (el documento de SME de 2023 sugiere incluirlo como una ruptura etiquetada para hoteles con un historial corto). El resultado final es un conjunto de datos limpio, sin fechas faltantes ni estados de cancelación sin resolver.
Días 15 a 30. Crea el cuadro de mando del MAPE. En la hoja de cálculo, ejecuta una previsión simple comparada con la misma semana del año anterior para los últimos doce meses en cada horizonte (7, 14, 30, 60, 90 días). Calcule el MAPE para cada uno. Esta es su referencia. Todos los métodos que pruebe en adelante se compararán con esta. Añada una segunda pestaña para el seguimiento de los datos reales frente a los pronósticos. A partir de esta semana, registre el pronóstico en cada horizonte y el dato real cuando se produzca.
Días 31 a 45. Elabora las curvas de reservas. Calcula la curva de reservas en cada uno de los seis intervalos de plazo de reserva y los tres segmentos. El resultado son dieciocho curvas que muestran la media diaria de reservas por plazo de reserva restante. Guárdalas en una pestaña de referencia independiente. La primera vez que las elabores, los datos te sorprenderán. La mayoría de los hoteles independientes presentan un claro patrón de estacionalidad en la curva de plazo de reserva que nunca han visualizado explícitamente.
Días 46 a 60. Elabora la previsión combinada de reservas. Utiliza las curvas de reservas y la situación actual de reservas confirmadas para generar una previsión a futuro en cada uno de los cinco horizontes. Ejecuta esta previsión en paralelo con la línea de base simplista y la previsión de la misma semana del año anterior cada martes por la mañana. Anota ambas en el cuadro de mando. Tras cuatro semanas, calcula el aumento de la previsión combinada de reservas respecto a la línea de base simplista en cada horizonte.
Días 61 a 75. Añada el factor de ajuste de grupo y por segmento. Calcule el factor de ajuste de grupo de los últimos doce meses por segmento (bodas, empresas, asociaciones, ocio, viajes organizados). Aplique el factor de ajuste a las reservas brutas de grupo en la previsión como un ajuste neto del factor de ajuste. Realice un seguimiento del mismo aumento de la previsión con respecto a la versión anterior en el cuadro de mando. El ajuste de lavado por sí solo suele mejorar la previsión entre un tres y un cinco por ciento de MAPE en el horizonte de 30 a 60 días para propiedades con un negocio de grupos significativo.
Días 76 a 90. Decida sobre la cuestión del proveedor. Para el día 90, ya dispone de una práctica de previsión interna operativa con una precisión documentada. Ahora puede tomar una decisión sobre el proveedor basada en datos. Invite a dos proveedores de RMS a una prueba comparativa de 60 días. Cada proveedor entrega una previsión para cada uno de los cinco horizontes todos los martes por la mañana. Anote sus previsiones en el cuadro de mando. Tras 60 días, compare el MAPE de cada proveedor con su previsión interna en cada horizonte. La decisión será sencilla. Si el proveedor supera de forma constante su cifra interna lo suficiente como para justificar la cuota mensual, firme el contrato. Si no es así, mantenga el proceso interno y considere volver a evaluar la situación dentro de doce meses.
Esto es lo contrario de la selección típica de proveedores. La mayoría de los hoteles independientes evalúan a un proveedor en una demostración comparándolo con una referencia imaginaria. La recomendación es evaluar a un proveedor en una comparación directa con una referencia real. Los datos le dirán si merece la pena invertir.
Cómo gestiona Prostay la previsión de la demanda
El PMS de Prostay incluye un módulo de previsión nativo que se centra en la brecha operativa real de un hotel independiente de menos de 150 habitaciones. El modelo subyacente es un motor de captación combinado con una superposición de series temporales configurable (suavizado exponencial por defecto) y la opción de añadir una corrección de residuos basada en el gradient boosting una vez que el establecimiento tenga seis meses de datos limpios en el sistema.
Los campos de cancelación y atribución de canales están preconfigurados para admitir la previsión de forma nativa, por lo que la base de datos descrita anteriormente está lista desde el primer día, en lugar de requerir una auditoría de datos personalizada. El módulo de factor de lavado calcula automáticamente el lavado acumulado de doce meses por segmento de grupo una vez que se rellenan los códigos de segmento. El cuadro de mando del MAPE funciona como un panel de control continuo en lugar de una hoja de cálculo manual, con un aumento calculado automáticamente cada semana frente a la referencia de la misma semana del año anterior.
