L’\u00e9volution du Revenue Management avec l’IA<\/h2>\n\n\n\n
Le revenue management d’il y a quinze ans reposait sur des tableurs, une lecture manuelle des courbes de r\u00e9servation, et une intuition construite saison apr\u00e8s saison. Ce m\u00e9tier a chang\u00e9 de nature avec l’arriv\u00e9e d’outils capables de traiter des volumes de donn\u00e9es que personne ne peut croiser \u00e0 la main : historique de r\u00e9servations, m\u00e9t\u00e9o, \u00e9v\u00e9nements locaux, tendances de recherche, prix de la concurrence en temps r\u00e9el.<\/p>\n\n\n\n
Mais il y a une confusion \u00e0 lever avant d’aller plus loin, parce qu’elle brouille tout le d\u00e9bat : \u00ab IA \u00bb et \u00ab automatisation \u00bb ne d\u00e9signent pas la m\u00eame chose, et un bon outil RM combine en r\u00e9alit\u00e9 trois strates bien distinctes.<\/p>\n\n\n\n
L’automatisation par r\u00e8gles<\/h3>\n\n\n\n
C’est le socle invisible : synchronisation des tarifs entre le PMS et le channel manager, alertes de parit\u00e9, chargement automatique des plans tarifaires, ouverture ou fermeture des ventes selon un seuil d\u00e9fini \u00e0 l’avance. Aucun apprentissage ici, aucune pr\u00e9diction, juste du \u00ab si\/alors \u00bb configur\u00e9 une fois par un humain. Ce n’est pas de l’IA, mais c’est souvent ce qui fait gagner le plus de temps au quotidien.<\/p>\n\n\n\n
L’IA pr\u00e9dictive et l’optimisation<\/h3>\n\n\n\n
C’est le c\u0153ur technique du revenue management moderne : des mod\u00e8les qui apprennent des patterns dans la donn\u00e9e historique pour pr\u00e9voir la demande et recommander un prix. C’est ici que se joue la vraie valeur ajout\u00e9e d’un RMS actuel, et c’est cette couche que nous utilisons depuis longtemps au sein de notre technologie.<\/p>\n\n\n\n
L’IA g\u00e9n\u00e9rative et conversationnelle<\/h3>\n\n\n\n
Chatbots, r\u00e9sum\u00e9s automatiques d’avis clients, g\u00e9n\u00e9ration de contenu : c’est la partie la plus visible et la plus m\u00e9diatis\u00e9e de \u00ab l’IA \u00bb, celle dont tout le monde parle. Mais dans le pricing et la strat\u00e9gie de revenus pure, son r\u00f4le reste aujourd’hui marginal.<\/p>\n\n\n\n
Pourquoi cette distinction compte : sur un march\u00e9 o\u00f9 \u00ab avoir de l’IA \u00bb est devenu un argument de vente en soi, on voit des automatisations tr\u00e8s simples (la premi\u00e8re strate) pr\u00e9sent\u00e9es comme de l’intelligence artificielle, pendant que des outils qui font r\u00e9ellement de la pr\u00e9diction ne sont parfois pas mieux valoris\u00e9s que ceux qui ne font que des r\u00e8gles. La question \u00e0 se poser n’est pas \u00ab y a-t-il de l’IA ? \u00bb, mais \u00ab cette automatisation r\u00e9sout-elle le bon probl\u00e8me, pour la bonne raison ? \u00bb.<\/p>\n\n\n\n
