AI in Total Revenue Management: wat bepaalt het gebruiksgemak?

Na het eerste artikel, waarin de invloed van AI op prestaties binnen Total Revenue Management binnen hotellerie werd besproken, richt dit tweede deel zich op een ander belangrijk aspect: het gebruiksgemak van AI binnen Total Revenue Management. In dit artikel wordt onderzocht hoe intuïtief en toepasbaar de technologie is in de dagelijkse praktijk van revenue management.

De praktijk laat zien dat binnen Total Revenue Management niet de technologische complexiteit, maar juist eenvoud, begrijpelijkheid en integratie bepalend zijn voor succes met AI. Revenue managers zien de voordelen van AI. Het ervaren gebruiksgemak hangt echter af van factoren als interfacekwaliteit, data integratie, technologische volwassenheid en de mate waarin aanbevelingen logisch te volgen zijn.

Waar AI het werk vereenvoudigt

Bij businessanalyse wordt AI over het algemeen als intuïtief ervaren wanneer de technologie goed is ingebed in bestaande dashboards of revenue managementsystemen. Revenue managers waarderen de tijdswinst bij repetitieve dataconsolidatie, waardoor meer ruimte ontstaat voor strategische analyse in plaats van handmatig data verwerken.

Bij forecasting wordt AI gewaardeerd omdat het trends sneller herkent en verschillende scenario’s kan doorrekenen. De technologie helpt bij het signaleren van veranderingen in pick-up-patronen en seizoensinvloeden en wordt als gebruiksvriendelijk ervaren na een korte inwerkperiode. Tegelijk benadrukken revenue managers dat menselijke interpretatie nodig blijft om bijvoorbeeld evenementen of plotselinge marktschommelingen te beoordelen.

Bij pricing ondersteunt AI revenue managers door prijsstrategieën te onderbouwen met aanbevelingen op basis van vraag, concurrentie en historische gegevens. Deze aanbevelingen worden als nuttig ervaren, maar hun bruikbaarheid en vertrouwen hangen sterk af van de transparantie van de onderliggende logica. De managers willen kunnen begrijpen waarom een bepaald prijsvoorstel wordt gedaan en welke data hieraan ten grondslag ligt, om te bepalen of dit past bij hun marktcontext. Wanneer dat inzicht ontbreekt (black box), daalt het vertrouwen en passen managers de aanbevelingen handmatig aan of negeren ze deze. Dit onderstreept dat gebruiksgemak niet alleen wordt bepaald door de gebruikersinterface, maar ook door de begrijpelijkheid van de aanbevelingen en de inspanning die nodig is om deze aan te passen wanneer ze niet overeenkomen met de marktrealiteit.

Bij rapportages is de ervaring dat AI nog niet optimaal is afgestemd op de dagelijkse praktijk. De huidige output wordt vaak als te generiek gezien, omdat rapportagetools onvoldoende of niet gevoed worden met constante data. Tegelijk zien respondenten hier duidelijke kansen op korte termijn: naarmate meer relevante data automatisch wordt geïntegreerd, kan AI bijdragen aan bedrijfsspecifieke rapportages die afwijkingen sneller signaleren en minder handmatige controle vereisen.

Ervaring speelt bovendien een belangrijke rol in het ervaren gebruiksgemak. Volgens revenue managers worden AI-toepassingen intuïtiever naarmate zij er langer mee werken en de logica achter de aanbevelingen beter begrijpen.

Waar AI meer inspanning vraagt

Het gebruiksgemak neemt af wanneer systemen onvoldoende met elkaar zijn verbonden. Vooral in non-room revenue, zoals F&B en M&E, blijft veel handmatig werk nodig om data uit verschillende bronnen te combineren. Dit belemmert het verkrijgen van een volledig overzicht en benadrukt het belang van cross-functionele systeemintegratie om de bruikbaarheid te vergroten.

Het proces van inventory-optimalisatie en booking control ervaren managers als zeer arbeidsintensief doordat de automatiseringsmogelijkheden beperkt zijn en instellingen vaak per keer handmatig moeten worden aangepast. Over de noodzaak en snelheid van verdere automatisering lopen de meningen uiteen: verschillende revenue managers benadrukken dat menselijke beoordeling hier juist essentieel blijft om context en nuance te bewaken.

Binnen distribution/channel management leeft bij revenue managers de wens dat AI winstgevende kanalen kan signaleren en parity-afwijkingen automatisch detecteert. In de praktijk ontbreekt echter vaak de flexibiliteit of systeemkoppeling die nodig is om dergelijke beslissingen volledig te automatiseren, ook buiten het roomsdomein. Revenue managers verwachten dat toekomstige versies deze handmatige belasting zullen verminderen, maar die voordelen zijn nog niet op grote schaal gerealiseerd.

Dezelfde onderdelen die in de prestatieanalyse als kwetsbaar naar voren kwamen, non-room revenue, inventory-optimalisatie en booking control, blijven ook bij het gebruiksgemak de grootste uitdaging. In deze processen is de combinatie van beperkte automatisering, versnipperde data en lage uitlegbaarheid de belangrijkste oorzaak van extra inspanning.

Conclusie: eenvoud vraagt volwassen technologie

Revenue managers beschouwen AI over het algemeen als gebruiksvriendelijk bij taken die goed geïntegreerd zijn in hun bestaande systemen, zoals businessanalyse, forecasting en pricing. De voordelen nemen af en werklast neemt toe wanneer dataintegratie en technologische volwassenheid ontbreken of wanneer aanbevelingen onvoldoende uitlegbaar zijn. Het onderzoek bevestigt dat het ervaren gebruiksgemak niet alleen afhangt van technologie, maar ook van ervaring en de mate waarin AI begrijpelijk, betrouwbaar en bedrijfsspecifiek toepasbaar is in de dagelijkse praktijk van revenue management.

Over de auteur

Gönül Uyanik is een senior Operations Director in de hospitalitysector en MBA-alumnus van Nyenrode Business Universiteit. Zij onderzocht hoe AI hotels kan helpen bij de implementatie van Total Revenue Management en wat dit betekent voor de rol van revenue managers en de organisatiecultuur, en deelt haar inzichten in deze reeks.

Deze artikelenreeks is gebaseerd op een onderzoek dat Uyanik uitvoerde in het kader van een Executive MBA aan Nyenrode Business Universiteit. Daarin sprak zij ervaren revenue managers uit full-service hotels in Nederland over de inzet van AI binnen Total Revenue Management. Dit verslag is bewust breed gehouden, zodat de artikelen herkenbaar zijn voor professionals uit verschillende disciplines. Sommige onderdelen zullen vertrouwd klinken, andere nodigen juist uit om met een frisse blik naar de toekomst van Revenue Management te kijken.

In de komende delen van deze reeks verdiepen we ons verder in de belangrijkste thema’s rond AI binnen Total Revenue Management. Artikel 3 gaat in op sociale invloeden die de adoptie bepalen, waaronder de rol van leidinggevenden, collega’s en externe prikkels uit de sector. Artikel 4 bespreekt de randvoorwaarden voor succesvolle toepassing van AI, zoals systeemintegratie, training, organisatiecultuur en de veranderende rol van de revenue manager. In artikel 5 staat de herijking van KPI’s en prestatiemeting centraal. Artikel 6 sluit de reeks af met inzichten over verantwoord en mensgericht gebruik van AI, met aandacht voor ethiek, governance en leiderschap in een datagedreven omgeving.

Blijf op de hoogte!

Twee keer per week het actuele en relevante hotelnieuws in uw mailbox? Registreer hier voor onze gratis digitale nieuwsbrief en blijf op de hoogte.