La previsione a 90 giorni che avete elaborato lunedì è già sbagliata già martedì mattina. La domanda da porsi non è se la previsione fosse sbagliata, ma di quanto, da dove derivi l’errore e se ve ne accorgereste se fosse raddoppiata. Per la maggior parte degli hotel indipendenti che analizziamo, la risposta alla terza domanda è no, ed è proprio questo il vero problema che questo articolo cerca di risolvere.
La previsione della domanda è la disciplina più antica nella gestione dei ricavi alberghieri e quella con il divario maggiore tra ciò che la letteratura accademica sostiene funzioni e ciò che gli hotel fanno effettivamente il martedì mattina. La letteratura è ricca, il panorama dei fornitori è rumoroso e la pratica sul campo consiste principalmente in fogli di calcolo, intuizione e una visita trimestrale da parte di un consulente che ha lasciato la presentazione. Questo articolo è una lettura pratica, documentata e di opinione sui metodi che funzionano effettivamente con dati di dimensioni alberghiere, le quattro modalità di fallimento che compromettono ogni previsione alberghiera, le proposte dei fornitori che vale la pena rifiutare e un piano di 90 giorni che un singolo revenue manager può attuare internamente.
Lo stato delle previsioni della domanda alberghiera nel 2026
Nel 2026, meno del dieci per cento degli hotel indipendenti utilizza un sistema di revenue management dedicato. L'indagine di settore di Skift Research ha stimato la cifra al ventotto per cento per gli hotel in generale, che scende al dieci per cento se si escludono gli strumenti gratuiti come Expedia Rev+ e si contano solo le strutture che pagano per una tecnologia RMS avanzata. La maggior parte restante effettua le previsioni su un foglio di calcolo, tramite i risultati forniti da un consulente, oppure non le effettua affatto.
I dati europei raccontano la stessa storia, ma in modo ancora più netto. Lo studio del 2025 di Roland Schegg su oltre 1.500 hotel in Austria, Francia, Germania, Grecia, Italia e Svizzera ha rilevato che solo il 44% delle strutture dispone di una strategia formale di revenue management. Di questo sottogruppo, il 44% utilizza un RMS dedicato, il 33% si affida ancora a Excel e il 20% si affida a consulenti esterni. Il 75% di questi hotel utilizza un PMS e il 63% un channel manager. L'adozione dell'RMS è in ritardo rispetto a entrambi questi livelli fondamentali di 20-30 punti percentuali.
Il potenziale di crescita è misurabile. Uno studio della Cornell School of Hotel Administration ha rilevato che gli hotel che hanno implementato un RMS hanno registrato un aumento del RevPAR compreso tra il 4,5% e il 7,5%. Il benchmarking di HSMAI colloca la cifra al 6,5% rispetto ai non utenti, con un picco del 15% per gli hotel che implementano un RMS per la prima volta. Per una struttura da cinquanta camere con un ADR di centottanta euro e un tasso di occupazione del sessantacinque per cento, un RevPAR del sei per cento rappresenta la differenza tra circa 2.013.000 e 2.135.000 euro di ricavi da camere all’anno, senza contare l’incremento a valle dei ricavi da ristorazione e servizi accessori.
L'obiezione relativa ai costi si è indebolita. I piani di ingresso di RoomPriceGenie partono ora da 119 euro al mese. Atomize, Pricepoint, BeonPrice e molti altri si collocano nella stessa fascia. I veri ostacoli all'adozione si sono spostati verso l'inerzia degli operatori, il timore di automatizzare le decisioni sulle tariffe e il giustificato sospetto che la demo del fornitore non corrisponda al prodotto. Ognuno di questi è reale. Nessuna di esse giustifica il divario. Questo articolo presuppone che l'operatore abbia deciso che le previsioni sono importanti e ora voglia una visione onesta su cosa fare al riguardo.
Cosa significa realmente una previsione della domanda alberghiera
Tre decisioni operative stanno alla base di una previsione della domanda alberghiera e ognuna di esse impone requisiti diversi al modello sottostante.
La prima riguarda i prezzi. Si prevede la domanda senza vincoli per una notte futura in modo da poter decidere se aprire o chiudere le tariffe, spingere il BAR, eliminare le restrizioni sulla durata del soggiorno o aprire le tariffe negoziate per riempire le camere. Le decisioni sui prezzi sono sensibili a piccoli cambiamenti nell'occupazione prevista a 14, 7 e 3 giorni di distanza.
La seconda riguarda l'inventario. Si prevede la domanda per tipo di camera e segmento in modo da poter decidere se vendere in eccesso, riservare camere per un blocco di gruppo, accettare una serie di tour o chiudere un canale. Le decisioni relative all'inventario sono più sensibili alla composizione del segmento che al volume totale.
Il terzo è l'allocazione delle risorse. Si prevede l'occupazione, gli arrivi e le partenze in modo che il direttore generale possa organizzare il personale addetto alle pulizie, il team F&B possa effettuare gli ordini e la reception possa preparare i turni. Le decisioni relative alle risorse sono sensibili all'occupazione assoluta e al numero di arrivi, non all'ADR.
Una previsione che azzecca l'occupazione totale ma sbaglia il mix di segmenti aiuta la determinazione dei prezzi e danneggia l'inventario. Una previsione che azzecca i prossimi 7 giorni ma sbaglia i prossimi 90 giorni aiuta il direttore generale e danneggia il team di vendita. La prima conversazione pratica che dovreste avere all'interno dell'hotel è quale di queste tre decisioni la previsione ottimizzerà, perché nessun modello singolo è il migliore per tutte e tre.