\ud83d\udcca Chiffre \u00e0 demander \u00e0 Marcel : <\/strong>depuis combien d’ann\u00e9es HotelPartner int\u00e8gre de l’IA pr\u00e9dictive dans son RMS (une date ou un nombre d’ann\u00e9es pr\u00e9cis, pour ancrer que ce n’est pas un discours de rattrapage) ; et une estimation du temps gagn\u00e9 gr\u00e2ce \u00e0 la seule automatisation par r\u00e8gles ; par exemple en heures par semaine et par \u00e9tablissement sur la synchronisation tarifaire.<\/em><\/p>\n\n\n\n Sur son terrain, l’IA pr\u00e9dictive est redoutable. Elle d\u00e9tecte des patterns dans des mois, parfois des ann\u00e9es de donn\u00e9es, qu’aucun humain ne pourrait croiser \u00e0 la main. Elle ajuste les prix en temps r\u00e9el. Elle rep\u00e8re des signaux faibles : un pick-up inhabituel, une sensibilit\u00e9 tarifaire diff\u00e9rente selon les segments\u2026 \u00e0 une vitesse et une \u00e9chelle hors de port\u00e9e d’une analyse manuelle.<\/p>\n\n\n\n Mais elle a trois limites structurelles, qu’aucun perfectionnement futur ne r\u00e9soudra vraiment, parce qu’elles tiennent \u00e0 la nature m\u00eame de ce qu’est un algorithme de recommandation.<\/p>\n\n\n\n Un algorithme sait tr\u00e8s bien maximiser le RevPAR si on le lui demande. Il sait beaucoup moins bien d\u00e9cider quoi faire quand deux objectifs l\u00e9gitimes s’opposent : augmenter la dur\u00e9e de s\u00e9jour moyenne tout en restant visible sur les recherches courtes, par exemple. Cet arbitrage suppose de comprendre le pourquoi strat\u00e9gique derri\u00e8re l’objectif, pas seulement le quoi \u00e0 optimiser. Nous y revenons en d\u00e9tail plus bas, avec un cas concret.<\/p>\n\n\n\n Un mod\u00e8le pr\u00e9dictif se nourrit d’historique. Un \u00e9tablissement r\u00e9cent, tout juste r\u00e9nov\u00e9, ou qui change de positionnement, n’a pas, ou plus, d’historique pertinent. L’algorithme continue pourtant \u00e0 recommander, mais sur des bases fragiles, parfois trompeuses, sans le signaler explicitement.<\/p>\n\n\n\n [Sans le chiffre : \u00ab Nous voyons r\u00e9guli\u00e8rement des \u00e9tablissements dans cette situation, o\u00f9 l’\u00e9quipe doit reprendre la main sur les recommandations le temps que l’historique se reconstitue. \u00bb]<\/em><\/p>\n\n\n\n \ud83d\udcca Chiffre \u00e0 demander \u00e0 Marcel : <\/strong>un exemple r\u00e9el (anonymisable) d’\u00e9tablissement o\u00f9 l’historique de donn\u00e9es \u00e9tait insuffisant ou trompeur pour l’algorithme, et comment l’\u00e9quipe a compens\u00e9 manuellement ; et le d\u00e9lai moyen, en mois, avant qu’un RMS avec IA devienne vraiment fiable sur un nouvel \u00e9tablissement.<\/em><\/p>\n\n\n\n Un revenue manager doit r\u00e9guli\u00e8rement d\u00e9fendre un prix ou une strat\u00e9gie face \u00e0 un propri\u00e9taire, une direction, un investisseur. \u00ab L’algorithme l’a recommand\u00e9 \u00bb ne suffit jamais comme justification dans ce genre de conversation. Savoir expliquer pourquoi un prix est le bon (avec quels arguments, quel contexte, quel arbitrage) reste une comp\u00e9tence humaine, et c’est une part du m\u00e9tier que l’IA ne remplace pas, tout simplement parce qu’elle ne peut pas la porter.<\/p>\n\n\n\n L’un des exemples les plus parlants que nous avons rencontr\u00e9s est n\u00e9 pendant les Jeux Olympiques. L’objectif, classique en p\u00e9riode de tr\u00e8s forte demande, \u00e9tait d’augmenter la dur\u00e9e de s\u00e9jour moyenne des \u00e9tablissements concern\u00e9s.