La optimización de tarifas hoteleras tiene una formulación matemática establecida desde hace décadas. Lo que cambia de un hotel a otro es cuánto de esa formulación se puede ejecutar con los datos y los sistemas disponibles.
Este artículo recorre el planteo básico y los modelos que lo resuelven, y se detiene en dos preguntas: hasta dónde llega el cálculo en un hotel real y qué agrega la inteligencia artificial. El marco general lo fija la estrategia de precios del hotel.
¿Qué es la optimización de tarifas hoteleras?
La premisa es la elasticidad de la demanda al precio. A mayor precio, menos habitaciones vendidas; a menor precio, más.
Con los pares de precio y cantidad que registra el histórico se estima esa relación y se obtiene una curva de demanda.
El ingreso de una fecha es el producto del precio por la cantidad vendida. El precio empuja ese producto hacia arriba y la cantidad hacia abajo, de modo que crece hasta un punto y después cae.
El precio óptimo es el de ese máximo: aquel en el que un aumento adicional deja de compensar el volumen que se pierde.
Ahí termina el planteo básico: una curva estimada, una función de ingreso y un máximo. Lo que lo complica en hotelería son tres agregados.
- La capacidad es fija. Si el precio que maximiza el ingreso teórico atrae más demanda que habitaciones disponibles, ese óptimo deja de ser alcanzable y el precio debe subir hasta ajustar la demanda a la capacidad.
- El inventario es perecedero y la venta se distribuye a lo largo de meses. Cada reserva aceptada hoy consume una habitación que podía venderse más adelante, y ese costo de oportunidad entra al cálculo. Pesa solo cuando la fecha tiene chances reales de agotarse: con demanda holgada tiende a cero.
- La demanda no es homogénea. Cada segmento tiene su propia curva y su propia elasticidad, y el hotel vende a varios a la vez con precios distintos.
Los modelos de optimización resuelven ese mismo problema con los tres agregados encima. El principio de fondo está desarrollado en el análisis de pricing basado en demanda frente a pricing basado en costos.
¿Optimizar tarifas es posible o es un ejercicio teórico?
El planteo es simple; estimar la curva es el problema. Un hotel no observa una curva de demanda, observa unos pocos pares de precio y cantidad.
Y esos puntos vienen contaminados: el precio se movió porque alguien anticipó un cambio de demanda, de modo que la relación medida mezcla causa y efecto.
A eso se suma que la curva no es estable. La de un fin de semana largo de julio no sirve para un martes de abril, y la del año pasado no sirve si cambió la conectividad aérea o el tipo de cambio.
Cualquier resultado que un sistema presente como tarifa óptima es la solución de un modelo, con los supuestos de ese modelo adentro.
Lo que sí es alcanzable es una aproximación que mejora de forma medible sobre la decisión por regla fija. La mejora se concentra en la previsión de demanda, que es el insumo de mayor peso.
Un estudio comparativo publicado en Current Issues in Tourism (2022) evaluó veintidós métodos de previsión de demanda hotelera y encontró reducciones del error cuadrático medio de hasta 54% a un día y 45% a catorce días frente a suavizado exponencial.
Tres condiciones determinan cuánto de este planteo puede ejecutar un hotel:
- Histórico utilizable, con registro de lo que se ofreció y no solo de lo que se vendió
- Segmentación estable en el tiempo, que permita comparar períodos
- Capacidad de recalcular con frecuencia suficiente para la ventana de reserva del hotel
Sin las tres, el modelo produce igual un número, con menos fundamento detrás.
¿Qué modelos de optimización existen?
Cuatro familias concentran la práctica y la literatura, según sistematiza la revisión de técnicas de revenue management y optimización de precios en hotelería publicada en Tourism Economics (2018).
- El criterio de Expected Marginal Seat Revenue (EMSR) define límites de reserva por segmento. Protege inventario para tarifas altas mientras el ingreso marginal esperado de esa protección supere el ingreso cierto de vender ahora barato. Supone segmentos jerarquizados y venta secuencial.
- El control por bid price reemplaza los límites por un umbral de valor por fecha y acepta cualquier solicitud que lo supere. Resuelve mejor las estadías múltiples, donde una reserva de tres noches debe superar la suma de los umbrales de las tres fechas.