Gli orizzonti temporali contano per lo stesso motivo. La letteratura suddivide la previsione della domanda alberghiera in breve termine (da zero a trenta giorni), medio termine (da trenta a novanta giorni) e lungo termine (da novanta giorni al bilancio). Metodi diversi funzionano meglio su orizzonti diversi. L'articolo di Ampountolas e Legg del 2024 sul Journal of Revenue and Pricing Management ha confrontato quattro metodi su orizzonti da uno a novanta giorni in diversi hotel indipendenti degli Stati Uniti e ha riportato che il livellamento esponenziale semplice era il più accurato in quattro degli orizzonti testati, mentre XGBoost si è rivelato vincente in altri sette casi concentrati nella fascia a breve termine. Stessi dati, orizzonti diversi, metodo vincente diverso. Un hotel che utilizza un unico modello per tutto sta perdendo in termini di accuratezza per gli orizzonti a cui quel modello non è adatto.
I sette metodi che incontrerete
Sette famiglie di metodi coprono il 95% delle pratiche di previsione della domanda alberghiera nel 2026. Ognuna ha i propri requisiti di dati, punti di forza e modalità di fallimento. I fornitori ve ne venderanno uno come il migliore, descrivendo gli altri come obsoleti. La letteratura sottoposta a revisione paritaria non supporta questa interpretazione.
1. Metodi di pickup (il cavallo di battaglia)
La previsione di pickup proietta l'occupazione notturna futura leggendo ciò che è già stato prenotato ed estrapolando le camere rimanenti non prenotate sulla base del ritmo storico delle prenotazioni. Esistono tre varianti.
La previsione avanzata presuppone che il modello di occupazione dalle prenotazioni effettive ai pernottamenti sia stabile nel corso degli anni. Se l'anno scorso avete registrato quaranta camere negli ultimi quattordici giorni per la stessa settimana, si presume che la situazione si ripeta, tenendo conto delle prenotazioni effettive attuali. Semplice da implementare, intuitiva da spiegare, offre scarsi risultati quando la finestra di prenotazione cambia.
Il "delta pickup" proietta l'incremento rispetto allo stesso periodo dell'anno precedente. Meno sensibile al volume assoluto, più sensibile all'andamento della domanda su base annua.
Il pickup combinato fa la media di più varianti, in genere con pesi derivati dall'accuratezza dei backtest su serie temporali. La combinazione supera costantemente le componenti nei benchmark pubblicati. Un articolo del 2023 sul Journal of Revenue and Pricing Management sul metodo del pickup additivo con elementi di serie temporali, rivolto specificamente agli hotel delle PMI, ha riscontrato che l'approccio combinato è migliore su orizzonti più lunghi e nei periodi di bassa occupazione, dove il pickup ingenuo tende a sbagliare di più.
Il pickup è il cavallo di battaglia per un motivo. Utilizza i dati che l'hotel ha già a disposizione (prenotazioni e storico). Funziona senza competenze di machine learning. La ricerca pubblicata lo trova costantemente efficace per orizzonti temporali da brevi a medi. Se non avete altro, costruite prima questo.
2. Serie temporali (il punto di riferimento accademico)
I metodi delle serie temporali modellano l'occupazione storica come una sequenza con andamento, stagionalità e rumore. ARIMA, il livellamento esponenziale, Holt-Winters e il modello stagionale ingenuo sono le varianti canoniche.
I concorsi Makridakis, che dal 1982 valutano i metodi di previsione su dati reali, rilevano costantemente che i metodi statisticamente sofisticati non producono necessariamente previsioni più accurate di quelli semplici, e che le combinazioni di metodi superano in media i singoli metodi. Il risultato è valido da decenni, in molti settori e per gli hotel.
Per gli hotel in particolare, il livellamento esponenziale nelle sue varie forme (semplice, Holt, Holt-Winters) è il metodo predefinito sorprendentemente efficace. Ampountolas e Legg hanno riscontrato che il livellamento esponenziale semplice è il metodo singolo più accurato su più orizzonti temporali nel loro studio del 2024. Questo è il tipo di risultato che i fornitori di tecnologia per la gestione dei ricavi non mettono in primo piano nelle loro brochure.
I metodi delle serie temporali richiedono una cronologia pulita e non gradiscono gli shock strutturali. Il periodo dal 2020 al 2022 ha contaminato i dati storici per la maggior parte degli hotel. Il documento SME del 2023 affronta esplicitamente come gestire questo aspetto: eliminare completamente gli anni, utilizzare una variabile dummy di rottura strutturale o estendere il recupero additivo con una componente di serie temporale più robusta rispetto agli shock recenti. Nessuna delle risposte è banale.
3. Regressione e analisi multivariata
I modelli di regressione prevedono la domanda in funzione di driver specifici: giorno della settimana, lead time, stagione, indicatore di eventi, meteo, tariffa della concorrenza, indicatore di promozione OTA, indicatore di vacanze scolastiche. L'approccio basato sui driver specifici ha il grande vantaggio operativo di poter leggere il modello e decidere se i coefficienti hanno senso.
Lo svantaggio è che bisogna scegliere i fattori. Il modello non è migliore della feature engineering. La maggior parte dei lavori di regressione sugli hotel pubblicati risale al periodo 2010-2020 e la letteratura relativa al periodo 2024-2026 è in gran parte andata oltre. La tecnica rimane pratica per gli hotel con un fitto calendario di eventi locali, dove gli eventi contano più della stagionalità, ma raramente è il punto di partenza consigliato per una nuova pratica di previsione nel 2026.
4. Ensemble di machine learning (il cavallo di battaglia con una laurea)
Il gradient boosting (XGBoost, LightGBM, CatBoost), le foreste casuali e i metodi ensemble dominano ora la letteratura pratica sul machine learning per le previsioni alberghiere.