<\/p>\n\n\n\n La tentation \u00e9vidente : retirer les chambres disponibles pour une seule nuit, pour forcer m\u00e9caniquement les r\u00e9servations plus longues. Sauf que ce choix a un effet secondaire imm\u00e9diat : un \u00e9tablissement qui n’appara\u00eet plus dans les recherches \u00ab une nuit \u00bb perd en visibilit\u00e9 sur une partie du trafic, et donc sur des opportunit\u00e9s de r\u00e9servation bien r\u00e9elles, y compris certaines qui auraient pu se transformer en s\u00e9jours plus longs une fois le client sur la fiche.<\/p>\n\n\n\n Notre RMS, malgr\u00e9 l’IA embarqu\u00e9e, n’a jamais sugg\u00e9r\u00e9 cette strat\u00e9gie ni l’arbitrage qui l’accompagne. Elle est n\u00e9e d’une observation terrain, puis d’un ajustement progressif, test\u00e9 et affin\u00e9 au fil des dates, pour trouver le bon \u00e9quilibre entre dur\u00e9e de s\u00e9jour et visibilit\u00e9, sans jamais tout miser sur un seul levier au d\u00e9triment de l’autre.<\/p>\n\n\n\n [Sans le chiffre : \u00ab Cette approche, test\u00e9e et ajust\u00e9e au fil des Jeux Olympiques, a permis d’augmenter la dur\u00e9e de s\u00e9jour moyenne sans sacrifier le volume de r\u00e9servations sur les \u00e9tablissements concern\u00e9s. \u00bb]<\/em><\/p>\n\n\n\n \ud83d\udcca Chiffre \u00e0 demander \u00e0 Marcel : <\/strong>l’\u00e9volution chiffr\u00e9e de la dur\u00e9e de s\u00e9jour moyenne et du RevPAR (ou du taux d’occupation) sur la p\u00e9riode des JO, compar\u00e9e \u00e0 une p\u00e9riode \u00e9quivalente sans cette strat\u00e9gie ; et combien de temps a dur\u00e9 la phase de test avant de trouver le bon \u00e9quilibre.<\/em><\/p>\n\n\n\n Le principe qu’on peut en tirer d\u00e9passe largement le cas du minimum de s\u00e9jour : l’IA optimise tr\u00e8s bien \u00e0 l’int\u00e9rieur d’un cadre donn\u00e9. C’est l’expertise humaine qui sait quand ce cadre lui-m\u00eame doit \u00eatre red\u00e9fini.<\/p>\n\n\n\n Il y a un effet secondaire du recours massif \u00e0 l’IA pr\u00e9dictive dont on parle peu : quand la plupart des \u00e9tablissements d’un m\u00eame march\u00e9 s’appuient sur des moteurs de recommandation entra\u00een\u00e9s sur des donn\u00e9es de march\u00e9 comparables, les prix qu’ils recommandent ont tendance \u00e0 converger.<\/p>\n\n\n\n Le probl\u00e8me n’est pas th\u00e9orique. Sur un march\u00e9 o\u00f9 tout le monde suit l’algorithme, suivre l’algorithme revient \u00e0 renoncer \u00e0 se diff\u00e9rencier. Alors que la diff\u00e9renciation est souvent ce qui fait le revenu additionnel. Le r\u00f4le du revenue manager, ici, est de savoir reconna\u00eetre ce moment o\u00f9 s’\u00e9carter d\u00e9lib\u00e9r\u00e9ment du prix \u00ab consensuel \u00bb recommand\u00e9 est la bonne d\u00e9cision, en connaissance de cause, plut\u00f4t que par d\u00e9faut.