Tesis doctorales de la Escuela Internacional de Doctorado de la URJC desde el curso 2024/25
Data-Driven Decision Making: Applying Machine Learning to Revenue Management in Hospitality
Autor
GÓMEZ TALAL, ISMAEL
Director
GONZÁLEZ SERRANO, LYDIA MARÍA
Codirector
TALÓN BALLESTERO, MARÍA DEL PILAR
Fecha de depósito
25-06-2025
Periodo de exposición pública
26 de junio a 9 de julio de 2025
Fecha de defensa
Sin especificar
Programa
Turismo (12) (interuniversitario)
Mención internacional
Solicitada
Resumen
Antecedentes.
La industria de la restauración ha experimentado una transformación sustancial en la última década, particularmente a partir del impacto de la pandemia de COVID-19, que actuó como catalizador para acelerar la digitalización de procesos y servicios. Tradicionalmente, este sector ha estado rezagado en la adopción de estrategias de Revenue Management (RM) en comparación con otras industrias como la hotelera o la aérea, donde su implementación ha sido más temprana y sistemática. Diversas barreras estructurales han dificultado su aplicación en restauración, entre las que destacan la ausencia de una cultura arraigada de reservas, la escasa recopilación de datos transaccionales, la falta de sistemas de gestión integrados (como los Sistemas de Gestión de Propiedades (PMS) en hotelería), y una resistencia generalizada por parte de los gestores a modificar precios dinámicOS por temor a la percepción negativa por parte del cliente. No obstante, el entorno actual presenta una oportunidad única para revertir esta situación. La digitalización progresiva de cartas y menús, el uso creciente de aplicaciones móviles para realizar pedidos, pagar cuentas y gestionar reservas, y el incremento del uso de tecnologías como las cartas digitales y plataformas de gestión en la nube, han provocado un aumento de volumen de datos (estructurados y semiestructurados) que pueden aprovecharse con fines analíticos. Estos datos, una vez tratados adecuadamente, abren la puerta a la aplicación de técnicas avanzadas de análisis como el Big Data (BD), el Aprendizaje Automático (ML) y la Inteligencia Artificial Explicable (XAI), que ofrecen nuevas perspectivas para optimizar la toma de decisiones estratégicas. El RM en restauración no solo implica ajustar los precios en función de la demanda, sino también gestionar eficientemente la capacidad, prever el comportamiento del consumidor y alinear los recursos disponibles con las expectativas del mercado. En este sentido, las herramientas mencionadas permiten detectar patrones complejos en los datos históricos de ventas, identificar momentos clave de alta o baja demanda, y adaptar la oferta de manera dinámica. Además, la XAI proporciona una capa adicional de confianza al permitir que los modelos predictivos sean interpretables, facilitando la adopción por parte de gestores que no necesariamente poseen formación técnica avanzada. A nivel académico, existe un creciente cuerpo de literatura que explora la aplicación de estas herramientas en contextos empresariales, pero todavía son escasos los estudios empíricos que aborden su implementación específica en el ámbito de la restauración. Esta tesis se ubica dentro de esa laguna investigadora, proponiendo un marco metodológico que combina enfoques de ML, análisis semántico y modelos XAI para aportar soluciones concretas a los desafíos de la industria. En este contexto, resulta pertinente cuestionarse no solo si es técnicamente viable aplicar RM en restaurantes, sino también si existe una disposición cultural, organizacional y tecnológica para su adopción. Asimismo, es crucial comprender cómo perciben los consumidores las estrategias de pricing dinámico y hasta qué punto están dispuestos a aceptarlas como parte de una experiencia gastronómica personalizada y eficiente.
Objetivos.
El objetivo general de esta tesis doctoral es investigar cómo las tecnologías emergentes relacionadas con el BD, el ML, el NLP y la XAI pueden ser aplicadas al contexto de la restauración para optimizar la toma de decisiones estratégicas asociadas al RM. En particular, se busca explorar cómo estas tecnologías pueden resolver problemas clave en la industria, tales como la predicción de la demanda, la fijación dinámica de precios y la gestión de cancelaciones, contribuyendo así a una restauración más eficiente, rentable y centrada en el cliente. Para alcanzar este objetivo general, se plantean tres objetivos específicos.