Un articolo del 2022 su Current Issues in Tourism ha confrontato ventidue metodi e ha riscontrato che gli approcci di machine learning hanno ridotto l’errore quadratico medio (RMSE) fino al cinquantaquattro per cento per le previsioni a 1 giorno e al quarantacinque per cento per quelle a 14 giorni rispetto al tradizionale livellamento esponenziale. Un articolo Springer del 2025 pubblicato sul Journal of Revenue and Pricing Management ha confrontato la regressione con boosting gradiente (GBR) con la regressione a vettori di supporto (SVR) e ha riportato un RMSE normalizzato di 0,044 contro 0,055, un vantaggio minimo ma consistente per la GBR. Un articolo pubblicato nel 2024 su Korea Science ha combinato XGBoost con il clustering DTW K-means per migliorare ulteriormente l'accuratezza combinando selettivamente un modello globale con modelli locali specifici per i cluster di proprietà.
Una lettura onesta della letteratura sull'ensemble è coerente e poco lusinghiera per il deep learning: il gradient boosting su caratteristiche ingegnerizzate batte metodi più complessi su set di dati delle dimensioni di un hotel nella maggior parte dei benchmark pubblicati. I dati sono troppo scarsi perché le reti profonde possano apprendere i modelli che i metodi più semplici stanno già catturando.
5. Deep Learning (Il titolo che non mantiene le promesse sui dati degli hotel)
Le LSTM, i Transformer e altre architetture deep eccellono su set di dati di serie temporali grandi e complesse. Gli hotel non sono né grandi né hanno il volume che il deep learning preferisce. Un hotel da 200 camere con cinque anni di storia ha meno di 400.000 pernottamenti di dati di addestramento. Si tratta di una quantità piuttosto ridotta per i metodi deep.
Uno studio ensemble del 2024 ha riportato che le architetture LSTM bidirezionali presentavano punteggi R-quadrato negativi sui dati alberghieri, indicando che il modello non era in grado di cogliere i modelli stagionali ed era soggetto a overfitting. Lo stesso studio ha rilevato che un ensemble composto da Prophet più LightGBM più un ensemble di regressione Ridge ha superato l'LSTM del 10,2%. Questo è il modello tipico per i dati di dimensioni alberghiere: gli ensemble ben ottimizzati battono le reti profonde ben ottimizzate.
Il deep learning diventa competitivo sui dati degli hotel quando si dispone di molte proprietà (un portafoglio di oltre cinquanta hotel che addestrano un modello con embedding delle proprietà) o di molti segnali adiacenti (prezzi OTA, traffico web, volume di ricerca, meteo) che la rete deep può fondere. La previsione per una singola proprietà con tre anni di storia non è il regime in cui l'architettura ripaga della sua complessità.
6. Modelli di base (il fronte speculativo)
TimeGPT, Chronos, Lag-Llama, Moirai e la prossima ondata di modelli di base per serie temporali addestrati su corpora diversificati sono reali e vale la pena conoscerli. Chronos, un modello di ricerca di Amazon rilasciato nel 2024, tokenizza i valori delle serie temporali e applica trasformatori della famiglia T5 per produrre previsioni probabilistiche in modalità zero-shot. I benchmark pubblicati su quarantadue set di dati mostrano che Chronos supera i metodi specializzati sui set di dati che ha visto durante l'addestramento e produce prestazioni zero-shot comparabili o occasionalmente superiori su nuovi set di dati. Chronos-2, rilasciato nel 2025, estende questo vantaggio.
Il quadro onesto per un albergatore nel 2026: non esiste un confronto pubblicato e sottoposto a revisione tra pari di Chronos o TimeGPT rispetto a modelli ottimizzati XGBoost su dati relativi alla domanda alberghiera. I benchmark esistenti riguardano il commercio al dettaglio, l'energia, il meteo e serie temporali generiche. Diversi fornitori hanno iniziato a incorporare modelli di base nei loro stack di previsione. Nessuno ha ancora pubblicato benchmark di accuratezza indipendenti per i dati alberghieri. La posizione è plausibile ma non dimostrata.
Riesaminare la questione tra 24-36 mesi. La tecnologia si evolve rapidamente, la letteratura accademica sta recuperando terreno e la risposta nel 2028 potrebbe essere diversa da quella del 2026. Ad oggi, puntare il proprio budget di revenue management su un fornitore che privilegia i modelli di base significa acquistare una tesi, non un risultato.
7. Linee di base ingenue (il controllo sorprendentemente competitivo)
Stessa settimana dell'anno scorso. Media mobile su trenta giorni. Rapporto tra l'occupazione dell'anno scorso e il ritmo attuale. Questi metodi sono ciò che ogni previsione alberghiera deve superare per giustificare qualsiasi complessità.
Le ricerche pubblicate concordano sul fatto che i metodi ingenui sono più difficili da superare di quanto ci si aspetti, in particolare per gli hotel con stagionalità stabile e variabilità limitata degli eventi. Un miglioramento del MAPE dall'1,5 al 3% rispetto a una linea di base ingenua è ciò che appare come una previsione professionale di media qualità nei benchmark pubblicati. Un miglioramento dal 10 al 15% è ciò che appare come una previsione di alta qualità su dati con forti indicatori anticipatori. Chiunque prometta un miglioramento dal 30 al 50% senza mostrarvi la linea di base che ha superato sta travisando la matematica.
La disciplina di affiancare una linea di base ingenua alla previsione reale è lo strumento di accuratezza più economico a disposizione di un revenue manager. Se il vostro fornitore da 400 euro al mese non riesce a superare costantemente del 5% i dati della stessa settimana dell’anno precedente, state pagando 4.800 euro all’anno per un grafico colorato.
