Les prévisions à 90 jours que vous avez établies lundi sont déjà erronées dès le mardi matin. La question qui se pose réellement n’est pas de savoir si les prévisions étaient erronées, mais de quel ordre d’importance est l’erreur, d’où elle provient, et si vous vous en rendriez même compte si elle doublait. Pour la plupart des hôtels indépendants que nous auditons, la réponse à la troisième question est non, et c’est là le véritable problème que cet article tente de résoudre.
La prévision de la demande est la discipline la plus ancienne de la gestion des revenus hôteliers, et celle qui présente le plus grand écart entre ce que la littérature académique présente comme efficace et ce que les hôtels font réellement un mardi matin. La littérature est abondante, le paysage des fournisseurs est bruyant, et la pratique sur le terrain repose principalement sur des tableurs, l’intuition et la visite trimestrielle d’un consultant qui a laissé son dossier derrière lui. Cet article est une lecture pratique, documentée et sans concession sur les méthodes qui fonctionnent réellement avec des données à l’échelle d’un hôtel, les quatre modes d’échec qui font capoter toutes les prévisions hôtelières, les arguments de vente des fournisseurs qu’il vaut mieux refuser, et un plan de 90 jours qu’un seul responsable de la gestion des revenus peut mettre en œuvre en interne.
L'état des prévisions de la demande hôtelière en 2026
Moins de 10 % des hôtels indépendants utilisent un système dédié de gestion des revenus en 2026. L'enquête sectorielle de Skift Research estime ce chiffre à 28 % pour l'ensemble des hôtels, mais il tombe à 10 % si l'on exclut les outils gratuits comme Expedia Rev+ et que l'on ne compte que les établissements payant pour une technologie RMS avancée. La grande majorité restante effectue ses prévisions sur un tableur, via les livrables d'un consultant, ou pas du tout.
Les chiffres européens confirment cette tendance, avec des écarts encore plus marqués. L'étude de Roland Schegg de 2025, portant sur plus de 1 500 hôtels en Autriche, en France, en Allemagne, en Grèce, en Italie et en Suisse, a révélé que 44 % des établissements disposaient d'une stratégie formelle de gestion des revenus. Parmi ce sous-ensemble, 44 % utilisent un RMS dédié, 33 % s'appuient encore sur Excel et 20 % font appel à des consultants externes. 75 % de ces hôtels utilisent un PMS et 63 % un gestionnaire de canaux. L'adoption du RMS accuse un retard de 20 à 30 points de pourcentage par rapport à ces deux couches fondamentales.
Le potentiel inexploité est quantifiable. Une étude de la Cornell School of Hotel Administration a révélé que les hôtels ayant mis en place un RMS ont enregistré une hausse du RevPAR de 4,5 à 7,5 %. L'analyse comparative de HSMAI estime ce chiffre à 6,5 % par rapport aux non-utilisateurs, avec jusqu'à 15 % pour les hôtels déployant un RMS pour la première fois. Pour un établissement de cinquante chambres affichant un ADR de cent quatre-vingts euros et un taux d'occupation de soixante-cinq pour cent, une augmentation de six pour cent du RevPAR représente une différence de revenus annuels d'environ 2 013 000 à 2 135 000 euros, sans compter l'augmentation en aval des revenus de la restauration et des services annexes.
L'argument du coût a perdu de son poids. Les formules d'entrée de gamme de RoomPriceGenie commencent désormais à 119 euros par mois. Atomize, Pricepoint, BeonPrice et plusieurs autres se situent dans la même fourchette. Les véritables obstacles à l'adoption se sont déplacés vers l'inertie des exploitants, la crainte d'automatiser les décisions tarifaires et le soupçon justifié que la démo du fournisseur ne correspond pas au produit. Chacun de ces éléments est réel. Aucun d'entre eux ne justifie toutefois l'écart. Cet article part du principe que l'opérateur a décidé que les prévisions étaient importantes et souhaite désormais savoir honnêtement comment s'y prendre.
Ce que signifie réellement une prévision de la demande hôtelière
Trois décisions opérationnelles sous-tendent une prévision de la demande hôtelière, et chacune d'entre elles impose des exigences différentes au modèle sous-jacent.
La première concerne la tarification. Vous prévisionnez la demande sans contrainte pour une nuit future afin de pouvoir décider d’ouvrir ou de fermer les tarifs, de pousser le BAR, de supprimer les restrictions de durée de séjour ou d’ouvrir les tarifs négociés pour remplir les chambres. Les décisions de tarification sont sensibles aux moindres variations du taux d’occupation prévu à 14, 7 et 3 jours.
La deuxième concerne l'inventaire. Vous prévoyez la demande par type de chambre et par segment afin de décider s'il faut sur-vendre, réserver des chambres pour un bloc de groupe, accepter une série de circuits touristiques ou fermer un canal. Les décisions d'inventaire sont plus sensibles à la composition des segments qu'au volume total.
Le troisième est la gestion des ressources. Vous prévoyez le taux d'occupation, les arrivées et les départs afin que le directeur général puisse affecter le personnel d'entretien, que l'équipe de restauration puisse passer commande et que la réception puisse établir les plannings. Les décisions relatives aux ressources sont sensibles au taux d'occupation absolu et au nombre d'arrivées, et non au prix moyen par chambre (ADR).
Une prévision qui cerne correctement le taux d’occupation total mais se trompe sur la composition des segments aide la tarification et nuit à la gestion des stocks. Une prévision qui cerne correctement les 7 prochains jours mais se trompe sur les 90 prochains jours aide le directeur général et nuit à l’équipe commerciale. La première discussion concrète que vous devriez avoir au sein de l’hôtel porte sur la question de savoir laquelle de ces trois décisions la prévision va optimiser, car aucun modèle unique n’est le meilleur pour les trois à la fois.