- Los modelos de elección discreta estiman la probabilidad de que el huésped elija cada alternativa disponible, incluida la de no reservar. Explican por qué la estructura completa de la grilla afecta la conversión de cada tarifa individual, algo visible al evaluar la grilla de tarifas de un hotel.
- La programación estocástica trata la demanda como variable aleatoria dentro del problema y optimiza sobre escenarios ponderados por probabilidad. Un modelo con enfoque estocástico aplicado a hotelería publicado en Mathematics (2021) desarrolla esta formulación.
Los sistemas comerciales combinan varias de estas familias. Una configuración frecuente une previsión estadística, control por bid price y reglas de negocio superpuestas.
¿Qué variables y parámetros intervienen?
Del lado interno, el modelo se alimenta con:
- Inventario disponible por tipo de habitación y reservas en firme
- Pick-up por fecha y por ventana de anticipación
- Cancelaciones y no-shows históricos por segmento y canal
- Allotments comprometidos y bloqueos de mantenimiento
- Ingreso neto por canal y gasto accesorio por segmento
Desde afuera entran las que condicionan la demanda sin que el hotel pueda gobernarlas:
- Tarifas y disponibilidad del compset
- Calendario de eventos y estacionalidad del destino
- Capacidad aérea y conectividad
- Tipo de cambio en los mercados emisores
- Volumen de búsquedas y demanda que no llegó a materializarse
Hay un tercer grupo que no sale de ningún cálculo. Lo fija el equipo:
- Horizonte de optimización
- Piso y techo tarifario
- Elasticidad estimada por segmento
- Prioridad entre ingreso de alojamiento e ingreso total
- Nivel de riesgo aceptado y grado de autonomía del sistema
Dos hoteles con los mismos datos y el mismo software tienden a producir tarifas distintas cuando definieron parámetros distintos. Qué se mide para revisarlos está en métricas para tomar decisiones de precios.
¿Qué soluciones de compromiso adoptan los hoteles?
Resolver el problema completo exige datos y tiempo de cálculo que no siempre están disponibles. Estas son aproximaciones habituales y lo que cada una deja afuera:
- Grilla por temporada con fechas especiales marcadas. Cubre la estacionalidad. Dentro de cada temporada la demanda se sigue moviendo y la grilla se queda quieta.
- BAR único con derivadas por porcentaje. Garantiza coherencia entre categorías, y con la misma eficacia propaga a toda la grilla cualquier error del BAR.
- Seguimiento del compset con ajuste por posición relativa. Es rápido de operar. El efecto lateral es importar los errores de pricing del vecino.
- Reglas de ocupación y anticipación. Automatizan la respuesta, aunque una ocupación alta por demanda fuerte y una ocupación alta por tarifa baja disparan exactamente la misma regla.
- Estadía mínima en fechas de alta demanda. Protege el ingreso del período completo y, en el camino, rechaza reservas de una noche que podían ser rentables.
- Cierre de canales de menor margen en picos. Mejora el mix a costa de visibilidad, con arrastre sobre las fechas contiguas. El tema se desarrolla en gestión de precios multicanal.
Ninguna de estas prácticas es un error, porque todas responden a restricciones reales de tiempo, de datos y de sistemas. Lo que conviene es saber qué parte del ingreso queda sin capturar en cada caso, de modo que la aproximación sea una elección deliberada y no una herencia.
¿Qué aporta la inteligencia artificial a la optimización de tarifas hoteleras?
La optimización tarifaria es anterior a la inteligencia artificial. Lo que cambia respecto de un RMS basado en reglas son tres capacidades:
- Estima relaciones no lineales entre variables sin que nadie las escriba por adelantado. Una regla dice «si la ocupación supera el 70% a quince días, subir un escalón». Un modelo entrenado estima cómo interactúan a la vez ocupación, anticipación, día de semana, evento local, clima y compset.
- Recalibra de forma continua. Los parámetros se reajustan con cada cierre de fecha en lugar de esperar una revisión periódica de reglas.
- Detecta patrones en datos cruzados ausentes del modelo original, como la relación entre el mix de canales de una semana y el pick-up de la siguiente.