(1) Analizar la percepción del cliente ante estrategias de pricing dinámico en restauración, este objetivo se centra en comprender en profundidad las actitudes, percepciones y posibles reacciones de los clientes cuando se enfrentan a precios variables en productos de restauración. Aunque el pricing dinámico es comúnmente aceptado en industrias como la hotelera o la aérea, su implementación en restaurantes todavía genera incertidumbre tanto entre empresarios como entre consumidores. A través del análisis semántico de reseñas online utilizando técnicas avanzadas de NLP, como el modelo de Representaciones de codificadores bidireccionales a partir de transformadores (BERT), y un diseño cuasi-experimental basado en Diferencias en Diferencias (DiD), se evalúa el impacto de estas estrategias sobre la reputación online.
(2) Desarrollar un modelo de previsión de ventas que no requiera información sensible del cliente en restauración, dado que muchos restaurantes no disponen de sistemas de RM (RMS) ni de bases de datos detalladas sobre sus clientes, este objetivo se enfoca en modelos predictivos basados en datos agregados provenientes de tickets de venta. Se utilizan técnicas no supervisadas como el Análisis de Correspondencias Múltiples (MCA) y la Descripción de Dominios mediante Soporte Vectorial (SVDD) para identificar patrones de consumo sin comprometer la privacidad del usuario. El modelo resultante pretende prever con alta precisión la demanda de platos específicos del menú, permitiendo una optimización efectiva de inventarios, planificación de personal y estrategias promocionales.
(3) Diseñar un modelo de predicción de cancelaciones basado en datos hoteleros, con potencial de transferencia a restauración. Dado que la restauración aún carece de datos suficientes sobre cancelaciones, se propone un modelo entrenado con datos del sector hotelero, donde la cultura de reserva está más consolidada y la disponibilidad de información es mayor. Utilizando técnicas de stacking combinadas con XAI, se desarrolla un metamodelo que no solo presenta altas tasas de precisión, sino que también ofrece explicaciones claras sobre las variables más influyentes, facilitando su interpretación y adopción por parte de gestores no especializados. En conjunto, estos tres objetivos permiten cubrir los aspectos fundamentales del ciclo de RM en la industria de la hostelería. Además, contribuyen a generar conocimiento aplicado que puede ser útil tanto en el ámbito académico como empresarial, fomentando la adopción de tecnologías de vanguardia en un sector que históricamente ha sido reticente a la innovación tecnológica.
Resultados.
Los principales resultados logrados en esta tesis doctoral evidencian avances significativos en la aplicación del ML y Big Data al RM en restauración. Los tres estudios realizados, aunque distintos en su naturaleza, se articulan en torno a un hilo conductor común: la previsión como herramienta central del RM, abordada desde diferentes ángulos que permiten validar su aplicabilidad, mejorar su precisión y ampliar su impacto en la gestión operativa.
(1) Como punto de partida, se llevó a cabo una investigación exploratoria sobre la percepción del cliente ante los precios dinámicos, con el objetivo de valorar la viabilidad de aplicar estrategias de RM en un sector donde su adopción ha sido limitada. A través de un modelo BERT combinado con DiD, se demuestra que los precios dinámicos pueden implementarse sin deteriorar la reputación online, siempre que se comuniquen de forma transparente. Este hallazgo representa un cambio de paradigma, ya que contribuye a eliminar una de las principales barreras percibidas por los gerentes de restaurantes. Además, el análisis semántico de las reviews permite detectar cómo los clientes interpretan el valor recibido, abriendo la puerta a estrategias de Value-Based pricing como evolución del pricing dinámico.
(2) Una vez confirmada la aceptación potencial de estrategias dinámicas, se abordó el desarrollo de un modelo de previsión de ventas como eje central de la implementación del RM. Utilizando técnicas no supervisadas (MCA y SVDD) sobre datos de tickets de venta, el modelo permite estimar la demanda con alta precisión sin requerir información individual del cliente. Este enfoque permite anticipar el comportamiento del cliente sin necesidad de datos personales, lo que lo hace especialmente viable para entornos donde aún no se ha implantado un CRM. Para facilitar su uso por parte de los gerentes, se ha desarrollado una aplicación iOS que muestra en tiempo real las previsiones de demanda por plato, integrando el forecasting como una herramienta clave para la toma de decisiones estratégicas en pricing y capacidad.