<\/p>\n\n\n\n [Sans le chiffre : \u00ab Nous avons d\u00e9j\u00e0 positionn\u00e9 certains \u00e9tablissements volontairement au-dessus ou en dessous de la recommandation algorithmique, quand le contexte le justifiait. \u00bb]<\/em><\/p>\n\n\n\n \ud83d\udcca Chiffre \u00e0 demander \u00e0 Marcel : <\/strong>un exemple o\u00f9 HotelPartner a d\u00e9lib\u00e9r\u00e9ment positionn\u00e9 un \u00e9tablissement au-dessus ou en dessous du prix recommand\u00e9 par l’algorithme, et le r\u00e9sultat observ\u00e9 (RevPAR, taux de conversion) par rapport \u00e0 un alignement strict sur la recommandation.<\/em><\/p>\n\n\n\n Un algorithme de RM optimise tr\u00e8s bien \u00e0 l’\u00e9chelle d’un \u00e9tablissement isol\u00e9. Il prend beaucoup plus difficilement en charge les arbitrages entre plusieurs propri\u00e9t\u00e9s d’un m\u00eame groupe. Par exemple, \u00e9viter que deux h\u00f4tels d’un m\u00eame propri\u00e9taire se cannibalisent sur un m\u00eame march\u00e9 ou une m\u00eame p\u00e9riode, en recommandant des strat\u00e9gies qui, mises bout \u00e0 bout, desservent l’ensemble du portefeuille plut\u00f4t que de le servir.<\/p>\n\n\n\n Ce type d’arbitrage suppose une vision d’ensemble qu’aucun outil ne construit nativement. C’est un r\u00f4le que l’\u00e9quipe de revenue management continue de porter.<\/p>\n\n\n\n [Section \u00e0 confirmer avec Marcel : si HotelPartner g\u00e8re des cas concrets de portefeuilles multi-\u00e9tablissements d’un m\u00eame groupe, d\u00e9velopper avec un exemple ; sinon, garder ce point en encart bref plut\u00f4t qu’en section compl\u00e8te.]<\/em><\/p>\n\n\n\n \ud83d\udcca Chiffre \u00e0 demander \u00e0 Marcel : <\/strong>un cas concret d’arbitrage r\u00e9alis\u00e9 entre plusieurs \u00e9tablissements d’un m\u00eame groupe accompagn\u00e9 par HotelPartner, avec si possible un r\u00e9sultat chiffr\u00e9.<\/em><\/p>\n\n\n\n La partie pr\u00e9vision et recommandation va continuer de s’affiner : plus de donn\u00e9es, plus de granularit\u00e9, une r\u00e9activit\u00e9 encore plus fine. Ce qui ne s’automatisera pas, en revanche, c’est la lecture de contexte, l’arbitrage entre objectifs concurrents, la capacit\u00e9 \u00e0 sortir du cadre quand l’historique ne suffit plus pour d\u00e9cider.<\/p>\n\n\n\n Pour un h\u00f4telier qui choisit aujourd’hui un partenaire en revenue management, la bonne question n’est donc pas \u00ab quel est l’outil avec le plus d’IA ? \u00bb, mais \u00ab quelle est l’\u00e9quipe qui sait reconna\u00eetre le moment o\u00f9 suivre l’algorithme, et celui o\u00f9 s’en \u00e9carter ? \u00bb.<\/p>\n\n\n\n [Sans le chiffre : \u00ab Les h\u00f4tels accompagn\u00e9s par HotelPartner constatent des gains de revenus significatifs et durables, construits sur cette compl\u00e9mentarit\u00e9 entre technologie et expertise. \u00bb]<\/em><\/p>\n\n\n\n \ud83d\udcca Chiffre \u00e0 demander \u00e0 Marcel : <\/strong>le % moyen de gain de RevPAR ou de revenus constat\u00e9 chez les h\u00f4tels accompagn\u00e9s par HotelPartner, si ce chiffre est d\u00e9j\u00e0 communiqu\u00e9 publiquement (\u00e0 v\u00e9rifier c\u00f4t\u00e9 confidentialit\u00e9 sinon).