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. Sin embargo, es mejor que sobren datos a que falten. Podemos hacer una comparación entre los datos especialmente big data y el fuego, ya que en la medida justa y si se usa sabiamente ilumina y calienta. Si se lo mal usa puede ser destructivo y devastador. El objetivo más útil, por lo tanto, no es prevención de incendio sino una buena gestión del fuego, aprender a discernir la diferencia entre cantidad y calidad y reaccionar en forma acorde.
En el sector de hospitality, la recolección y el uso de los datos es lo que cambia el mercado. La ubicación abarca ahora todo el planeta, y las variaciones de productos en las distintas habitaciones varían desde sencillas habitaciones hasta suites reales. A pesar del enorme panorama de diferentes productos y servicios, la verdad es que dentro de un precio similar no existe tanta diferenciación de productos y servicios. Dependemos de los datos para brindar diferencias que transformen un viaje en una experiencia de vida y recuerdos únicos, y personalizar el servicio. El acceso a los datos logra que los millennials y viajeros de negocios cuenten con un acceso eficiente, precios de compras y puntos de programas de lealtad.
Pero no todos los datos son iguales. Si consideramos la información que se usan para servir a los huéspedes, existen 4 tipos distintos de datos, dependiendo de su origen:
Activos
Cuando específicamente 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, o al menos esa es la teoría.
Los datos activos son en general los mejores que se obtienen; (a menos que el que responde esconda la información o simplemente no desee brindar los datos solicitados), 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.
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, 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 que 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? La recolección pasiva de datos tiene información que puede no ser 100% reales.
Presuntos
Los datos presuntos no son datos basados en recolección activa ni pasiva, sino porque 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 sus 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.
Acumulado
Otra forma de conseguir datos es recolectar y junta 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 catorce 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. 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 standard con las cuales se medía la performance; en una habitación estándar (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. Se puede saber virtualmente todo.
Ahora con todos estos datos, se puede informar al huésped que la habitación que necesita se liberó hace tantas horas y que el empleado necesita, por ejemplo, 44 minutos y 40 segundos para tenerla disponible. En caso que el personal ya haya comenzado el trabajo se puede afirmar exactamente cuándo terminará. Se puede enviar al empleado un mensaje de “huésped esperando” para acelerar el proceso y ofrecer al huésped un café de cortesía mientras espera.
Entonces ¿los datos no iluminan? Sin duda pueden hacerlo. Lo que si se logra es que cuando se usan bien producen mayor satisfacción de los clientes y brindan un mejor servicio, siempre que se entrene y capacite al personal. Entender la recolección de datos, interpretarlos adecuadamente resulta clave para superar las expectativas de los huéspedes y brindar experiencias memorables y diferenciadoras.