Les horizons sont importants pour la même raison. La littérature segmente les prévisions de la demande hôtelière en prévisions à court terme (zéro à trente jours), à moyen terme (trente à quatre-vingt-dix jours) et à long terme (quatre-vingt-dix jours jusqu’au budget). Différentes méthodes s’avèrent efficaces selon les horizons. L’article d’Ampountolas et Legg publié en 2024 dans le Journal of Revenue and Pricing Management a comparé quatre méthodes sur des horizons allant de un à quatre-vingt-dix jours pour plusieurs hôtels indépendants aux États-Unis et a rapporté que le lissage exponentiel simple était le plus précis dans quatre des horizons testés, tandis que XGBoost s'est imposée dans sept autres cas, principalement sur les horizons courts. Mêmes données, horizons différents, méthode gagnante différente. Un hôtel qui utilise un seul modèle pour tout passe à côté de la précision pour les horizons auxquels ce modèle n'est pas adapté.
Les sept méthodes que vous rencontrerez
Sept familles de méthodes couvrent 95 % des pratiques de prévision de la demande hôtelière en 2026. Chacune a ses propres exigences en matière de données, ses points forts et ses modes de défaillance. Les fournisseurs vous vendront l'une d'entre elles comme étant la meilleure en présentant les autres comme obsolètes. La littérature évaluée par des pairs ne corrobore pas ce cadre de présentation.
1. Méthodes de rattrapage (le cheval de bataille)
La prévision par rattrapage projette le taux d'occupation futur en analysant les réservations déjà enregistrées et en extrapolant les chambres restantes non réservées sur la base du rythme historique des réservations. Il existe trois variantes.
La méthode avancée part du principe que le schéma de conversion des réservations en nuitées est stable d'une année à l'autre. Si l'année dernière vous avez enregistré quarante chambres au cours des quatorze derniers jours pour la même semaine, vous partez du principe que ce sera à nouveau le cas, en ajustant en fonction de la situation actuelle des réservations. Simple à mettre en œuvre, intuitive à expliquer, cette méthode donne de mauvais résultats lorsque la fenêtre de réservation change.
La méthode « delta » projette l'augmentation par rapport à la même période de l'année précédente. Moins sensible au volume absolu, elle est plus sensible à l'évolution de la demande d'une année sur l'autre.
La méthode combinée fait la moyenne de plusieurs variantes, généralement avec des pondérations dérivées de la précision des backtests glissants. Cette combinaison surpasse systématiquement les composantes dans les benchmarks publiés. Un article de 2023 publié dans le Journal of Revenue and Pricing Management sur la méthode additive de projection avec des éléments de séries chronologiques, qui ciblait spécifiquement les hôtels de taille moyenne, a montré que l’approche combinée était plus performante sur des horizons plus longs et pendant les périodes de faible occupation, où la projection naïve a tendance à se tromper le plus.
Le « pickup » est le cheval de bataille pour une bonne raison. Il utilise les données dont l’hôtel dispose déjà (réservations en cours et historique). Il fonctionne sans expertise en apprentissage automatique. Les recherches publiées le jugent systématiquement performant pour les horizons à court et moyen terme. Si vous n’avez rien d’autre, commencez par le mettre en place.
2. Séries chronologiques (la référence académique)
Les méthodes de séries chronologiques modélisent l'occupation historique comme une séquence comportant une tendance, une saisonnalité et du bruit. ARIMALe lissage exponentiel, la méthode de Holt-Winters et la méthode saisonnière naïve en sont les variantes canoniques.
Les concours Makridakis, qui évaluent les méthodes de prévision sur des données réelles depuis 1982, montrent systématiquement que les méthodes statistiquement sophistiquées ne produisent pas nécessairement des prévisions plus précises que les méthodes simples, et que les combinaisons de méthodes surpassent en moyenne les méthodes individuelles. Ce constat se vérifie sur plusieurs décennies, dans de nombreux domaines et pour les hôtels.
Pour les hôtels en particulier, le lissage exponentiel sous ses différentes formes (simple, Holt, Holt-Winters) est la méthode par défaut étonnamment performante. Dans leur étude de 2024, Ampountolas et Legg ont constaté que le lissage exponentiel simple était la méthode unique la plus précise sur plusieurs horizons. C'est le genre de conclusion que les fournisseurs de technologies de gestion des revenus ne mettent pas en avant dans leurs brochures.
Les méthodes de séries chronologiques ont besoin d'un historique propre et ne supportent pas les chocs structurels. La période 2020-2022 a contaminé les données historiques de la plupart des hôtels. L'article de la SME de 2023 aborde explicitement la manière de gérer cela : supprimer complètement ces années, utiliser une variable fictive de rupture structurelle, ou étendre la reprise additive avec une composante de série chronologique plus robuste face aux chocs récents. Aucune de ces solutions n'est anodine.
3. Régression et analyse multivariée
Les modèles de régression prédisent la demande en fonction de facteurs identifiés : jour de la semaine, délai de réservation, saison, indicateur d'événement, météo, tarif des concurrents, indicateur de promotion OTA, indicateur de vacances scolaires. L'approche par facteurs identifiés présente l'avantage opérationnel majeur de permettre de lire le modèle et de décider si les coefficients sont pertinents.
L'inconvénient est que vous devez choisir les facteurs. La qualité du modèle dépend de celle de l'ingénierie des caractéristiques. La plupart des travaux publiés sur la régression hôtelière datent de 2010 à 2020, et la littérature de 2024 à 2026 a largement évolué. Cette technique reste pratique pour les hôtels disposant d'un calendrier d'événements locaux bien rempli, où les événements importent davantage que la saisonnalité, mais elle est rarement le point de départ recommandé pour une nouvelle pratique de prévision en 2026.