Los horizontes de 7/14/30/60/90 días se calculan diariamente y se muestran en el panel de ingresos. Las curvas de captación se visualizan para cada segmento y franja de plazo de entrega sin necesidad de trabajar manualmente en hojas de cálculo. El calendario de eventos es una fuente de registro única para las reservas, las ventas y el modelo de previsión, lo que elimina de raíz el riesgo de desajuste del calendario.
Para los establecimientos independientes que prefieren un RMS dedicado, Prostay se integra de forma nativa con RoomPriceGenie, Atomize y Duetto a través del gestor de canales estándar, lo que significa que los datos de previsión y las curvas de ocupación se exponen al RMS sin necesidad de un proyecto de integración independiente. La previsión nativa se posiciona como referencia en lugar de como sustituto. Cada establecimiento cuenta con una previsión desde el primer día, y la decisión de añadir un RMS dedicado se convierte en la evaluación comparativa descrita en el plan de 90 días.
Nada de esto quiere decir que Prostay sea la única forma de hacerlo. Un gestor de ingresos que utilice cualquier PMS moderno puede ejecutar el plan interno con esfuerzo. La observación práctica es que la base de datos, el cálculo de la curva de ocupación, el seguimiento de las cancelaciones y el cuadro de mando del MAPE suponen aproximadamente entre cuatro y seis semanas de trabajo específico por propiedad al año si se realizan manualmente. Una plataforma que los incluya de forma predeterminada elimina la carga operativa, por lo que el gestor de ingresos puede dedicar el tiempo a utilizar realmente la previsión en lugar de a elaborarla.
Conclusiones clave
La previsión es la disciplina más antigua de la gestión de ingresos hoteleros y la menos equipada en la práctica. Menos del diez por ciento de los hoteles independientes utilizan un RMS específico. Los datos de referencia de Cornell y HSMAI sugieren que se puede alcanzar un aumento del RevPAR de entre el 4,5 % y el 15 % en los establecimientos que aún no realizan previsiones de forma sistemática.
La lectura honesta de los métodos es que el «combined pickup» es el caballo de batalla, el suavizado exponencial es el valor por defecto sorprendentemente competente, los conjuntos de «gradient boosting» ganan en el horizonte corto cuando se ajustan adecuadamente, las líneas de base «naive» son más difíciles de superar de lo que los proveedores admiten, y las combinaciones de métodos superan sistemáticamente a los métodos individuales. El aprendizaje profundo no cumple las expectativas con los datos de hoteles de una sola propiedad. Los modelos de base son especulativamente interesantes y, desde un punto de vista pragmático, no están probados con datos hoteleros a fecha de 2026.
Los cuatro modos de fallo que echan por tierra todas las previsiones hoteleras son los bloques de grupo (Lee 1999, MAPE del 40 % a dos meses), la contaminación por cancelaciones (del 40 al 50 % en las OTA frente a alrededor del 18 % en las reservas directas, según SiteMinder y D-EDGE 2024), los cambios en el plazo de reserva (ventana de reserva media de SiteMinder 2024 de 32 días y acortándose) y la desalineación del calendario. Las soluciones son: limpiar los datos de cancelaciones, realizar un seguimiento de la ocupación por intervalos de antelación y segmentos, crear un cuadro de mando de MAPE de 7/14/30/60/90 días, calibrar la limpieza de grupos y volver a realizar previsiones con la cadencia que realmente requiere la toma de decisiones.
El panorama de proveedores se está consolidando en torno a Duetto e IDeaS en el sector empresarial, y RoomPriceGenie, Atomize, Pricepoint y BeonPrice en el de pymes, con previsiones nativas de PMS (Cloudbeds Insights, previsión de demanda de Mews) cubriendo el extremo del presupuesto. Casi todas las afirmaciones de IA de los proveedores se basan en el «gradient boosting» bajo el capó, lo cual es la elección de ingeniería correcta y un diferenciador engañoso. Haga a cualquier proveedor las cuatro preguntas de la sección de proveedores antes de firmar.
El plan interno de 90 días es el punto de partida recomendado. El coste en efectivo es inferior a 200 euros, el coste en tiempo es de una hora al día y el resultado es una línea de base cuantificada que convierte la decisión sobre el proveedor de una decisión de marketing en una decisión basada en datos. Prostay proporciona de forma predeterminada la previsión nativa y la base de datos, lo que elimina la carga operativa de crearla manualmente y libera al gestor de ingresos para que utilice realmente la previsión en lugar de producirla. Una demostración en vivo es la forma más rápida de ver si esa referencia se ajusta a cómo quieres operar realmente.