I confronti tra metodi che contano di più per un hotel indipendente convergono sulle stesse risposte: il pickup è il cavallo di battaglia, il livellamento esponenziale è l’impostazione predefinita sorprendentemente competente, gli ensemble di gradient boosting vincono nell’orizzonte a breve termine se opportunamente ottimizzati, e le combinazioni di metodi superano in media i singoli metodi. Il deep learning non offre risultati all’altezza sui dati di hotel con una sola struttura. I modelli di base sono interessanti dal punto di vista speculativo ma non sono stati dimostrati nella pratica. Le linee di base ingenue sono il minimo che ogni previsione deve superare, punto.
Le quattro cose che mandano all'aria ogni previsione alberghiera
I metodi sono oggetto di dibattito sulle riviste specializzate. Le modalità di fallimento sono universali. Quattro problemi specifici mandano all'aria quasi tutte le previsioni alberghiere nella nostra esperienza di revisione, e la ricerca pubblicata conferma ciascuno di essi.
1. Blocchi di gruppo
Il business dei gruppi è la singola distorsione più grande nelle previsioni degli hotel indipendenti. La ricerca pubblicata sulle previsioni di gruppo è datata, ma le dinamiche non sono cambiate. L'articolo di Lee del 1999 sul Journal of the Operational Research Society rimane lo studio canonico e riportava errori percentuali assoluti medi del quaranta per cento a due mesi dall'arrivo, del trenta per cento a un mese dall'arrivo e dal dieci al quindici per cento il giorno dell'arrivo, con un bias positivo su tutti gli orizzonti temporali. Una distorsione positiva significa che la previsione sovrastima la domanda dei gruppi, il che significa che l'hotel trattiene camere di cui non ha bisogno, il che significa che i clienti occasionali che le avrebbero occupate sono stati respinti o indirizzati a un concorrente.
"Wash" di gruppo è il termine specifico. Il fattore wash è la percentuale di camere prenotate in un blocco di gruppo che non verranno occupate, a causa di cancellazioni, mancati arrivi o riduzioni dell'elenco degli ospiti. Gli hotel che non monitorano il wash per tipo di gruppo (aziendale, tempo libero, matrimoni, sport, associazioni) forniranno sistematicamente previsioni eccessive.
La soluzione pratica consiste nel monitoraggio del wash su dodici mesi per segmento di gruppo, con un aggiustamento delle previsioni al netto del wash, non al lordo. Il wash factor per i gruppi di matrimoni, secondo la nostra esperienza di auditing in Europa, si aggira tra l'otto e il dodici per cento. I gruppi aziendali si avvicinano al quattro-otto per cento. I gruppi associativi altamente contrattualizzati possono arrivare fino al due-quattro per cento. Una struttura che applica un'ipotesi di wash universale sbaglierà dodici mesi all'anno per almeno un segmento.
2. Contaminazione da cancellazioni
I tassi di cancellazione sono rimasti elevati rispetto alle norme pre-pandemia e il mix di canali è importante. Il Rapporto sulla distribuzione alberghiera 2024 di D-EDGE ha rilevato che i tassi di cancellazione sono tornati vicini ai livelli del 2019, ma rimangono comunque elevati. L'analisi di SiteMinder su 125 milioni di prenotazioni nel 2024 ha riportato tassi di cancellazione globali inferiori al venti per cento e una finestra di prenotazione media di trentadue giorni. La ripartizione dei canali all'interno di tale aggregato è ampia: le prenotazioni dirette registrano un tasso di cancellazione del 18% circa, quelle tramite OTA del 40-50%, con Booking.com che, in alcuni campioni di D-EDGE, supera il 40% di cancellazioni in termini di ricavi.
Le previsioni che considerano le prenotazioni lorde come il segnale di domanda sovrastimeranno il tasso di cancellazione. Le previsioni che trattano tutti i canali come un unico blocco sovrastimeranno quando la quota delle OTA aumenta. La soluzione pratica è duplice: separare le curve di raccolta lorda e netta nel modello di previsione e segmentare per canale in modo che la propensione alla cancellazione si sposti con il segmento.
Un modello di errore specifico: un hotel sposta il mix di canali dal 60% diretto al 40% diretto nell'arco di dodici mesi. La propensione alla cancellazione aumenta meccanicamente perché il mix di OTA è cresciuto. La previsione, addestrata sulla vecchia composizione dei canali, sovrastima la domanda netta e l'hotel o trattiene camere che dovrebbe rilasciare, oppure fissa i prezzi in anticipo rispetto alla curva e perde quote di mercato. Osserviamo questo modello esatto abbastanza spesso da giustificare una diagnosi specifica: la deriva della previsione del mix di canali.
3. Cambiamenti nei tempi di prenotazione
La distribuzione della finestra di prenotazione si è accorciata dopo la pandemia ed è ancora in evoluzione. I dati di SiteMinder per il 2024 collocano la finestra di prenotazione media globale a trentadue giorni, in aumento rispetto al minimo del 2023 e in calo significativo rispetto alle norme pre-2020. La deriva all'interno della media è la parte interessante: le prenotazioni a breve termine (da zero a sette giorni) sono cresciute in modo sproporzionato, in particolare per i viaggi di piacere.
I modelli di occupazione calibrati su una finestra di prenotazione stabile si interrompono quando la finestra si sposta. La posizione delle prenotazioni a trenta giorni di distanza è ora un indicatore meno affidabile dell'occupazione per pernottamento rispetto al 2019, poiché è cresciuta la quota di domanda che prenota entro trenta giorni. Una previsione che non ricalibri la curva di occupazione almeno trimestralmente sottostimerà sistematicamente la domanda e sovrastimerà la quota già prenotata.
La soluzione pratica consiste nella ricalibrazione trimestrale della curva di occupazione, con curve separate per segmento se il mix a livello di segmento è significativo.