4. Ensembles d'apprentissage automatique (le cheval de bataille diplômé)
Le gradient boosting (XGBoost, LightGBM, CatBoost), les forêts aléatoires et les méthodes d'ensemble dominent désormais la littérature pratique sur l'apprentissage automatique pour les prévisions hôtelières.
Un article publié en 2022 dans Current Issues in Tourism a comparé vingt-deux méthodes et a constaté que les approches d'apprentissage automatique réduisaient l'erreur quadratique moyenne (RMSE) jusqu'à 54 % pour les prévisions à 1 jour et 45 % pour les prévisions à 14 jours par rapport au lissage exponentiel traditionnel. Un article Springer de 2025 publié dans le Journal of Revenue and Pricing Management a comparé la régression par gradient boosting à la régression par vecteurs de support et a rapporté une RMSE normalisée de 0,044 contre 0,055, un avantage faible mais constant pour la GBR. Un article de 2024 publié dans Korea Science a combiné XGBoost le regroupement par la méthode des K-moyennes DTW pour améliorer encore la précision en combinant de manière sélective un modèle global avec des modèles locaux spécifiques à chaque cluster de propriétés.
Une lecture honnête de la littérature sur les ensembles de modèles est cohérente et peu flatteuse pour l'apprentissage profond : le gradient boosting sur des caractéristiques artificielles surpasse les méthodes plus complexes sur des ensembles de données de la taille d'un hôtel dans la plupart des benchmarks publiés. Les données sont trop restreintes pour que les réseaux profonds puissent apprendre les modèles que les méthodes plus simples capturent déjà.
5. Apprentissage profond (le titre qui ne tient pas ses promesses sur les données hôtelières)
Les LSTM, les Transformers et autres architectures profondes excellent sur des ensembles de données de séries chronologiques volumineux et complexes. Les hôtels ne sont ni volumineux ni, en termes de volume, adaptés au deep learning. Un hôtel de 200 chambres avec cinq ans d'historique dispose de moins de 400 000 nuitées de données d'entraînement. C'est un volume trop faible pour les méthodes profondes.
Une étude d'ensemble de 2024 a rapporté que les architectures LSTM bidirectionnelles présentaient des scores R-carré négatifs sur les données hôtelières, indiquant que le modèle ne parvenait pas à saisir les tendances saisonnières et souffrait de surapprentissage. La même étude a révélé qu'un ensemble Prophet plus LightGBM et Ridge surpasse le LSTM de 10,2 %. C'est le schéma typique pour les données d'échelle hôtelière : des ensembles bien réglés surpassent des réseaux profonds bien réglés.
L'apprentissage profond devient compétitif sur les données hôtelières lorsque l'on dispose soit de nombreux établissements (un portefeuille de plus de cinquante hôtels entraînant un modèle avec des embeddings d'établissements), soit de nombreux signaux adjacents (tarification OTA, trafic web, volume de recherche, météo) que le réseau profond peut fusionner. La prévision pour un seul établissement avec trois ans d'historique n'est pas le cas de figure où l'architecture justifie sa complexité.
6. Modèles de base (le front spéculatif)
TimeGPT, Chronos, Lag-Llama, Moirai et la prochaine vague de modèles de base pour séries chronologiques entraînés sur des corpus variés sont bien réels et méritent d'être connus. Chronos, un modèle de recherche d'Amazon publié en 2024, tokenise les valeurs des séries chronologiques et applique des transformateurs de la famille T5 pour produire des prévisions probabilistes en mode « zero-shot ». Les benchmarks publiés sur quarante-deux ensembles de données montrent que Chronos surpasse les méthodes spécialisées sur les ensembles de données qu'il a vus pendant l'entraînement et produit des performances « zero-shot » comparables, voire parfois supérieures, sur de nouveaux ensembles de données. Chronos-2, publié en 2025, renforce cette avance.
Le constat honnête pour un hôtelier en 2026 : il n'existe aucune comparaison publiée et évaluée par des pairs entre Chronos ou TimeGPT et des modèles optimisés XGBoost sur les données de demande hôtelière. Les benchmarks existants portent sur le commerce de détail, l'énergie, la météo et des séries chronologiques génériques. Plusieurs fournisseurs ont commencé à intégrer des modèles de base dans leurs piles de prévision. Aucun n'a encore publié de benchmarks de précision indépendants pour les données hôtelières. Cette position est plausible mais non prouvée.
Revenons-y dans 24 à 36 mois. La technologie évolue rapidement, la littérature académique rattrape son retard, et la réponse en 2028 pourrait être différente de celle de 2026. À l'heure actuelle, miser votre budget de gestion des revenus sur un fournisseur privilégiant les modèles de base revient à acheter une thèse, pas un résultat.
7. Références naïves (le contrôle étonnamment compétitif)
Même semaine de l'année précédente. Moyenne mobile sur trente jours. Taux d'occupation de l'année précédente multiplié par le rythme actuel. Ces méthodes sont ce que toute prévision hôtelière doit dépasser pour justifier sa complexité.
Les études publiées s’accordent à dire que les méthodes naïves sont plus difficiles à surpasser que prévu, en particulier pour les hôtels présentant une saisonnalité stable et une variabilité limitée des événements. Une amélioration de 1,5 à 3 % de l’erreur moyenne absolue (MAPE) par rapport à une référence naïve correspond à ce que l’on considère comme une prévision professionnelle de qualité moyenne dans les benchmarks publiés. Une amélioration de 10 à 15 % correspond à ce que l’on considère comme une prévision de haute qualité sur des données comportant des indicateurs avancés solides. Quiconque promet une amélioration de 30 à 50 % sans vous montrer la base de référence qu'il surpasse déforme les chiffres.
La discipline consistant à comparer une base de référence naïve aux prévisions réelles est l’outil de précision le moins coûteux dont dispose un gestionnaire de revenus. Si votre prestataire à 400 euros par mois ne parvient pas à dépasser de manière constante de 5 % les résultats de la même semaine de l’année précédente sur vos données, vous payez 4 800 euros par an pour un graphique en couleur.
