Implementación de mejoras en el pronóstico de demanda para la cadena de hoteles de Mountain Lodges of Perú

Abstract

El objetivo principal de este trabajo de suficiencia profesional es mejorar el pronóstico de demanda para la cadena de hoteles Mountain Lodges of Perú mediante la implementación de modelos avanzados de predicción. Para ello, se analizaron y compararon tres metodologías: el modelo de suavizado exponencial Holt-Winters, el modelo SARIMA, las redes neuronales y Machine Learning. Cada método fue evaluado en términos de precisión, costo de implementación, tiempo requerido y beneficios esperados.

La selección del modelo SARIMA se basó en su capacidad para capturar patrones estacionales complejos y su efectividad comprobada en la predicción de series temporales. La implementación de este modelo incluirá una profunda capacitación de personal y la integración con los sistemas de gestión existentes, permitiendo a la empresa mejorar la planificación de recursos, reducir sus costos operativos y minimizar los riesgos de sobreventa y subutilización de habitaciones.

Dado que las empresas que integran estas tecnologías en sus procesos operativos están mejor preparadas para enfrentar los desafíos del entorno competitivo y dinámico, especialmente en el sector turismo, se espera que la adopción de este modelo dentro de la organización no solo mejore la precisión de las proyecciones de demanda, sino también optimice la planificación operativa y la toma de decisiones estratégicas, aumentando la satisfacción del cliente y contribuyendo a la sostenibilidad y crecimiento a largo plazo.

The main objective of this professional sufficiency work is to improve demand forecasting for the Mountain Lodges of Peru hotel chain by implementing advanced prediction models. To achieve this, three methodologies were analyzed and compared: the Holt-Winters exponential smoothing model, the SARIMA model, and neural networks along with Machine Learning. Each method was evaluated in terms of accuracy, implementation cost, required time, and expected benefits.

The selection of the SARIMA model was based on its ability to capture complex seasonal patterns and its proven effectiveness in time series forecasting. Implementing this model will include extensive staff training and integration with existing management systems, allowing the company to improve resource planning, reduce its operational costs, and minimize the risks of overbooking and underutilization of rooms. Additionally, the adoption of this model is expected to increase customer satisfaction and contribute to the long-term sustainability and growth of the company.

Due to the companies that integrate these technologies into their operational processes are better prepared to face the challenges of a competitive and dynamic environment, especially in the tourism sector, the adoption of this model inside the organization will not only improve the pre the accuracy of demand projections but also optimize operational planning and strategic decision-making, increasing the customer satisfaction level and contributing to the long-term sustainability and growth of the company.