Avec EzRMS, Infor débute une nouvelle méthode prédictive

Un mix de modèles prédictifs

Pour établir leurs prévisions de la demande, les RMS (ou Revenue Management Systems) traditionnels utilisent toute une panoplie de modèles prévisionnels disponibles dans la "littérature classique" mathématique, c’est à dire d’un côté « les Modèles Long Terme, tels que observations historiques, la saisonnalité, les jours similaires » et de l’autre les modèles « Court Terme, principalement basés sur les montées en charge (ou booking pickup) », explique Christophe Rigault - Directeur Hospitality France, Europe du Sud et Afrique chez Infor.

Or une bonne estimation de la demande repose sur la capacité à faire évoluer les modèles sous-jacents, en passant de l’un à l’autre en fonction du contexte.

La manière usuelle utilise des scénarios préétablis, a priori cohérents. « Pour les prévisions longtemps à l’avance, il y a une prédominance des modèles d’observations historiques. Mais plus on approche de la date de séjour, plus les modèles court terme basés sur la montée en charge, deviennent prédominants ».

Dans la majorité des cas, cette approche — utilisée dans l’ancienne version d’EzRMS — est satisfaisante. Problème, lorsque les observations sortent des situations connues, les outils de prévisions de revenus atteignent leurs limites.

C’est justement pour « réagir rapidement et justement à des situations moins connues » que les équipes d’Infor ont repensé la méthode prédictive de l’outil.

Comment ? En remplaçant les scénarios préétablis par « une méthodologie inédite dans le monde du RMS pour déterminer le poids relatif des différents modèles prévisionnels dans l’élaboration des prévisions ».

Des bénéfices surtout en situation non documentée et volatile

Concrètement, en plus de calculer une demande prévisionnelle, chaque modèle calcule une erreur relative associée (« en fonction de la quantité et de la versatilité des données disponibles »). La solution combine ensuite les modèles en donnant un poids plus important à ceux générant le moins d’erreurs.

« Le bénéfice se ressent surtout dans les situations nouvelles ou changeantes... telles que celles auxquelles l’hôtellerie française a du faire face dans les douze derniers mois », explicite Christophe Rigault pour qui « Infor EzRMS a augmenté l’agilité de son système en intégrant une panoplie de nouveaux modèles, tels que des modèles bayésiens, une modélisation markovienne des courbes de montée en charge, ainsi que des modèles d’apprentissage dont le but est d’optimiser la combinaison de différents modèles avec comme objectif — pour chaque type de business et chaque type de chambre — de maximiser la vraisemblance des prédictions calculées ».

Par exemple, s’il s’agit de prévoir six mois à l’avance la demande pour un jour donné, les RMS "classiques" donnent logiquement plus de poids aux modèles d’observations historiques (que s’est-il passé l’année dernière à la même date ?). « Mais si dans ce cas précis, les observations historiques sont manquantes ou incohérentes, EzRMS sera capable de minimiser le poids de ces modèles historiques et s’appuiera sur d’autres modèles donnant, dans ce cas précis, de meilleurs résultats ».

D’après Infor, la solution maison est — évidemment — la plus performante du marché, et la seule à utiliser cette méthode de mix dynamique.

Machine Learning Inside

Autre point intéressant, et très à la mode, Infor EzRMS a intégré des algorithmes de Machine Learning.

Derrière l’accroche marketing (l’expression française d’apprentissage statistique est moins "magique"), on trouve en fait un nouveau système qui archive les prévisions de la solution et qui les compare a posteriori au réalisé pour en tirer les "leçons".

« En somme, si EzRMS détecte que ses prévisions de demande génèrent régulièrement les mêmes déviations, le système sera capable de modéliser ces déviations, et de les "gommer" lors des prévisions futures, qui gagneront donc en exactitude et en fiabilité ».

Infor précise que ces "erreurs" — un terme que Christophe Rigault n’aime pas employer et auquel il préfère "écarts" — sont archivées client par client.

« Chaque hôtel qui utilise EzRMS possède ses propres modèles, indépendants. A ce titre, l’archivage des écarts et le Machine Learning se font donc pour chaque établissement [...] Ce qui apporte encore davantage de granularité. »

Une nouvelle UI

La nouvelle interface utilisateur (prévision de revenus)

Au-dessus de la nouvelle version de son moteur prédictif, Infor a également retravaillé l’interface utilisateur pour rendre plus accessibles certaines informations, comme les opportunités de revenus, les rapports d’activités liés à un ou plusieurs établissements, la recherche étendue, les périodes sensibles à venir ou encore le suivi d’indicateurs clés personnalisés.

La nouvelle interface utilisateur (réservations)

Ou, donc, les recommandations. Car rien ne sert de préconiser si le conseil, aussi avisé soit-il, n’est pas visible simplement.