(3) Por último, se abordó una dimensión clave del forecasting poco explorada en restauración: la predicción de cancelaciones. Ante la escasez de datos propios del sector, se adaptó un modelo predictivo entrenado con datos del sector hotelero, obteniendo una tasa de acierto del 96 %. El metamodelo, basado en generalización apilada e interpretabilidad mediante técnicas XAI, permite anticipar cancelaciones con suficiente antelación como para aplicar estrategias de overbooking controlado y optimizar la asignación de mesas. Este estudio demuestra que, incluso con limitaciones de datos, es posible transferir conocimiento de sectores más avanzados en RM a la restauración de forma eficaz. En conjunto, los tres estudios están conectados por una lógica progresiva: evaluar la aceptación del cliente, desarrollar herramientas de previsión de ventas y anticipar cancelaciones, completando el ciclo de gestión de la demanda. Los resultados ponen de manifiesto que la integración de Big Data y ML en el RM no solo es factible en restauración, sino que aporta ventajas competitivas tangibles en términos de rentabilidad, sostenibilidad y calidad de servicio.
Conclusiones.
Esta tesis doctoral demuestra que la aplicación integrada y explicable de técnicas avanzadas (como BD, ML, NLP e XAI) mejora sustancialmente la toma de decisiones estratégicas en tres dimensiones clave del RM: previsión de la demanda, fijación dinámica de precios y gestión de la capacidad. En sectores tradicionalmente rezagados en digitalización como la restauración, estas tecnologías permiten superar la escasez de datos individualizados mediante el análisis de transacciones, habilitando modelos predictivos precisos y adaptables. En el ámbito hotelero, se evidencia que la aplicación de modelos de cancelación basados en técnicas explicables permite gestionar inventarios de forma más proactiva y fundamentada.
(1) La integración de estrategias de pricing dinámico, forecasting y gestión de capacidad con sistemas de XAI ofrece un marco robusto para optimizar la rentabilidad sin comprometer la confianza del cliente. Asimismo, los modelos interpretables no solo mejoran la precisión de las predicciones y la rapidez en la toma de decisiones, sino que también fomentan la aceptación directiva y la capacidad de anticipación estratégica, abordando barreras críticas para la adopción de tecnologías basadas en XAI en el sector de la hospitalidad.
La transformación digital acelerada por la pandemia de COVID-19 ha generado oportunidades sin precedentes para aplicar prácticas de RM en sectores previamente infra-digitalizados como los restaurantes; no obstante, su adopción exitosa requiere herramientas explicables y sensibles al contexto operativo de cada subsector.
A nivel empírico, los tres estudios desarrollados en esta tesis aportan hallazgos específicos y complementarios. El primer estudio ofrece evidencia pionera sobre la aceptación de estrategias de precios dinámicos en restauración mediante menús digitales inteligentes. Combinando técnicas de inferencia causal y análisis semántico con modelos BERT, se demuestra que estas estrategias pueden implementarse sin perjudicar la reputación online, siempre que se comuniquen de forma transparente. Además, se propone una nueva definición teórica de precios dinámicos en restauración, que los distingue de la discriminación de precios tradicional al enfatizar su naturaleza contextual y basada en datos.
El segundo estudio introduce un marco metodológico para la previsión de ventas y la optimización del inventario basado en técnicas no supervisadas aplicadas a datos de tickets de restaurantes. El modelo permite identificar patrones de consumo sin requerir información sensible, y ha sido implementado en una aplicación visual registrada como propiedad intelectual, especialmente útil para pequeñas y medianas empresas con infraestructura digital limitada.
El tercer estudio desarrolla un metamodelo predictivo para cancelaciones hoteleras, alcanzando una precisión del 96.89 %. Este modelo, basado en aprendizaje por ensamblado y técnicas de explicabilidad (como SHAP), identifica las variables más relevantes en la conducta de cancelación, permitiendo a los gestores anticiparse a pérdidas de ingreso por no-shows.
En conjunto, los resultados evidencian que es posible construir sistemas de RM inteligentes, interpretables y adaptativos que respondan a las necesidades operativas del sector, incluso en contextos con escasos recursos tecnológicos. Esta tesis sienta así las bases para una nueva generación de herramientas que, más allá de su capacidad algorítmica, están orientadas hacia la responsabilidad social, la aplicabilidad práctica y la sostenibilidad estratégica en la industria de la hospitalidad.
