Rubén Belluomo, gerente comercial de Infor Cono Sur, refiere sobre este tema.

La era digital es realmente la era de saber muchas cosas, pero debido al fácil acceso a las plataformas sociales, donde coexisten tanto hechos reales como falsos, tenemos acceso a más información de la necesaria y útil. Podemos hacer una comparación entre los datos y el fuego, ya que en la medida justa y si se usa sabiamente, ilumina y calienta, pero si se usa mal puede ser destructivo y devastador.

El objetivo más útil, por lo tanto, no es prevenir un incendio, sino una buena gestión del fuego, aprendiendo a discernir entre cantidad y calidad para reaccionar de forma acorde.

En el sector de hospitality, la recolección y el uso de datos es lo que cambia el mercado. La ubicación abarca ahora todo el planeta, y las variaciones de productos en las distintas habitaciones van desde piezas sencillas hasta suites reales. A pesar del enorme panorama de diferentes productos y servicios dentro de un precio similar, no existe tanta diferenciación de productos y servicios, es por esto que dependemos de los datos para brindar diferencias y personalizar el servicio.

Pero no todos los datos son iguales, si consideramos la información que se usa para servir a los huéspedes, existen 4 tipos distintos de datos:

1. Activos. Cuando solicitamos información de un huésped o cliente, eso es recolección activa de datos. Podemos preguntar personalmente o a través de un formulario, pero de cualquier forma estamos pidiendo directamente lo que necesitamos, de manera de utilizar esos datos para beneficiarlo. Son precisos de la fuente original, sin embargo, es importante destacar que hasta los datos activos tienen una vida útil: apellido, dirección, edad, estado civil, fumador o no, necesidades específicas, que pueden variar. “Eternamente verdadero“ es algo que no existe en los datos de los huéspedes, existe la necesidad de volver a preguntar y reconfirmarlos con regularidad.
2. Pasivos. Durante el curso rutinario de un hotel, se genera una enorme cantidad de datos. Contar con los disponibles o utilizarlos para una toma de decisiones futura es un ejemplo de recolección pasiva. Se puede asumir que al ser datos de hecho (durmió en una habitación king o en el hotel xx), reflejarán las preferencias del huésped por una cama de ese tamaño. También es razonable pensar que se recolectó información indirectamente en el check in (prefiere cama doble o dos camas), por lo que el cuarto doble será la probable referencia del huésped. Esto es así, si realmente hubo una elección de parte del huésped y no cuando era lo único disponible en ese momento en el hotel. Lo que no queda claro es si esa preferencia continuará siendo la misma. También existen datos adicionales, quizás se le preguntó si prefería un cuarto de dos camas en el primer piso o cama King mirando el lago. En tal caso ¿seleccionó por la vista? Es por esto que la recolección pasiva de datos tiene información que puede no ser 100% real.
3. Presuntos. Los datos presuntos no son datos basados en recolección activa ni pasiva, sino que condicen con el perfil de una persona específica o grupo de afinidad. El riesgo de utilizar datos presuntos es que no son siempre reales, por ejemplo, se puede considerar que una persona por su lugar de origen tiene ciertas tendencias políticas o culturales. En un hotel según las estadísticas, si alguien se aloja un lunes o martes, consideran que pedirá cama doble. Sin embargo, existen los casos de personas que siempre piden camas separadas, una para dormir y la otra para apoyar la ropa, papeles etcétera. Los datos presuntos funcionan siempre que el cliente no sea la excepción.
4. Acumulado. Otra forma de conseguir datos es recolectar y juntar una gran cantidad de datos crudos, asumiendo que cuanto más se cuentan, más probabilidad de extraer información interesante hay. Esto es secretamente la salsa secreta del big data, el total refleja más que las partes. Con estos datos se pueden hacer promedios, ver tendencias y evaluar procesos estadísticos.

Pero en este caso también es difícil en una sola transacción determinar la motivación de la selección del huésped. Si el huésped se aloja 18 veces en el año y 14 de esas veces en una habitación King, podemos con cierta confianza justificar que esa es su preferencia. La mejor prueba es que el cliente es reincidente, lo que nos muestra que cuanto mayor cantidad de datos, más posibilidad de certezas.

Otro ejemplo del poder de big data es la forma en que puede mejorar el servicio del hotel, ya que como los sistemas cuentan con la capacidad de procesar y almacenar cantidades masivas de datos, se pueden analizar en detalle y usarse para predecir los resultados de los servicios.

Durante muchos años, el sector utilizó estadísticas estándar con las que se medía la performance; en una habitación simple (consideramos un Holiday Inn de ruta), se calculaba que el personal de limpieza debería tardar treinta minutos en tenerla lista, haciendo dieciséis habitaciones en un turno de 8 horas, pero una cantidad de variables podrían afectar este resultado. Dieciséis era la meta que se podía lograr y las variaciones se usaban para mostrar el buen o bajo performance.

Hoy la precisión que se puede lograr de las variables de cada habitación es mucho mayor. Se puede saber el tamaño de la habitación, la cantidad de personas que se alojaron, el nivel de servicio solicitado, el tiempo en cada habitación, el tiempo de recorrido entre habitación y habitación, la hora, discrepancias , quien fue el personal que hizo el trabajo, edad, años de experiencias.

Entonces ¿los datos no iluminan? Sin duda pueden hacerlo. Cuando se usan bien producen mayor satisfacción en los clientes y brindan un mejor servicio, siempre que se entrene y capacite al personal. Entender la recolección de datos e interpretarlos adecuadamente, resulta clave para superar las expectativas de los huéspedes y brindar experiencias memorables y diferenciadoras.

FOTO: UNSPLASH.COM