Les comparaisons de méthodes qui comptent le plus pour un hôtel indépendant aboutissent aux mêmes conclusions : le « pickup » est le cheval de bataille, le lissage exponentiel est la valeur par défaut étonnamment performante, les ensembles de « gradient boosting » l'emportent à court terme lorsqu'ils sont correctement ajustés, et les combinaisons de méthodes surpassent en moyenne les méthodes individuelles. L'apprentissage profond ne tient pas ses promesses sur les données d'un seul établissement hôtelier. Les modèles de base sont intéressants d'un point de vue spéculatif, mais n'ont pas fait leurs preuves sur le plan pratique. Les références naïves constituent le seuil minimum que toute prévision doit franchir, point final.
Les quatre éléments qui font échouer toutes les prévisions hôtelières
Les méthodes font l'objet de débats dans les revues spécialisées. Les modes de défaillance sont universels. D'après notre expérience en matière d'audit, quatre problèmes spécifiques font échouer presque toutes les prévisions hôtelières, et les recherches publiées corroborent chacun d'entre eux.
1. Les réservations de groupe
L'activité de groupe est la plus grande source de distorsion dans les prévisions des hôtels indépendants. Les recherches publiées sur les prévisions de groupes sont anciennes, mais la dynamique n'a pas changé. L'article de Lee publié en 1999 dans le Journal of the Operational Research Society reste l'étude de référence et fait état d'erreurs absolues moyennes de quarante pour cent deux mois avant l'arrivée, de trente pour cent un mois avant l'arrivée, et de dix à quinze pour cent le jour de l'arrivée, avec un biais positif sur tous les horizons temporels. Un biais positif signifie que les prévisions surestiment la demande des groupes, ce qui signifie que l'hôtel conserve des chambres dont il n'a pas besoin, ce qui signifie que les clients de passage qui auraient pu les occuper ont été refusés ou redirigés vers un concurrent.
Le « wash » des groupes est le terme spécifique. Le facteur de wash correspond au pourcentage de chambres réservées dans un bloc de groupe qui ne seront pas occupées, en raison d’annulations, de non-présentations ou de listes de chambres réduites. Les hôtels qui ne suivent pas le wash par type de groupe (d’affaires, de loisirs, de mariage, de sport, d’association) surestimeront systématiquement leurs prévisions.
La solution pratique consiste à effectuer un suivi du « wash » sur douze mois glissants par segment de groupe, en ajustant les prévisions en fonction du « wash » net, et non brut. D’après notre expérience en matière d’audit en Europe, le facteur de « wash » pour les groupes de mariage se situe entre huit et douze pour cent. Pour les groupes d’affaires, il est plutôt compris entre quatre et huit pour cent. Les groupes d’associations fortement contractuels peuvent afficher un taux aussi bas que deux à quatre pour cent. Un établissement appliquant une hypothèse de « wash » universelle se trompera douze mois par an pour au moins un segment.
2. Contamination des annulations
Les taux d'annulation sont restés supérieurs aux normes d'avant la pandémie et la répartition des canaux de distribution a son importance. Le rapport 2024 de D-EDGE sur la distribution hôtelière a constaté que les taux d'annulation étaient revenus à des niveaux proches de ceux de 2019, mais qu'ils restaient élevés. L'analyse de SiteMinder portant sur 125 millions de réservations en 2024 a fait état de taux d'annulation mondiaux inférieurs à 20 % et d'un délai moyen de réservation de 32 jours. La répartition des canaux au sein de cet agrégat est très variée : les réservations directes affichent un taux d'annulation d'environ 18 %, celles des OTA de 40 à 50 %, Booking.com enregistrant notamment plus de 40 % d'annulations en termes de chiffre d'affaires dans certains échantillons de D-EDGE.
Les prévisions qui considèrent les réservations brutes comme le signal de la demande surestimeront le taux d'annulation. Les prévisions qui traitent tous les canaux comme un bloc unique surestimeront les chiffres lorsque la part des OTA augmente. La solution pratique est double : séparer les courbes de prise en charge brutes et nettes dans le modèle de prévision, et segmenter par canal afin que la propension à l'annulation suive le segment.
Un cas d’échec spécifique : un hôtel modifie la composition de ses canaux de distribution, passant de 60 % de réservations directes à 40 % sur une période de douze mois. La propension à l’annulation augmente mécaniquement car la part des OTA a augmenté. La prévision, entraînée sur l’ancienne composition des canaux, surestime la demande nette et l’hôtel soit conserve des chambres qu’il devrait libérer, soit fixe ses prix en anticipant la courbe et perd des parts de marché. Nous observons ce schéma si souvent qu’il mérite un diagnostic spécifique : la dérive de prévision liée à la composition des canaux.
3. Évolution des délais de réservation
La distribution des délais de réservation s'est raccourcie après la pandémie et continue d'évoluer. Les données de SiteMinder pour 2024 situent le délai de réservation moyen mondial à trente-deux jours, en hausse par rapport au creux de 2023 mais en baisse significative par rapport aux normes d'avant 2020. La dérive au sein de cette moyenne est ce qui est intéressant : les réservations de dernière minute (de zéro à sept jours) ont augmenté de manière disproportionnée, en particulier pour les séjours de loisirs.
Les modèles de prise de réservations calibrés sur une fenêtre de réservation stable ne fonctionnent plus lorsque celle-ci change. La situation des réservations enregistrées à trente jours est désormais un indicateur moins fiable de l'occupation par nuitée qu'en 2019, car la part de la demande qui réserve dans les trente jours a augmenté. Une prévision qui ne recalibre pas la courbe de prise de réservations au moins tous les trimestres sous-estimera systématiquement la demande et surestimera la part déjà enregistrée.
