El Big Data es un concepto muy claro en grandes corporaciones como Google, Movistar, Booking o ciudades como Barcelona pero todavía es difícil de ver en cadenas pequeñas de hoteles y menos en hoteles independientes.

Son proyectos complejos, costosos y que implican a muchos departamentos de la empresa.

Qué es Big Data?

De hecho se debería llamar 'Datos complejos', 'Datos sofisticados' o 'Datos cruzados'.

El 'big data' normalmente se construye a medida para cada empresa y se basa en cruzar bases de datos de la propia empresa y en algunos casos también añadir bases de datos externas.

El gran valor del big data es obtener información que ahora no tenemos al alcance, que nuestro ERP (PMS) o nuestro CRM no nos dan.

Los procesos de tratamiento de datos de Big Data van mucho más allá de Excel.

Podemos tener millones de datos captados por nuestras antenas Wi-fi, pero a pesar de ser millones, sigue siendo 'small data': Un solo software, que capta algunos parámetros y nos ofrece métricas.

El objetivo ideal es conseguir patrones predictivos que nos permitan anticiparnos y mejorar la política comercial, la atención al cliente o la operativa interna.

Es fundamental 'la pregunta' y el ROI esperado

Cualquier proyecto de Big Data debe partir de una 'pregunta' o 'reto' del área de negocio.

Esta pregunta debe tener asociado un claro beneficio y un retorno de la inversión que justifique el esfuerzo de toda la compañía y el gasto en nuevos recursos humanos y técnicos.

En proyectos big data no nos podemos permitir hablar de información curiosa o adicional.

Las métricas que nos de un proyecto de Big data, deben impactar positiva y manifiestamente en el negocio, a nivel de ventas o de mejora de la operativa (costes)

Los proyectos Big Data son complejos

Conseguir las fuentes de información y asegurarse de la fiabilidad de los datos, es un trabajo vital al inicio de cualquier proyecto big data. Incluso las fuentes internas de datos muchas veces no son fiables.

Se requieren profesionales especializados y software específicos. Con los recursos actuales seguro que no se puede trabajar un proyecto de Big Data.

Estos nuevos profesionales, en plantilla o externos, nunca trabajarán autónomamente, ya que son fundamentales los datos internos.

Estos profesionales antes que nada deberán asegurarse de la fiabilidad de estos datos.

Deberán trabajar con varios departamentos de la empresa para captar más datos y mejorar los datos captados actualmente.

Fundamental la visualización de los datos

Una vez conseguidas y procesados ​​los datos, es vital la forma en que se muestran los resultados del análisis big data a los responsables de negocio, en respuesta a la 'pregunta' que en la fase previa lanzaron.

Debe ser una interfaz fácil e intuitiva para que puedan interactuar y tomar las mejores decisiones. Va mucho más allá de tablas Excel, sino que suelen ser gráficos y mapas interactivos.

Objetivo: Tiempo real

Muchos proyectos de big fecha se basan en datos del histórico, para ajustar las estrategias y operativa.

El reto es procesar datos en tiempo real para que nuestras acciones sean aún más ajustadas a la realidad.

Automatismos y personas

Aunque el mundo big data parezca un universo inhumano y automatizado, exige un gran esfuerzo de los directivos y trabajadores de la empresa para definir las acciones de mejora que queremos conseguir, y sobre todo un seguimiento sobre los beneficios que genera, especialmente en lo que tiene que ver con la satisfacción del cliente.

El factor humano sigue siendo fundamental.

Big Data se basa en crear automatismos

- En captación y almacenamiento de datos
- Procesamiento de datos y visualización de resultados
- Algoritmos de toma de decisiones y acciones
- Medidas de análisis y correctoras

De hecho existen software que ya hacen big data para nosotros.

Programas de RMS (revenue management system) tipo idea o el antiguo Pricematch los podríamos definir como 'Big Data' ya que creen datos del histórico de reservas, datos futuras 'on the books', calendario de eventos de la ciudad, precios de la competencia, y nos dan el precio más alto por cada día, segmento y tipo de habitación.

Un producto interesante también es el Demand 360º de TravelCLICK, que vendría ser un STR a futuro. Hoteles de un mismo destino aportan datos 'on the books', que se hacen anónimos y se mezclan con otros competidores del mismo set competitivo. Un hotel que participe, obtendrá datos de su competencia 'a futuro' de precio medio, ocupación por segmentos y canales de distribución. Esta sería una fuente externa muy potente para cruzar con nuestro RMS.

Actualmente en Barcelona esta herramienta la utilizan hoteles sobretodo de cadenas internacionales y no puede ser operativa hasta que participe un grupo significativo de hoteles de un mismo set competitivo.

Estos softwares surgieron un día a partir de un reto Big Data: Queremos conseguir el precio más alto por cada día, segmento y tipo de habitación.

El area de domótica también se puede definir como big data, en el momento que ajustamos la calefacción, las luces, los toldos al volumen de personas de cada zona e incluso a la previsión de ocupación de las salas.

Ejemplo: Si tenemos monitorizado el consumo de agua de las habitaciones, podemos saber cuántas personas tendremos desayunando dentro de 20 minutos y optimizar la operativa.