<\/em><\/p>\n\n\n\n L’IA va-t-elle remplacer le revenue manager ?<\/strong><\/p>\n\n\n\n Non, mais elle change ce que fait un revenue manager. Elle absorbe le calcul et la pr\u00e9vision ; l’arbitrage strat\u00e9gique, lui, reste humain.<\/p>\n\n\n\n Quelle est la diff\u00e9rence entre automatisation et IA en revenue management ?<\/strong><\/p>\n\n\n\n L’automatisation ex\u00e9cute des r\u00e8gles d\u00e9finies \u00e0 l’avance (synchronisation tarifaire, alertes). L’IA pr\u00e9dictive apprend de la donn\u00e9e historique pour pr\u00e9voir la demande et recommander un prix. Les deux sont utiles, mais elles ne se valent pas, et elles ne se remplacent pas l’une l’autre.<\/p>\n\n\n\n Pourquoi un algorithme ne peut-il pas tout d\u00e9cider seul ?<\/strong><\/p>\n\n\n\n Parce qu’il optimise un objectif qu’on lui donne, mais ne sait pas arbitrer quand deux objectifs l\u00e9gitimes se contredisent, ni s’expliquer face \u00e0 un propri\u00e9taire ou un investisseur, ni prendre en compte un historique insuffisant ou un contexte in\u00e9dit.<\/p>\n\n\n\n Alors, l’IA va-t-elle sonner le glas du revenue manager ? La question, pos\u00e9e ainsi, part d’un mauvais cadrage. Elle suppose que l’IA et le revenue manager font la m\u00eame chose, et qu’il n’y en aura bient\u00f4t plus qu’un des deux. Ce n’est pas ce qu’on observe. L’IA absorbe une part r\u00e9elle et croissante du calcul (la pr\u00e9vision, la recommandation tarifaire, l’ex\u00e9cution en temps r\u00e9el). Mais elle ne d\u00e9cide pas quoi faire quand deux bons objectifs se contredisent, elle ne sait pas s’expliquer face \u00e0 un investisseur, et elle ne construit pas une strat\u00e9gie \u00e0 partir d’un contexte qu’elle n’a jamais vu.<\/p>\n\n\n\n Le vrai sujet n’est donc pas de savoir qui va dispara\u00eetre, mais qui d\u00e9cide, et quand. Chez HotelPartner, Synergie TET part de ce principe simple : la technologie fait ce qu’elle fait mieux qu’un humain, et l’\u00e9quipe fait ce qu’un algorithme ne fera jamais \u2014 lire un contexte, arbitrer, assumer une d\u00e9cision. C’est cette compl\u00e9mentarit\u00e9, plus que l’un ou l’autre pris isol\u00e9ment, qui fait la performance durable d’un \u00e9tablissement.<\/p>\n\n\n\nCe que l’IA peut et ne peut pas faire<\/h2>\n\n\n\n
Elle optimise un objectif, elle n’arbitre pas entre deux objectifs qui se contredisent<\/strong><\/h3>\n\n\n\n
Elle ne conna\u00eet que ce qu’elle a d\u00e9j\u00e0 vu<\/strong><\/h3>\n\n\n\n
Elle ne s’explique pas<\/strong><\/h3>\n\n\n\n
Pourquoi l’expertise humaine reste essentielle : le cas du minimum de s\u00e9jour<\/strong><\/h2>\n\n\n\n
Le risque de l’uniformisation tarifaire<\/h2>\n\n\n\n
La vision portefeuille : arbitrer entre plusieurs \u00e9tablissements<\/h2>\n\n\n\n
Perspectives d’avenir pour le m\u00e9tier de Revenue Manager<\/h2>\n\n\n\n
En bref<\/h2>\n\n\n\n
Conclusion<\/h2>\n\n\n\n
![\"\"](\"https:\/\/hotelpartner.com\/fr\/wp-content\/uploads\/sites\/3\/2024\/09\/0005-WE-ART-STUDIO-scaled-e1725624933287-560x501.jpg\")
<\/figure>\n\n\n\n