La solution pratique consiste à recalibrer la courbe de prise de réservations tous les trimestres, avec des courbes distinctes par segment si la composition au niveau des segments est significative.
4. Décalage calendaire
La quatrième lacune est la plus évitable et la plus embarrassante. Les événements, les jours fériés, les trimestres scolaires, les fêtes religieuses et les événements ponctuels du marché (une conférence, une série sportive, un changement d’horaires de vol) sont les principaux facteurs de variation de la demande d’une semaine à l’autre. Un modèle de prévision qui ne les intègre pas comme variables manquera systématiquement les pics.
Nos audits ont révélé qu’un hôtel indépendant type intègre trois ou quatre événements nommés dans sa feuille de calcul de prévision, mais ignore l’existence de quinze à vingt autres événements que le modèle aurait dû détecter. Nous avons vu des hôtels passer à côté du week-end du marathon local parce que l’événement figurait dans une base de données commerciale mais pas dans la feuille de calcul de prévision, ce qui a entraîné des pertes prévisibles de plusieurs dizaines de milliers d’euros sur un seul week-end.
La solution pratique consiste à utiliser un calendrier de référence unique. Une source canonique où sont saisis et datés les événements, les jours fériés, les trimestres scolaires, les événements des fournisseurs et les fluctuations ponctuelles du marché. Le modèle de prévision s'y réfère ensuite. La plupart des produits PMS et RMS modernes proposent un calendrier des événements intégré. Si ce n'est pas le cas du vôtre, l'intervention la moins coûteuse que vous puissiez mettre en œuvre ce trimestre pour augmenter vos revenus consiste à créer une feuille de calcul partagée et à organiser une revue hebdomadaire de quinze minutes avec l'équipe des réservations.
Ce qui fait réellement la différence pour un hôtel indépendant
Les quatre causes d'échec ci-dessus sont universelles. Les solutions qui améliorent réellement la précision des prévisions pour un hôtel indépendant sont étonnamment cohérentes d'une mission d'audit à l'autre. Par ordre d'effort :
1. Nettoyer les données d'annulation
C'est la base. Toutes les autres améliorations s'appuient sur elle. Le drapeau d'annulation de votre PMS doit distinguer de manière fiable les réservations annulées, les non-présentations et les modifications. Le champ « motif d'annulation » doit être activé et renseigné pour chaque annulation. Les annulations attribuées aux OTA doivent être clairement distinguées des annulations directes. La plupart des déploiements de PMS indépendants présentent au moins une de ces trois erreurs de configuration. Nous auditons douze à quinze hôtels par trimestre et au moins huit d'entre eux ont généralement besoin de cette correction avant que tout travail de prévision ne vaille la peine d'être effectué.
Coût : zéro, il s'agit d'un travail de configuration. Durée : deux à cinq jours de travail avec l'aide du fournisseur du PMS. Impact : tous les indicateurs en aval deviennent fiables.
2. Suivre les réservations par période de prévision et par segment
La plupart des courbes de réservations sont présentées sous la forme d’un seul chiffre ; par exemple, nous enregistrons soixante chambres au cours des quatorze derniers jours pour un vendredi type en juillet. Ce chiffre est une moyenne sur l’ensemble des segments et des délais de réservation. L’information qu’il ne reflète pas est plus utile que le chiffre qu’il fournit.
La structure de tranches qui fonctionne réellement pour un hôtel indépendant comprend six tranches de délais (zéro à trois jours, quatre à sept jours, huit à quatorze jours, quinze à trente jours, trente et un à soixante jours, soixante et un jours et plus) et au moins trois segments (client de passage direct, client de passage via OTA, groupe). Dix-huit courbes de prise de réservation à suivre, et non une seule. Un tableur avec une mise à jour hebdomadaire des cellules pour chacune d'entre elles suffit. La granularité révèle où la prévision s'écarte, ce qui est une information que vous ne pouvez pas déduire d'un simple chiffre moyen de prise de réservation.
3. Créez un tableau de bord MAPE sur 7/14/30/60/90 jours
Quelle que soit la méthode de prévision utilisée, vous devez connaître la précision historique à chaque horizon. Le tableau de bord MAPE est un tableur qui compare les prévisions aux résultats réels des douze derniers mois sur cinq horizons (7 jours, 14 jours, 30 jours, 60 jours, 90 jours) au niveau du taux d'occupation total. Chaque semaine où vous refaites vos prévisions, vous ajoutez une ligne.
La règle d'or consiste à ne pas utiliser de prévision dans une décision commerciale tant que vous n'avez pas accumulé douze semaines de données dans le tableau de bord. Ce dernier répond à la question « quelle est la qualité de ma prévision ? » à l'aide d'un chiffre plutôt que d'une impression. La plupart des hôtels indépendants que nous auditons n'ont jamais produit ce chiffre. Ceux qui le font améliorent la précision de leurs prévisions de 10 à 20 % en six mois, simplement grâce à la prise de conscience opérationnelle des points de rupture du modèle.
Une référence MAPE raisonnable pour une prévision de qualité moyenne concernant un hôtel indépendant de 50 à 200 chambres : 8 % à 7 jours, 11 % à 14 jours, 15 % à 30 jours, 22 % à 60 jours, 28 % à 90 jours. Si vos chiffres se situent dans ces fourchettes, votre prévision est satisfaisante. Si vous doublez ces chiffres pour les mêmes horizons, cela signifie qu'un élément spécifique ne fonctionne pas et le tableau de bord vous indiquera où.
4. Calibrer le « Group Wash »
L'hypothèse par défaut dans la plupart des hôtels indépendants est qu'un bloc de chambres confirmé pour un groupe se concrétisera à 100 % de la liste des chambres. Les données ne corroborent pas cette hypothèse et les études publiées (Lee 1999, les livres blancs de Duetto sur le « group wash », les articles d'opinion de Hospitality Net de 2024 à 2025) sont claires à ce sujet.