Ejemplo 2: Si tenemos una cámara contadora de personas en la recepción y otra detrás del mostrador, podemos hacer que se dispare una llamada automática de personal cuando el ratio recepcionista / huésped sobrepase unos valores establecidos.

Al final, Big Data se basa en cruzar datos, para obtener datos complejas.

Después la clave es crear algoritmos de respuesta automática que supongan una mejora para el cliente (mejor atención) o operativas.

En el caso del ejemplo 2, los datos que captamos de las cámaras nos dan un ratio huésped/recepcionista.

Cuando hablamos 'de algoritmo', nos referimos a un protocolo que ejecuta acciones pre-determinadas.

El ratio es una métrica relativa. No es lo mismo en horas de check-out que a las 12h de la noche. Si tenemos un registro de ubicación de empleados, el algoritmo puede hacer una llamada según perfil o según proximidad.

Si no puede acudir ningún empleado a reforzar la recepción, este sistema nos creará una estadística de momentos de 'saturación' que nos puede servir para que recursos humanos refuerce ciertos horarios.

Este es sólo un ejemplo hipotético. El trabajo de los gestores es definir si la mejora que se consigue en cada caso, justifica la complejidad y los costes de los sistemas que se monten.

El coste de la configuración de estos automatismos, debe ser inferior al beneficio que genere de servicio y satisfacción del cliente. Si un hotel tiene problemas en esta área y se ve perjudicado su rendimiento económico, puede plantearse este reto.

Actualmente están empezando a aparecer herramientas big data de previsión de demanda en destino tipo Snapshot, que informan sobre el volumen de búsquedas en Google o menciones en redes sociales sobre un destino o evento, o búsquedas y reservas de vuelos en tiempo real según el origen.

En este caso, añadir esta capa de datos en nuestras campañas de marketing y en nuestro algoritmo para la fijación de precios de habitaciones debería dar una política de fijación de precios más efectiva y competitiva.

Ejemplo 3: Si una herramienta nos indica que las búsquedas desde Rusia sobre 'Primavera sound' están disparando, podemos activar una campaña sólo para el mercado ruso de adwords con la palabra clave 'Hotel junto al Primavera Sound'.

Factores clave del Big Data

1. La dirección debe creer en el proyecto

- Debe asignar un liderazgo claro (operaciones, sistemas, negocio)

2. Dirección de negocio debe definir:

- Una 'pregunta' clara

- Las métricas que espera recibir

- Las acciones correctivas que estas métricas dispararán.

- Las mejoras cuantitativas que espera obtener

- Los recursos internos y externos que está dispuesto a dedicar.

- La fecha donde espera recibir estas métricas

- Las métricas que nos den, deben mejorar el rendimiento del negocio. No podemos hablar de información curiosa o adicional. Debe impactar positiva y manifiestamente en el negocio, a nivel de ventas o de mejora de la operativa (costes)

- Se necesitan perfiles profesionales especializados y hace falta especialistas que contraten y supervisen a estos nuevos profesionales. El director de sistemas o de operaciones en general tienen más nociones sobre el tema, pero no necesariamente dominan todo lo necesario.

Pasos a realizar en un proyecto Big Data

Paso 1

• Definición de objetivos por parte del área de negocio

Paso 2

• Auditoría interna de bases de datos
• Estudio legal sobre privacidad de datos personales
• Estudio sobre seguridad de las bases de datos ante ciberataques
• Definir costes del proyecto y calcular el retorno de la inversión (ROI)

Paso 3

Obtener las fuentes de datos

• Bases de datos existentes
• Sensorización
• Captación manual de datos
• Captación automática
• Encuestas al usuario
• Fuentes externas
• Open data: Bases de datos públicas o privadas de libre acceso.
• Bases de datos de pago.
• Acuerdos para compartir datos con otros operadores.

Paso 4 

Tratamiento de datos

• Validación de fiabilidad de datos.
• Almacenamiento
• Cruce de datos
• Seguridad de datos personales de usuarios y trabajadores y seguridad para los datos sensibles de la empresa.
• Anonimizar datos de usuario
• Prevenir ciberataques.

Paso 5

Visualización:

• Definir un sistema de tablas, gráficos o mapas que sea fácil de interacturar por los diferentes departamentos implicados.
• Definir los diferentes niveles de acceso a datos de los trabajadores y directivos implicados.

Paso 6

Acciones de mejora derivadas de estas nuevas métricas Big Data.

• Definir protocolos de actuación
  • Manuales: Las personas cuando revisan los datos activan acciones.
  • Automáticos: Cuando se alcanzan ciertos valores, se disparan automáticamente acciones correctoras.

Paso 7

• Acciones de seguimiento y corrección de protocolos y automatismos.
• Seguimiento de las mejoras obtenidas y grado de consecución del ROI pre-definido.

Como conclusión, big data son proyectos complejos de cruce de datos para obtener patrones predictivos que nos permitan mejorar nuestra acción comercial, de atención al cliente y operativa interna, idealmente en tiempo real.​