Un trabajo publicado en el Journal of Revenue and Pricing Management (2025) comparó Gradient Boosting Regression contra Support Vector Regression en predicción de precios hoteleros y reportó un error normalizado de 0,044 frente a 0,055, alrededor de un 20% menos. Sobre una tarifa de USD 150, esa diferencia equivale a estrechar el margen de error de unos USD 8 a unos USD 6,60 por habitación y noche.
El grado de autonomía del sistema lo define el equipo que lo configura. Un mismo motor opera en modo sugerencia con aprobación por fecha, o en modo automático dentro de bandas acotadas.
El punto se amplía en pricing predictivo en hoteles.
¿Qué pierde un hotel sin proceso de optimización?
La pérdida se distribuye en cuatro lugares, y ninguno de ellos aparece como línea del balance:
- Fechas que se agotan con anticipación. Cada una abre la pregunta de si había demanda dispuesta a pagar más que llegó tarde.
- Desplazamiento no medido. Reservas cortas aceptadas temprano que bloquean estadías largas de mayor ingreso total.
- Mix de canales por defecto. Sin criterio de margen neto, el canal de mayor comisión tiende a ganar participación por ser el que más volumen empuja.
- Ausencia de línea de base. Sin un valor esperado por fecha, falta el término de comparación contra el cual leer el resultado, y la discusión de precios se resuelve por opinión.
Cuantificar estas cuatro fugas exige datos que suelen existir en los sistemas del hotel sin estar consolidados:
- Histórico de solicitudes denegadas y de fechas cerradas
- Ingreso neto por canal, después de comisión y costo de adquisición
- Composición de estadía por segmento
- Registro de las restricciones aplicadas en cada fecha
¿Cuál es la diferencia entre tarifa óptima y tarifa dinámica?
Una tarifa dinámica es una tarifa que varía en el tiempo. Una tarifa óptima es la que maximiza el ingreso esperado dadas las restricciones.
Son atributos independientes entre sí.
Una grilla puede moverse todos los días siguiendo al compset o una regla de ocupación, y estar lejos del óptimo en todas esas fechas. Una tarifa fija durante seis semanas puede coincidir con el óptimo si la demanda esperada se mantuvo estable en ese lapso.
El movimiento de una tarifa prueba únicamente que alguien la cambió, y deja abierta la pregunta de si ese cambio acercó el precio al óptimo. Las implicancias operativas están en ventajas y riesgos de las tarifas dinámicas.
Preguntas frecuentes sobre optimización de tarifas hoteleras
¿Se puede optimizar tarifas sin un RMS?
Sí, con límite de escala. La secuencia se puede ejecutar sobre una planilla en un hotel con pocas categorías y pocos segmentos. Lo que no escala es recalcular a diario sobre muchas fechas y tipos de unidad.
¿Cuántos datos históricos hacen falta?
La referencia habitual es de dos a tres temporadas completas, para capturar estacionalidad y patrones de anticipación. Los modelos de aprendizaje automático toleran históricos más cortos si se complementan con datos externos, con mayor incertidumbre en la previsión.
¿Por qué el modelo recomienda bajar en fechas con buena ocupación?
Porque el pick-up llegó antes de lo previsto y el resto del horizonte quedó débil, o porque la estadía media cayó. El modelo optimiza el período, y eso puede implicar sacrificar ADR en una fecha puntual.
¿Qué pasa si el compset baja de forma agresiva?
El precio del compset entra como variable explicativa de la demanda. El modelo estima cuánta demanda propia se pierde y evalúa si compensar con precio rinde más que sostener la tarifa y ceder volumen.
¿Sirve optimizar en períodos de demanda baja?
Sí, con margen de acción menor. Con demanda baja el costo de oportunidad tiende a cero y las tarifas se acercan al piso. El valor está en identificar qué fechas y segmentos conservan disposición a pagar.
Detrás de la tarifa que se carga para una fecha futura hay una previsión de demanda y una estimación de elasticidad. También una valuación del inventario que queda, un orden de prioridad entre canales según margen, y un techo que impone la tolerancia del mercado.
Mientras esas decisiones viajen juntas dentro de un solo número, la discusión de precios se queda en la superficie.
En Intelihoteles trabajamos sobre los datos que el hotel ya tiene hasta que cada una de esas decisiones se pueda ver por separado. Conversemos sobre el estado de la grilla y de los datos que la alimentan.