La solution pratique consiste à effectuer un calcul de « wash » sur douze mois glissants par segment de groupe, actualisé trimestriellement, et appliqué au bloc brut comme donnée de prévision. Un « wash » de 6 à 12 % pour les groupes de mariage. De 4 à 8 % pour les groupes d'entreprise. De 2 à 4 % pour les groupes d'associations sous contrat ferme. Vos propres données permettront d'affiner ces fourchettes. Le fait est que le calcul du « gross-of-wash » constitue la plus grande erreur de prévision dans la plupart des pratiques de gestion des revenus des hôtels indépendants.
5. Fréquence des révisions de prévisions
Réactualisation quotidienne des prévisions pour les 14 jours à venir. Réactualisation hebdomadaire pour les 30 à 90 jours à venir. Réactualisation mensuelle pour les 90 à 365 jours à venir. La fréquence ne vise pas à examiner les prévisions aussi souvent, mais à détecter les changements suffisamment tôt pour y réagir.
Un responsable de la gestion des revenus qui actualise ses prévisions sur 90 jours tous les mois détectera un déséquilibre dans la répartition des canaux de vente au quatrième mois. Un responsable de la gestion des revenus qui actualise ses prévisions sur 90 jours chaque semaine le détectera dès la cinquième semaine. La précision des prévisions est identique, mais la rapidité de la prise de décision diffère de douze semaines. L'impact cumulé sur le chiffre d'affaires de ces douze semaines, avec un écart de 5 % sur le prix moyen quotidien (ADR) d'un hôtel de 50 chambres, représente un montant à cinq chiffres en euros, chaque trimestre.
La plupart des établissements indépendants organisent une réunion de prévision mensuelle, car c'est la cadence historique héritée des cycles de reporting des propriétaires. La recommandation pratique est de conserver la réunion mensuelle pour la discussion budgétaire et d'ajouter une revue des prévisions de quinze minutes le mardi matin pour les horizons d'action. Coût d'exploitation : quinze minutes par semaine. Avantage opérationnel : chaque dérive de prévision est détectée dès la quatrième semaine au lieu de la quatrième mois.
Le paysage des fournisseurs (qui fait quoi exactement)
Les HotelTech Awards 2025 ont classé Duetto en première position, RoomPriceGenie en deuxième et Atomize en troisième parmi les soixante-cinq solutions de gestion des revenus étudiées, IDeaS se positionnant comme le deuxième choix des grandes entreprises. Le marché s’est consolidé autour de segments de prix destinés aux grandes entreprises, au marché intermédiaire et aux PME, et le choix d’un hôtel indépendant repose davantage sur la fourchette de prix et le modèle d’exploitation que sur la précision sous-jacente des prévisions.
Entreprises (Duetto, IDeaS)
GameChanger de Duetto et IDeaS G3 sont les produits dominants du segment des grandes entreprises. Tous deux sont arrivés à maturité, disposent de solides modules d’évaluation de groupe, s’intègrent aux principaux systèmes PMS et se situent dans une fourchette de prix à quatre chiffres par mois pour un seul établissement. IDeaS utilise des analyses dérivées de SAS et bénéficie d’une plus longue expérience. Le positionnement de Duetto met l'accent sur une tarification ouverte à tous les segments et canaux. Pour un hôtel indépendant de moins de 200 chambres, ces deux solutions sont trop sophistiquées et trop coûteuses par rapport à la valeur opérationnelle qu'elles apportent ; il ne s'agit pas d'une critique des produits, mais d'une analyse honnête de leur adéquation.
PME (RoomPriceGenie, Atomize, Pricepoint, BeonPrice)
C'est sur le segment du marché intermédiaire et des PME que le choix devient intéressant pour un hôtel indépendant. RoomPriceGenie, Atomize, Pricepoint et BeonPrice se situent tous dans la fourchette de 100 à 500 euros par mois et utilisent tous une tarification basée sur l'apprentissage automatique avec des prévisions de demande intégrées. Les différences de fonctionnement sont d’ordre pratique : RoomPriceGenie est le plus automatisé (les changements de prix sont appliqués par défaut sans intervention), Atomize nécessite davantage de supervision de la part de l’utilisateur, Pricepoint est fortement axé sur le marché européen, tandis que BeonPrice est issu des marchés espagnol et latino-américain.
La précision des prévisions de ces fournisseurs est rarement évaluée de manière indépendante. Aucun n'a publié de chiffres MAPE validés par des pairs pour ses propres prévisions. La démonstration du fournisseur vous présentera le tableau de bord. Pour déterminer si ce tableau de bord est plus performant que votre feuille de calcul, il faudra comparer les prévisions du fournisseur aux vôtres sur une période de soixante jours, puis les confronter aux résultats réels. Insistez pour effectuer ce test avant de signer un contrat pluriannuel.
Modules de prévision natifs des PMS (Cloudbeds Insights, Mews Demand Forecast)
Cloudbeds Insights et Mews ont lancé en 2024 et 2025 des modules de prévision natifs visant à fournir des prévisions exploitables au sein du PMS pour les établissements qui ne souhaitent pas ajouter un RMS dédié. En toute honnêteté, ces modules sont raisonnables pour un hôtel de moins de trente chambres qui a besoin d’une solution plus performante qu’un tableur, mais leur précision est inférieure à celle d’un modèle d’ensemble optimisé ou d’un RMS dédié pour les établissements de plus de 100 chambres ayant une activité de groupe complexe. Utilisez-les comme référence, et non comme justification pour éviter un RMS dédié à grande échelle.