4. Disallineamento del calendario
Il quarto errore è il più prevenibile e il più imbarazzante. Eventi, festività, periodi scolastici, festività religiose ed eventi di mercato una tantum (una conferenza, una serie sportiva, un cambiamento di orario dei voli) sono i principali fattori di variazione della domanda di settimana in settimana. Un modello di previsione che non li abbia codificati come caratteristiche mancherà sistematicamente i picchi.
La nostra constatazione di audit è che il tipico hotel indipendente gestisce tre o quattro eventi specifici nel proprio foglio di calcolo di previsione e non è a conoscenza di altri quindici-venti eventi che il modello avrebbe dovuto rilevare. Abbiamo visto hotel perdere il weekend della maratona locale perché l'evento era presente in un database di vendita ma non nel foglio di calcolo di previsione, con perdite prevedibili a cinque cifre in euro in un solo weekend.
La soluzione pratica è un unico calendario di riferimento. Una fonte canonica in cui vengono inseriti e datati eventi, festività, periodi scolastici, eventi dei fornitori e cambiamenti di mercato una tantum. Il modello di previsione poi attinge da esso. La maggior parte dei moderni prodotti PMS e RMS offre un calendario degli eventi integrato. Se il vostro non lo fa, l'intervento più economico che potete attuare in questo trimestre per aumentare i ricavi è creare un foglio di calcolo condiviso e dedicare al team delle prenotazioni una revisione settimanale fissa di quindici minuti.
Cosa fa davvero la differenza per un hotel indipendente
Le quattro modalità di fallimento sopra descritte sono universali. Le soluzioni che migliorano effettivamente l'accuratezza delle previsioni in un hotel indipendente sono sorprendentemente coerenti in tutti i nostri incarichi di revisione. In ordine di impegno:
1. Pulire i dati relativi alle cancellazioni
Questa è la base. Ogni altro miglioramento si fonda su di essa. Il flag di cancellazione nel vostro PMS deve separare in modo affidabile le prenotazioni cancellate, i no-show e le modifiche. Il campo del motivo della cancellazione deve essere abilitato e compilato per ogni cancellazione. Le cancellazioni attribuite alle OTA devono essere contrassegnate in modo distinto dalle cancellazioni dirette. La maggior parte delle implementazioni di PMS indipendenti ha almeno una di queste tre configurazioni errata. Controlliamo da dodici a quindici hotel ogni trimestre e almeno otto di essi necessitano in genere di questa correzione prima che qualsiasi lavoro di previsione valga la pena di essere svolto.
Costo: zero, si tratta di un lavoro di configurazione. Tempo: da due a cinque giorni di lavoro con il supporto del fornitore del PMS. Impatto: ogni metrica a valle diventa affidabile.
2. Monitorare il pickup per fascia di lead time e segmento
La maggior parte delle curve di prenotazione viene riportata come un unico numero. Ad esempio, registriamo sessanta camere prenotate negli ultimi quattordici giorni per un tipico venerdì di luglio. Il numero è una media tra segmenti e lead time. Il segnale che perde è più utile del numero che fornisce.
La struttura a fasce che funziona davvero per un hotel indipendente è composta da sei fasce di lead time (da zero a tre giorni, da quattro a sette giorni, da otto a quattordici giorni, da quindici a trenta giorni, da trentuno a sessanta giorni, oltre sessantuno giorni) e almeno tre segmenti (transitorio diretto, transitorio OTA, gruppo). Diciotto curve di pickup da monitorare, non una sola. È sufficiente un foglio di calcolo con un aggiornamento settimanale delle celle per ciascuna di esse. La granularità rivela dove la previsione sta fallendo, un'informazione che non è possibile ricavare da un unico dato medio di pickup.
3. Creare un quadro di controllo MAPE a 7/14/30/60/90 giorni
Qualunque sia il metodo di previsione utilizzato, è necessario conoscere l'accuratezza storica per ciascun orizzonte temporale. Il quadro di controllo MAPE è un foglio di calcolo che confronta le previsioni con i dati effettivi degli ultimi dodici mesi su cinque orizzonti temporali (7 giorni, 14 giorni, 30 giorni, 60 giorni, 90 giorni) a livello di occupazione totale. Ogni settimana in cui si effettua una nuova previsione, si aggiunge una riga.
La regola è quella di non utilizzare una previsione in nessuna decisione commerciale finché non si sono accumulati dodici settimane di dati nel tabellone. Il tabellone risponde alla domanda "quanto è buona la mia previsione" con un numero anziché con una sensazione. La maggior parte degli hotel indipendenti che controlliamo non ha mai prodotto questo dato. Gli hotel che lo producono migliorano la loro accuratezza di previsione dal dieci al venti per cento in sei mesi semplicemente grazie alla consapevolezza operativa di dove il modello fallisce.
Un benchmark MAPE ragionevole per una previsione di media qualità su un hotel indipendente da 50 a 200 camere: otto per cento a 7 giorni, undici per cento a 14 giorni, quindici per cento a 30 giorni, ventidue per cento a 60 giorni, ventotto per cento a 90 giorni. Se i vostri numeri rientrano in queste fasce, avete una previsione solida. Se i vostri numeri sono il doppio di quelli indicati per gli stessi orizzonti temporali, c'è qualcosa di specifico che non funziona e il quadro di controllo vi dirà dove.
4. Calibrare il Group Wash
L'ipotesi predefinita nella maggior parte degli hotel indipendenti è che un blocco di gruppo confermato si concretizzerà al cento per cento della lista delle camere. I dati non lo confermano e le ricerche pubblicate (Lee 1999, i white paper di Duetto sul group wash, gli articoli di opinione di Hospitality Net dal 2024 al 2025) sono chiare al riguardo.
