Na de artikelen over prestaties, gebruiksgemak en sociale invloeden richt dit vierde deel zich op de randvoorwaarden die essentieel zijn voor een succesvolle implementatie van Artificial Intelligence binnen Total Revenue Management.
Uit de interviews blijkt dat technische, organisatorische en kennisgerelateerde voorwaarden onmisbaar zijn om AI succesvol te implementeren. Revenue managers noemen vooral de kwaliteit van data, systeemintegratie, interne samenwerking en training als doorslaggevend. Zonder deze basis blijft AI volgens hen een interessante belofte, maar geen geïntegreerd hulpmiddel in de besluitvorming.
Systeemintegratie en datakwaliteit: de technologische basis
Een van de meest genoemde faciliterende voorwaarden is een goed functionerende technologische basis. Revenue managers geven aan dat de waarde van AI staat of valt met de mate waarin systemen met elkaar verbonden en geïntegreerd zijn, en met de betrouwbaarheid van de gegevens die deze systemen leveren.
Veel hotels werken met afzonderlijke platforms voor PMS, POS, channel management en BI-tools, waardoor data verspreid en inconsistent wordt vastgelegd. Deze versnippering leidt tot dubbele invoer, fouten en ontbrekende informatie, vooral in niet-kamergerelateerde afdelingen zoals F&B en Meeting & Events. Het ontbreken van directe koppelingen maakt het lastig om een volledig beeld te krijgen van de totale vraag, omzetpotentie en de guest journey in kaart te brengen. Respondenten geven aan dat datasets hierdoor vaak onvolledig of inconsistent zijn en dat revenue teams veel tijd moeten besteden aan controles en correcties voordat gegevens bruikbaar zijn voor analyse. Clean en actuele data wordt door alle geïnterviewden gezien als een absolute voorwaarde om AI betrouwbaar te laten functioneren.
Naast deze praktische uitdagingen wijzen meerdere respondenten op een dieperliggende noodzaak: systemen binnen hotels werken vaak niet vanuit eenzelfde logica. De huidige technologie is vooral gericht op dataverzameling, maar niet op het verbinden van gegevens tot één samenhangend geheel. Revenueprofessionals geven aan dat AI pas zijn volledige waarde kan laten zien wanneer alle informatiebronnen, van kamers en F&B tot evenementen en externe marktdatasets, worden geïntegreerd binnen één consistent beslisraamwerk. Dat vraagt om meer dan technische koppelingen alleen; het vergt ook eenduidige definities, gemeenschappelijke parameters en uniforme besluitregels tussen afdelingen.
In de literatuur wordt dit ook wel omschreven als de ontwikkeling van een Revenue Management-ontologie: een gestructureerd kennis- en datamodel waarin de belangrijkste begrippen, relaties en processen van revenue management op elkaar zijn afgestemd. Een dergelijke gemeenschappelijke datalogica vormt de basis voor betrouwbare analyses en stelt AI in staat om informatie op eenzelfde manier te interpreteren als de experts in het vakgebied.
Volgens verschillende managers vereist verbetering een gezamenlijke aanpak tussen IT, operations en revenue. Technische integratie en heldere afspraken over definities, verantwoordelijkheden en rapportages zorgen ervoor dat data consistent wordt verwerkt en dat algoritmen daadwerkelijk kunnen leren van volledige en betrouwbare informatie.
Training, kennisontwikkeling en veranderende rol
In vrijwel alle interviews wordt genoemd dat training en kennisontwikkeling bepalend zijn voor de manier waarop AI wordt toegepast. De meeste trainingen worden verzorgd door leveranciers bij de implementatie van nieuwe systemen of updates, maar zijn volgens revenu managers vaak vooral gericht op het leren bedienen en configureren van systemen.
Respondenten geven aan dat het vertrouwen in technologie groeit wanneer medewerkers begrijpen hoe algoritmen tot hun conclusies komen. Als duidelijk is welke data het systeem gebruikt en waarom bepaalde resultaten verschijnen, neemt de bereidheid toe om AI in de praktijk te gebruiken. Leveranciers spelen daarbij een belangrijke rol door niet alleen technische uitleg te geven, maar ook inzicht te bieden in de logica achter de aanbevelingen.