L'argument marketing des prévisions basées sur l'IA
Presque tous les fournisseurs de RMS commercialisent désormais des prévisions basées sur l'IA. Ouvrez la documentation technique, et le moteur sous-jacent est presque toujours le gradient boosting (XGBoost ou LightGBM le plus souvent) avec une couche d’ingénierie des caractéristiques pour les événements, les délais et les canaux. C’est un choix technique respectable et ce que la littérature évaluée par des pairs indique comme fonctionnant pour les données à l’échelle des hôtels. L’étiquette « IA » est largement exacte en tant que label et largement exagérée en tant qu’argument de différenciation, car tous les fournisseurs sérieux de ce segment utilisent la même famille de modèles.
Si un fournisseur vante une IA propriétaire sans être disposé à divulguer la famille de modèles, l’ensemble de caractéristiques ou la méthodologie de backtest, vous achetez du marketing. Les questions honnêtes à poser lors d’un entretien de sélection de fournisseur sont les suivantes : quelle famille de modèles utilisez-vous, quelles caractéristiques concevez-vous, quel est votre MAPE déclaré à 7, 14 et 30 jours pour un hôtel indépendant type de 100 chambres, et pouvez-vous partager la méthodologie utilisée pour mesurer ce MAPE ? Un fournisseur qui refuse de répondre à ces quatre questions vous vend une boîte noire, et une boîte noire en gestion des revenus est une boîte noire dans les décisions les plus cruciales que l'hôtel prend chaque jour.
Un plan interne sur 90 jours
Le plan ci-dessous suppose un gestionnaire de revenus (ou propriétaire) ayant accès au PMS, à un tableur et disposant d’environ une heure par jour. Coût en espèces : moins de 200 euros au total pour les outils optionnels. Résultat : une pratique de prévision opérationnelle qui dépasse de 10 à 20 % la base de référence de la même semaine de l’année précédente et sert de fondement à toute évaluation ultérieure des fournisseurs.
Jours 1 à 14. Nettoyer la base de données. Vérifier la configuration du PMS concernant les motifs d’annulation, les indicateurs de non-présentation, l’attribution des canaux et les codes de segment. Corriger tout champ manquant ou mal configuré. Extraire vingt-quatre mois d’historique d’occupation et de TAR par date, par segment et par canal dans un seul tableur. Identifier et marquer la période COVID (mars 2020 à décembre 2022) comme une rupture structurelle. Décidez de l'exclure ou de l'inclure (le document SME de 2023 suggère de l'inclure en tant que rupture étiquetée pour les hôtels ayant un historique court). Le résultat attendu est un ensemble de données propre, sans dates manquantes ni statuts d'annulation non résolus.
Jours 15 à 30. Créez le tableau de bord MAPE. Dans la feuille de calcul, effectuez une prévision naïve « même semaine de l'année précédente » pour les douze derniers mois à chaque horizon (7, 14, 30, 60, 90 jours). Calculez la MAPE pour chacun d'entre eux. Il s'agit de votre référence. Chaque méthode que vous testerez par la suite sera comparée à celle-ci. Ajoutez un deuxième onglet pour le suivi des données réelles par rapport aux prévisions. À partir de cette semaine, consignez la prévision à chaque horizon et la donnée réelle lorsqu'elle se produit.
Jours 31 à 45. Construisez les courbes de prise en charge. Calculez la courbe de prise en charge pour chacun des six intervalles de délai et des trois segments. Le résultat est dix-huit courbes indiquant la prise en charge quotidienne moyenne en fonction du délai restant. Enregistrez-les dans un onglet de référence séparé. La première fois que vous les construisez, les données vous surprendront. La plupart des hôtels indépendants présentent un schéma de saisonnalité clair dans la courbe de délai qu’ils n’ont jamais explicitement visualisé.
Jours 46 à 60. Établissez la prévision combinée des réservations. Utilisez les courbes de réservations et la situation actuelle des réservations enregistrées pour produire une prévision prospective pour chacun des cinq horizons. Exécutez cette prévision en parallèle avec la base de référence naïve et la prévision de la même semaine de l'année précédente tous les mardis matins. Consignez les deux dans le tableau de bord. Après quatre semaines, calculez la hausse de la prévision combinée des réservations par rapport à la base de référence naïve pour chaque horizon.
Jours 61 à 75. Ajoutez le facteur de correction de groupe et le segment. Calculez le facteur de correction de groupe sur douze mois glissants par segment (mariage, entreprise, association, loisirs, circuit). Appliquez ce facteur de correction aux réservations brutes de groupe dans la prévision sous forme d'ajustement net de correction. Suivez la même amélioration des prévisions par rapport à la version précédente sur le tableau de bord. L'ajustement de correction à lui seul améliore généralement les prévisions de 3 à 5 % de MAPE sur l'horizon de 30 à 60 jours pour les établissements ayant une activité de groupe significative.
Jours 76 à 90. Prenez une décision concernant le choix du fournisseur. Au jour 90, vous disposez d'une pratique de prévision interne opérationnelle dont la précision est documentée. Vous pouvez désormais prendre une décision éclairée concernant le choix du fournisseur. Faites passer un test comparatif de 60 jours à deux fournisseurs RMS. Chaque fournisseur fournit une prévision pour chacun des cinq horizons tous les mardis matins. Consignez leurs prévisions dans le tableau de bord. Au bout de 60 jours, comparez le MAPE de chaque fournisseur à votre prévision interne pour chaque horizon. La décision devient alors facile. Si le fournisseur surpasse systématiquement vos chiffres internes de manière suffisante pour justifier les frais mensuels, signez le contrat. Sinon, conservez le processus interne et envisagez de réexaminer la question dans douze mois.
C'est l'inverse de la sélection classique d'un fournisseur. La plupart des hôtels indépendants évaluent un fournisseur lors d'une démonstration par rapport à une base de référence imaginaire. Il est recommandé d'évaluer un fournisseur en le comparant à une base de référence mesurée. Les données vous indiqueront s'il faut investir.