La soluzione pratica è un calcolo del wash su base mobile di dodici mesi per segmento di gruppo, aggiornato trimestralmente e applicato al blocco lordo come input di previsione. Dal sei al dodici per cento di wash per i gruppi di matrimoni. Dal quattro all'otto per cento per i gruppi aziendali. Dal due al quattro per cento per i gruppi associativi con contratti molto vincolanti. I vostri dati affineranno queste fasce. Il dato di fatto è che l'utilizzo del gross-of-wash rappresenta il singolo errore di previsione più grande nella pratica di revenue management della maggior parte degli hotel indipendenti.
5. Cadenza delle nuove previsioni
Rifacimento quotidiano delle previsioni per i prossimi 14 giorni. Rifacimento settimanale delle previsioni per i prossimi 30-90 giorni. Rifacimento mensile delle previsioni per i prossimi 90-365 giorni. La cadenza non riguarda la necessità di esaminare le previsioni così spesso, ma di cogliere i cambiamenti con sufficiente anticipo per agire di conseguenza.
Un revenue manager che aggiorna mensilmente le previsioni su un orizzonte di 90 giorni rileverà uno scostamento nel mix dei canali al quarto mese. Un revenue manager che aggiorna settimanalmente le previsioni su un orizzonte di 90 giorni lo rileverà alla quinta settimana. L'accuratezza delle previsioni è identica, ma la velocità decisionale differisce di dodici settimane. Dodici settimane di impatto cumulativo sui ricavi, con una variazione del 5% dell'ADR in un hotel da 50 camere, corrispondono a una cifra a cinque zeri in euro, ogni trimestre.
La maggior parte delle strutture indipendenti organizza una riunione mensile sulle previsioni perché questa è la cadenza storica ereditata dai cicli di rendicontazione dei proprietari. La raccomandazione pratica è quella di mantenere la riunione mensile per la discussione sul budget e aggiungere una revisione delle previsioni di quindici minuti il martedì mattina per gli orizzonti operativi. Costo operativo: quindici minuti a settimana. Vantaggio operativo: ogni scostamento delle previsioni viene individuato alla quarta settimana invece che al quarto mese.
Il panorama dei fornitori (chi fa effettivamente cosa)
Gli HotelTech Awards 2025 hanno classificato Duetto al primo posto, RoomPriceGenie al secondo e Atomize al terzo tra le sessantacinque soluzioni di revenue management esaminate, con IDeaS posizionata come seconda classificata nel segmento enterprise. Il mercato si è consolidato attorno a fasce di prezzo enterprise, mid-market e SMB e la scelta per un hotel indipendente riguarda più la fascia di prezzo e il modello operativo che l'accuratezza delle previsioni sottostanti.
Enterprise (Duetto, IDeaS)
GameChanger di Duetto e IDeaS G3 sono i prodotti enterprise dominanti. Entrambi sono maturi, entrambi dispongono di solidi moduli di valutazione di gruppo, entrambi si integrano con i principali sistemi PMS ed entrambi hanno un prezzo che si aggira sulle quattro cifre al mese per una singola struttura. IDeaS utilizza analisi derivate da SAS con una storia più lunga. Il posizionamento di Duetto enfatizza la determinazione dei prezzi aperta tra segmenti e canali. Per un hotel indipendente con meno di 200 camere, entrambi sono troppo sofisticati e costosi rispetto al valore operativo che offrono, il che non è una critica ai prodotti ma una valutazione onesta della loro idoneità.
PMI (RoomPriceGenie, Atomize, Pricepoint, BeonPrice)
Il segmento di fascia media e delle PMI è quello in cui la scelta diventa interessante per un hotel indipendente. RoomPriceGenie, Atomize, Pricepoint e BeonPrice si collocano tutti nella fascia da cento a cinquecento euro al mese e utilizzano tutti un sistema di determinazione dei prezzi basato sull'apprendimento automatico con previsioni della domanda integrate. Le differenze operative sono di natura pratica: RoomPriceGenie automatizza al massimo (le variazioni di prezzo vengono applicate senza intervento per impostazione predefinita), Atomize richiede una maggiore supervisione da parte dell'utente, Pricepoint ha una forte focalizzazione sul mercato europeo, mentre BeonPrice ha le sue radici nei mercati spagnolo e latinoamericano.
L'accuratezza delle previsioni di questi fornitori viene raramente valutata in modo indipendente. Nessuno di essi ha pubblicato dati MAPE sottoposti a revisione paritaria per le proprie previsioni. La demo del fornitore vi mostrerà la dashboard. I dati che vi diranno se la dashboard è migliore del vostro foglio di calcolo deriveranno dall'esecuzione delle previsioni del fornitore parallelamente alle vostre per sessanta giorni e dal confronto di entrambe con i dati effettivi. Insistete su questo test prima di firmare un contratto pluriennale.
Moduli di previsione nativi del PMS (Cloudbeds Insights, Mews Demand Forecast)
Cloudbeds Insights e Mews hanno lanciato nel 2024 e nel 2025 moduli di previsione nativi che mirano a fornire una previsione utilizzabile all'interno del PMS per le strutture che non vogliono aggiungere un RMS dedicato. La valutazione onesta su questi moduli è che sono ragionevoli per un hotel con meno di trenta camere che ha bisogno di qualcosa di meglio di un foglio di calcolo, ma con un'accuratezza inferiore a quella di un modello ensemble ottimizzato o di un RMS dedicato per strutture con più di 100 camere e un business di gruppo complesso. Utilizzateli come punto di riferimento, non come giustificazione per evitare un RMS dedicato su larga scala.
La promessa di marketing delle previsioni basate sull'intelligenza artificiale
Quasi tutti i fornitori di RMS ora commercializzano previsioni basate sull'IA. Se si apre la documentazione tecnica, il motore sottostante è quasi sempre il gradient boosting (XGBoost o LightGBM più comunemente) con un livello di feature engineering per eventi, lead-time e canale. Si tratta di una scelta ingegneristica rispettabile e di ciò che la letteratura peer-reviewed afferma funzionare per i dati di dimensioni alberghiere. Il marchio IA è in gran parte accurato come etichetta e in gran parte gonfiato come elemento di differenziazione, poiché ogni fornitore serio in questo segmento utilizza la stessa famiglia di modelli.
