Remplissage et hôtellerie : comment les algorithmes évoluent pour tenter de rester pertinents

S’il y a bien un secteur touché de plein fouet par la pandémie, c’est l’hôtellerie. Avec le transport aérien et la restauration, les acteurs de cette troisième composante du tourisme tentent néanmoins de résister, tant bien que mal, en optimisant leurs gestions, leurs ressources (humaines et matériel) et leurs trésoreries.

Les ERP dédiés – les HMS (pour Hospitality Management System) – tentent eux aussi de s’adapter. Souvent complétés par des outils prédictifs de remplissage et d’occupation des chambres (de type Yeld Management), ils doivent eux aussi faire face à une nouvelle réalité. Une réalité où le présent n’est plus dans la continuité statistique du passé.

« Prévoir est un art. Et, de nos jours, il est plus difficile que jamais d’anticiper l’évolution en matière d’activités », confirme Andrew Hodges, Directeur du Revenue Management & Systems pour l’Asie-Pacifique chez AccorHotels.

Alors, comment faire du prédictif dans ces conditions ? Franck Cohen, de Workday, nous expliquait récemment qu’une nouvelle génération d’algorithmes plus « réactifs » permettait de gérer des historiques beaucoup plus courts (comme le LSTM). D’autres parlent à présent d’Intelligence Artificielle « frugale ».

Une illustration concrète de cette évolution du Machine Learning est l’outil de gestion des revenus (RMS pour Revenue Management System) de l’éditeur d’ERP d’origine new-yorkaise Infor : EzRMS (à prononcer « easy RMS »).

Cette solution prédictive – très fortement infusée au Machine Learning – aide les hôteliers à optimiser leurs revenus en calculant automatiquement les prévisions de la demande. Il recommande des stratégies de vente en fonction de données comme le jour de la semaine, les délais de réservation ou le nombre de clients par chambre.

Face à la pandémie, et des historiques soudainement rendus caducs, Infor a dû sortir une mise à jour qu’il qualifie « d’importante ».

« Les historiques de tendances ne sont plus utiles pour prévoir l’avenir si l’on s’en réfère aux fortes fluctuations du marché au quotidien », confirme Jason Floyd, General Manager chez Infor Hospitality. « C’est pourquoi nous avons développé un algorithme de nouvelle génération, capable de détecter automatiquement les évolutions les plus récentes et d’y répondre rapidement [ce qui] permet de prévoir la demande en temps réel, en fonction des dernières tendances ».

Mais qu’y a-t-il sous le capot de ce RMS pour qu’il soit aussi réactif ? Quels types d’algorithmes sont concrètement en action ?

« Nos algorithmes prédictifs sont spécifiquement construits autour d’une méthodologie Deep Learning », dévoile Christophe Rigault d’Infor pour LeMagIT. « Les modèles LSTM [N.D.R. : Long Short Term Memory], ConvLSTM et GRU [N.D.R. : Gated Recurrent Unit] en sont les éléments constitutifs de base ».

« Les méthodes d’apprentissage profond permettent de traiter intelligemment des volumes de données aussi détaillées et granulaires que possible, de discriminer les données essentielles en fonction des spécificités de chaque établissement, et d’établir le plus finement possible des corrélations entre différents indicateurs de demande », continue-t-il d’expliquer au MagIT. « Nos modèles prédictifs sont intégralement recalculés, à minima chaque jour ou encore plus souvent avec la fonctionnalité Real Time Optimization ; ils sont ainsi capables d’identifier des tendances à long, moyen, et à court terme (quelques jours seulement) ».

L’éditeur se montre en revanche discret sur les retombées réelles de ces technologies. « Les ROIs chiffrés de nos clients sont confidentiels » justifie Christophe Rigault. « Mais nous disposons de témoignages éloquents d’utilisateurs de nos solutions RMS qui attestent de l’aide précieuse apportée par le système en cette période réellement sans précédent, pour l’industrie hôtelière mondiale », s’empresse-t-il d’ajouter.

En France, le groupe Suitcase Hospitality est client de ezRMS. Sa Directrice Revenue Management, Estelle Izard, parle par exemple « de meilleures [prises de] décisions avec des données encore plus fiables ». Chez AccorHotels, également client de la solution, Andrew Hodges évoque lui « d’excellents résultats », dans un contexte où les voyages vers l’Asie avaient repris (des flux qui risquent de se tarir à nouveau). Pour lui, le nouvel algorithme « colle au plus près de la réalité et s’adapte rapidement aux évolutions terrain ».

Il n’en reste pas moins que le ML, même avec ces avancées, n’est pas magique. Le groupe Accor est en mauvaise posture (son activité a chuté de quasiment 70 % au troisième trimestre), comme pratiquement tout le secteur. Dans ce contexte de récession, les seuls au final, à progresser et à tirer véritablement parti de la situation semblent être… les algorithmes.