Comment Prostay gère les prévisions de la demande
Le PMS Prostay intègre un module de prévision natif qui cible l'écart opérationnel réel pour un hôtel indépendant de moins de 150 chambres. Le modèle sous-jacent est un moteur de prévision combiné avec une superposition de séries chronologiques configurable (lissage exponentiel par défaut) et la possibilité d'ajouter une correction des résidus basée sur le gradient boosting une fois que l'établissement dispose de six mois de données propres dans le système.
Les champs d’attribution des annulations et des canaux sont préconfigurés pour prendre en charge la prévision de manière native ; ainsi, le travail de base sur les données décrit ci-dessus est en place dès le premier jour, sans nécessiter d’audit de données personnalisé. Le module de facteur de lavage calcule automatiquement le lavage sur douze mois glissants par segment de groupe une fois que les codes de segment sont renseignés. Le tableau de bord MAPE fonctionne comme un tableau de bord continu plutôt que comme une feuille de calcul manuelle, avec une augmentation calculée automatiquement chaque semaine par rapport à la base de référence de la même semaine de l’année précédente.
Les horizons de 7/14/30/60/90 jours sont précalculés quotidiennement et affichés dans le tableau de bord des revenus. Les courbes de prise de réservation sont visualisées pour chaque segment et chaque tranche de délai de réservation sans travail manuel sur tableur. Le calendrier des événements constitue une source unique de données pour les réservations, les ventes et le modèle de prévision, éliminant ainsi par construction le risque d’erreur lié au décalage des calendriers.
Pour les établissements indépendants qui préfèrent un RMS dédié, Prostay s'intègre nativement à RoomPriceGenie, Atomize et Duetto via le gestionnaire de canaux standard, ce qui signifie que les données de prévision et les courbes de prise de réservation sont exposées au RMS sans projet d'intégration distinct. La prévision native est positionnée comme référence plutôt que comme remplacement. Chaque établissement dispose d'une prévision dès le premier jour, et la décision d'ajouter un RMS dédié devient l'évaluation comparative décrite dans le plan de 90 jours.
Cela ne signifie pas pour autant que Prostay soit la seule solution possible. Un gestionnaire de revenus utilisant n'importe quel PMS moderne peut mettre en œuvre le plan interne avec un certain effort. Dans la pratique, on constate que la base de données, le calcul des courbes de prise de réservation, le suivi des annulations et le tableau de bord MAPE représentent environ quatre à six semaines de travail intensif par établissement et par an s'ils sont effectués manuellement. Une plateforme qui les fournit par défaut élimine cette charge opérationnelle, permettant ainsi au gestionnaire de revenus de consacrer son temps à l'utilisation effective des prévisions plutôt qu'à leur production.
Points clés
La prévision est la discipline la plus ancienne de la gestion des revenus hôteliers et la moins bien outillée dans la pratique. Moins de 10 % des hôtels indépendants utilisent un RMS dédié. Les benchmarks de Cornell et de la HSMAI suggèrent qu’une augmentation du RevPAR de 4,5 à 15 % est envisageable pour les établissements qui ne réalisent pas encore de prévisions de manière systématique.
En toute honnêteté, parmi les méthodes, le « combined pickup » est le cheval de bataille, le lissage exponentiel est la valeur par défaut étonnamment performante, les ensembles de « gradient boosting » l'emportent à court terme lorsqu'ils sont correctement ajustés, les baselines naïves sont plus difficiles à battre que ne l'admettent les fournisseurs, et les combinaisons de méthodes surpassent systématiquement les méthodes individuelles. L'apprentissage profond ne tient pas ses promesses sur les données d'hôtels à établissement unique. Les modèles de base sont intéressants d'un point de vue spéculatif, mais n'ont pas fait leurs preuves d'un point de vue pragmatique sur les données hôtelières à l'horizon 2026.
Les quatre modes de défaillance qui faussent toutes les prévisions hôtelières sont les réservations de groupe (Lee 1999 : MAPE de 40 % à deux mois), la contamination par les annulations (OTA : 40 à 50 % contre environ 18 % pour les réservations directes selon SiteMinder et D-EDGE 2024), les variations du délai de réservation (fenêtre de réservation moyenne de 32 jours selon SiteMinder 2024, en baisse) et le décalage calendaire. Les solutions sont les suivantes : nettoyer les données d’annulation, suivre les réservations par tranche de délai et par segment, établir un tableau de bord MAPE sur 7/14/30/60/90 jours, calibrer l’effet de groupe et refaire des prévisions à la fréquence réellement nécessaire pour la prise de décision.
Le paysage des fournisseurs se consolide autour de Duetto et IDeaS pour les grandes entreprises, RoomPriceGenie, Atomize, Pricepoint et BeonPrice pour les PME, tandis que les prévisions natives des PMS (Cloudbeds Insights, prévisions de la demande Mews) occupent le segment économique. Presque toutes les revendications des fournisseurs en matière d’IA reposent en réalité sur le gradient boosting, ce qui est le bon choix technique mais constitue un argument de différenciation trompeur. Posez à tout fournisseur les quatre questions de la section « Fournisseurs » avant de signer.
Le plan interne de 90 jours est le point de départ recommandé. Coût en espèces inférieur à 200 euros, coût en temps d'une heure par jour, résultat : une base de référence mesurable qui transforme la décision relative au fournisseur d'un choix marketing en un choix fondé sur les données. Prostay fournit par défaut les prévisions natives et la base de données, ce qui élimine la charge opérationnelle liée à leur création manuelle et permet au responsable des revenus de se concentrer sur l'utilisation des prévisions plutôt que sur leur production. Une démonstration en direct est le moyen le plus rapide de vérifier si cette base de référence correspond à la façon dont vous souhaitez réellement fonctionner.