Se un fornitore propone un'IA proprietaria senza essere disposto a rivelare la famiglia di modelli, il set di caratteristiche o la metodologia di backtest, state acquistando solo marketing. La domanda onesta da porre durante una chiamata di selezione dei fornitori è: quale famiglia di modelli utilizzate, quali caratteristiche progettate, qual è il vostro MAPE riportato a 7, 14 e 30 giorni su un tipico hotel indipendente da 100 camere, e potete condividere la metodologia con cui viene misurato quel MAPE? Un fornitore che non è disposto a rispondere a queste quattro domande vi sta vendendo una scatola nera, e una scatola nera nella gestione dei ricavi è una scatola nera nelle decisioni più importanti che l'hotel prende ogni giorno.
Un piano interno di 90 giorni
Il piano riportato di seguito presuppone un revenue manager (o proprietario) con accesso al PMS, un foglio di calcolo e circa un'ora al giorno a disposizione. Costo in contanti: meno di 200 euro in totale per gli strumenti opzionali. Risultato: una pratica di previsione funzionante che supera la base di riferimento della stessa settimana dell'anno precedente del dieci-venti per cento e fornisce le basi per qualsiasi successiva valutazione dei fornitori.
Giorni da 1 a 14. Pulire la base dei dati. Verificare la configurazione del PMS per motivi di cancellazione, segnalazioni di mancata presentazione, attribuzione dei canali e codici di segmento. Correggere qualsiasi campo mancante o configurato in modo errato. Importare ventiquattro mesi di dati storici di occupazione e ADR per data, per segmento e per canale in un unico foglio di calcolo. Identificare e contrassegnare il periodo COVID (da marzo 2020 a dicembre 2022) come una discontinuità strutturale. Decidere se escluderlo o includerlo (il documento SME del 2023 suggerisce di includerlo come discontinuità etichettata per gli hotel con una storia breve). Il risultato finale è un unico set di dati pulito, senza date mancanti e senza stati di cancellazione irrisolti.
Giorni dal 15 al 30. Costruisci il quadro di controllo MAPE. Nel foglio di calcolo, esegui una previsione naiva "stessa settimana dell'anno scorso" per gli ultimi dodici mesi a ciascun orizzonte (7, 14, 30, 60, 90 giorni). Calcolare il MAPE per ciascuno. Questa è la vostra linea di base. Ogni metodo che proverete in futuro verrà confrontato con questo. Aggiungere una seconda scheda per il monitoraggio dei dati effettivi rispetto alle previsioni. A partire da questa settimana, registrare la previsione per ciascun orizzonte temporale e il dato effettivo quando si verifica.
Giorni da 31 a 45. Costruisci le curve di prenotazione. Calcola la curva di prenotazione per ciascuno dei sei intervalli di lead time e dei tre segmenti. Il risultato sono diciotto curve che mostrano la prenotazione media giornaliera in base al lead time rimanente. Salvale in una scheda di riferimento separata. La prima volta che le costruisci, i dati ti sorprenderanno. La maggior parte degli hotel indipendenti presenta un chiaro andamento stagionale nella curva del lead time che non ha mai visualizzato esplicitamente.
Giorni da 46 a 60. Costruisci la previsione combinata delle prenotazioni. Usa le curve di prenotazione e la posizione attuale delle prenotazioni in portafoglio per produrre una previsione a termine per ciascuno dei cinque orizzonti. Esegui questa previsione in parallelo con la baseline ingenua e la previsione della stessa settimana dell’anno scorso ogni martedì mattina. Registra entrambe nel quadro di controllo. Dopo quattro settimane, calcola l’incremento della previsione combinata delle prenotazioni rispetto alla baseline ingenua in ciascun orizzonte.
Giorni dal 61 al 75. Aggiungere il wash di gruppo e il segmento. Calcolare il fattore di wash di gruppo su dodici mesi per segmento (matrimoni, aziende, associazioni, tempo libero, tour). Applicare il fattore di wash alle prenotazioni lorde di gruppo nella previsione come aggiustamento al netto del wash. Monitorare lo stesso aumento della previsione rispetto alla versione precedente sul tabellone. La sola rettifica di wash in genere migliora la previsione del 3-5% di MAPE nell'orizzonte da 30 a 60 giorni per le strutture con un'attività di gruppo significativa.
Giorni dal 76 al 90. Decidere sulla questione del fornitore. Entro il giorno 90 si dispone di una pratica di previsione interna funzionante con accuratezza documentata. Ora è possibile prendere una decisione sul fornitore basata su dati concreti. Coinvolgere due fornitori di RMS per un test comparativo di 60 giorni. Ogni fornitore fornisce una previsione per ciascuno dei cinque orizzonti ogni martedì mattina. Registrate le loro previsioni nel tabellone. Dopo 60 giorni, confrontate il MAPE di ciascun fornitore con la vostra previsione interna per ciascun orizzonte. La decisione diventa facile. Se il fornitore supera costantemente i vostri dati interni in misura sufficiente da giustificare il canone mensile, firmate. In caso contrario, mantenete il processo interno e valutate di riesaminare la questione tra dodici mesi.
Questo è l'opposto della tipica selezione dei fornitori. La maggior parte degli hotel indipendenti valuta un fornitore in una demo rispetto a una linea di base immaginaria. Il consiglio è di valutare un fornitore in un confronto diretto rispetto a una linea di base misurata. I dati vi diranno se vale la pena spendere.
