Come funziona il Revenue Management con l'IA? Dai dati alle risposte

Ormai quasi tutti i software SaaS puntano su nuove funzionalità basate sull'intelligenza artificiale. Che si tratti di analisi più approfondite dei propri dati, flussi di lavoro semplificati o nuove automazioni, le promesse si assomigliano molto. Quello che spesso non si sa è che quasi tutti questi prodotti si basano sulla stessa manciata di modelli di foundation model, sviluppati da un numero ridotto di aziende come OpenAI, Anthropic, xAI, Google o DeepSeek. Addestrare un Large Language Model (LLM) da zero costa oltre 100 milioni di dollari, motivo per cui per la maggior parte dei fornitori non ha alcun senso svilupparne uno proprio.

Ma se i modelli disponibili sono così pochi, cosa distingue davvero un prodotto dall'altro?

Il contesto fa la differenza

Quando oggi si parla di IA, nella maggior parte dei casi si intende un LLM. Per capire cosa distingue davvero una soluzione di intelligenza artificiale dall'altra, conviene guardare a come funziona realmente un sistema di questo tipo.

L'elemento decisivo è il contesto fornito insieme alla richiesta. Una domanda sul meteo dei prossimi giorni, ad esempio, può essere risposta in modo attendibile solo se il sistema conosce la posizione di chi la sta facendo. Senza questo contesto, ogni risposta è poco più di un'ipotesi.

Il Revenue Manager IA: conoscenza strutturata, non improvvisazione

Quando un LLM viene integrato in un software come RateBoard, l'obiettivo è che il modello riesca a procurarsi da solo il contesto necessario. Proprio per questo sono stati sviluppati una serie di "tool". Un tool recupera, quando serve, informazioni aggiuntive, così che il ragionamento del modello resti coerente e comprensibile. A decidere quali informazioni siano davvero necessarie è il modello stesso.

Attualmente, il Revenue Manager IA si basa sugli stessi dati centrali che gli utenti vedono già all'interno del RMS: le tipologie di camera disponibili e la loro quantità, insieme a indicatori chiave come occupazione, RevPAR, ADR, fatturato e pickup. A completare il quadro ci sono eventi, meteo e previsioni. Il numero di questi tool è in costante crescita, e anche l'integrazione di fonti di dati esterne è già in programma.

Se qualcuno pone al Revenue Manager IA una domanda a cui i tool disponibili possono rispondere meglio della conoscenza di base del modello, questo genera una chiamata alla funzione corrispondente, con tutti i parametri necessari. L'output di questa funzione viene quindi elaborato (parsed) dal Revenue Manager IA e inserito direttamente nel contesto del modello. In questo modo, il modello si procura da solo le informazioni di cui ha bisogno, proprio nel momento in cui gli vengono richieste.

La qualità dei dati conta più della quantità

Un'IA vale quanto i dati a cui può accedere. Una qualità dei dati affidabile, non la quantità, è ciò che fa davvero la differenza tra un buon risultato e uno mediocre.

L'IA raggiunge il suo pieno potenziale solo con l'accesso a dati di benchmarking. È infatti solo dal confronto, per esempio tra il pickup del proprio hotel e quello del mercato, che si può capire se le performance sono davvero positive o no. Solo così è possibile valutare se un adeguamento tariffario abbia senso, oppure se la propria struttura stia già superando la concorrenza.

Perché gli LLM sono naturalmente adatti al Revenue Management

Gli LLM sono particolarmente efficaci nel raccogliere informazioni rilevanti da fonti diverse e nell'individuare pattern e collegamenti tra i dati. Ciò che per una persona richiederebbe un notevole impegno mentale, con il Revenue Manager IA si riduce a una semplice conversazione.

Per questo le capacità dell'assistente vengono costantemente ampliate. Il sistema viene alimentato con conoscenze specifiche sul settore degli hotel leisure, in modo che chiunque, in hotel, si occupi di Revenue Management possa arrivare all'informazione che cerca nel modo più rapido possibile.