Come Prostay gestisce la previsione della domanda
Il PMS Prostay include un modulo di previsione nativo che si concentra sul divario operativo pratico per un hotel indipendente con meno di 150 camere. Il modello alla base è un motore di acquisizione combinato con una sovrapposizione di serie temporali configurabile (livellamento esponenziale predefinito) e l'opzione di aggiungere una correzione residua basata sul gradient boosting una volta che la struttura dispone di sei mesi di dati puliti nel sistema.
I campi relativi alle cancellazioni e all'attribuzione dei canali sono preconfigurati per supportare la previsione in modo nativo, quindi il lavoro di base sui dati descritto sopra è già pronto fin dal primo giorno, senza richiedere una verifica personalizzata dei dati. Il modulo del fattore di wash calcola automaticamente il wash su dodici mesi scorrenti per segmento di gruppo una volta inseriti i codici di segmento. Il quadro di controllo MAPE funziona come un dashboard continuo piuttosto che come un foglio di calcolo manuale, con un aumento calcolato automaticamente ogni settimana rispetto al valore di riferimento della stessa settimana dell'anno precedente.
Gli orizzonti temporali di 7/14/30/60/90 giorni vengono precalcolati quotidianamente e visualizzati nel dashboard dei ricavi. Le curve di pickup vengono visualizzate per ogni segmento e fascia di lead time senza la necessità di un lavoro manuale su fogli di calcolo. Il calendario degli eventi è un'unica fonte di dati per le prenotazioni, le vendite e il modello di previsione, eliminando di fatto il rischio di disallineamento del calendario.
Per le strutture indipendenti che preferiscono un RMS dedicato, Prostay si integra nativamente con RoomPriceGenie, Atomize e Duetto tramite il channel manager standard, il che significa che i dati di previsione e le curve di occupazione vengono esposti all'RMS senza un progetto di integrazione separato. La previsione nativa è posizionata come base di riferimento piuttosto che come sostituzione. Ogni struttura dispone di una previsione fin dal primo giorno, e la decisione di aggiungere un RMS dedicato diventa la valutazione comparativa descritta nel piano a 90 giorni.
Nulla di tutto ciò significa che Prostay sia l'unico modo per farlo. Un revenue manager che utilizza qualsiasi PMS moderno può eseguire il piano interno con un certo impegno. L'osservazione pratica è che la base dati, il calcolo della curva di occupazione, il monitoraggio del wash e il quadro di controllo MAPE richiedono circa quattro-sei settimane di lavoro mirato per struttura all'anno se eseguiti manualmente. Una piattaforma che li fornisce di default elimina il carico operativo, consentendo al revenue manager di dedicare il tempo all'utilizzo effettivo delle previsioni piuttosto che alla loro produzione.
Punti chiave
La previsione è la disciplina più antica nella gestione dei ricavi alberghieri e quella meno strumentalizzata nella pratica. Meno del dieci per cento degli hotel indipendenti utilizza un RMS dedicato. I benchmark di Cornell e HSMAI suggeriscono che per le strutture che non effettuano ancora previsioni in modo sistematico è possibile ottenere un aumento del RevPAR compreso tra il quattro virgola cinque e il quindici per cento.
Una valutazione onesta dei metodi mostra che il combined pickup è il cavallo di battaglia, l’esponenziale è l’impostazione predefinita sorprendentemente competente, gli ensemble di gradient boosting vincono nel breve termine se opportunamente ottimizzati, le baseline naive sono più difficili da battere di quanto i fornitori ammettano e le combinazioni di metodi superano costantemente i singoli metodi. Il deep learning non offre risultati soddisfacenti sui dati di hotel con una sola struttura. I modelli di base sono interessanti dal punto di vista speculativo ma non sono stati dimostrati pragmaticamente sui dati alberghieri al 2026.
Le quattro modalità di fallimento che compromettono ogni previsione alberghiera sono i blocchi di gruppo (Lee 1999 MAPE del quaranta per cento a due mesi), la contaminazione da cancellazioni (OTA dal quaranta al cinquanta per cento contro il diretto intorno al diciotto per cento secondo SiteMinder e D-EDGE 2024), gli spostamenti dei tempi di prenotazione (SiteMinder 2024 finestra di prenotazione media di trentadue giorni e in accorciamento) e il disallineamento del calendario. Le soluzioni sono: ripulire i dati sulle cancellazioni, monitorare l'andamento per fasce di lead-time e segmenti, costruire un quadro di controllo MAPE a 7/14/30/60/90 giorni, calibrare il washout dei gruppi e rifare le previsioni con la cadenza effettivamente necessaria per la decisione.
Il panorama dei fornitori si sta consolidando attorno a Duetto e IDeaS per le grandi aziende, RoomPriceGenie, Atomize, Pricepoint e BeonPrice per le PMI, con le previsioni native dei PMS (Cloudbeds Insights, Mews demand forecast) che coprono la fascia di budget più bassa. Quasi tutte le affermazioni sull'intelligenza artificiale dei fornitori si basano in realtà sul gradient boosting, che è la scelta ingegneristica corretta ma un elemento di differenziazione fuorviante. Ponete a qualsiasi fornitore le quattro domande riportate nella sezione dedicata ai fornitori prima di firmare.
Il piano interno di 90 giorni è il punto di partenza consigliato. Costo in contanti inferiore a 200 euro, costo in termini di tempo di un'ora al giorno, risultato una linea di base misurata che trasforma la decisione sul fornitore da una scelta di marketing a una scelta basata sui dati. Prostay fornisce di default la previsione nativa e la base dati, il che elimina l'onere operativo di costruirla manualmente e libera il revenue manager dall'onere di produrla, consentendogli invece di utilizzarla effettivamente. Una demo dal vivo è il modo più veloce per verificare se quella linea di base corrisponde a come si desidera effettivamente operare.