Veel kennis ontstaat daarnaast binnen teams zelf, via onderlinge uitwisseling. Revenue managers geven aan dat collega’s vaak van elkaar leren door samen analyses te bespreken of functies te demonstreren. Deze peer-to-peer manier van leren maakt kennis direct toepasbaar en vergroot de betrokkenheid. Enkele respondenten noemen dat het nuttig zou zijn als alle medewerkers binnen het hotel meer algemene uitleg over AI krijgen, zodat het begrip van de technologie organisatie breed toeneemt.
De veranderende rol van de revenue manager komt daarbij duidelijk naar voren. Doordat AI steeds meer repetitieve taken automatiseert, verschuift de focus van operationele uitvoering naar strategisch inzicht en leiderschap. Revenueprofessionals ontwikkelen zich steeds meer richting interpretatie, communicatie en het vertalen van data naar strategie en actie. Storytelling wordt daarbij belangrijker om inzichten overtuigend over te brengen aan andere afdelingen, net als samenwerking over commerciële disciplines heen.
Ook vraagt Total Revenue Management om bredere kennis van alle inkomstenstromen binnen het hotel, van kamers tot F&B, Meeting & Events en overige outlets, zodat winstgevendheid organisatie breed kan worden aangestuurd. Door de automatiseringskracht kan één revenue manager meerdere hotels beheren, wat sterk analytisch vermogen, overzicht en communicatieve kracht vereist.
Naast deze interne leerprocessen spelen onderwijsinstellingen en trainingsprogramma’s een belangrijke rol. De sector heeft behoefte aan opleidingen die revenue managers voorbereiden op een hybride rol waarin technologie en strategie samenkomen. Daarbij is het van belang dat studenten al tijdens hun opleiding breder worden opgeleid, met aandacht voor de verschillende omzetstromen binnen een hotelorganisatie, zodat zij vroegtijdig inzicht ontwikkelen in hoe kamers, F&B, Meeting & Events en andere afdelingen met elkaar samenhangen.
Naast technische kennis hoort datageletterdheid tot de basis, evenals kritische reflectie: leren om systeemoutput niet zonder kritische afweging over te nemen, maar aanbevelingen te beoordelen op juistheid, relevantie en strategische toepasbaarheid. Ook storytelling zou nadrukkelijk onderdeel moeten zijn van deze opleidingen, zodat toekomstige revenue managers leren om data op een overtuigende en begrijpelijke manier te vertalen naar besluitvorming en actie. Permanente ontwikkeling via cursussen, leiderschapsprogramma’s en praktijkgerichte trainingen helpt professionals hun vaardigheden verder te verdiepen in een snel veranderend vakgebied.
Organisatorische ondersteuning en middelen
Naast technische en kennisgerelateerde factoren noemen revenue managers ook organisatorische voorwaarden, waarbij budget, capaciteit en managementsteun vaak als doorslaggevend worden gezien voor het succes van AI-initiatieven. Respondenten geven aan dat projecten rond AI vaak weinig prioriteit krijgen wanneer de nadruk binnen de organisatie ligt op kortetermijnresultaten. Hierdoor krijgen initiatieven soms onvoldoende tijd om hun waarde te bewijzen.
Daarnaast speelt personele capaciteit een belangrijke rol. Veel teams werken met beperkte bezetting, waardoor er weinig ruimte is om met AI te experimenteren of nieuwe inzichten te implementeren. Daarbij gaat door verloop waardevolle kennis snel verloren, wat volgens revenue managers de continuïteit van AI-initiatieven bemoeilijkt.
Revenue managers benadrukken dat het belangrijk is om AI-projecten te verankeren in de bedrijfsstrategie en duidelijke verantwoordelijkheden vast te leggen. In organisaties waar AI onderdeel is van de commerciële planning en niet wordt gezien als een losstaand IT-project, verloopt de implementatie volgens de managers veel soepeler.
Revenuecultuur en betrokkenheid van afdelingen
Naast technische en organisatorische factoren benadrukken revenue managers het belang van een gedeelde revenuecultuur. Total Revenue Management kan alleen slagen wanneer alle afdelingen begrijpen hoe hun werk invloed heeft op de totale omzet en gastwaarde. Het correct verzamelen van gast- en reserveringsdata wordt gezien als gezamenlijke verantwoordelijkheid. Revenue managers geven aan dat zij afhankelijk zijn van teams in F&B, front office en events om volledige en betrouwbare input te krijgen, maar dat dit door hoog personeelsverloop en tijdsdruk vaak moeilijk is. Regelmatige communicatie over doelen en resultaten helpt volgens hen om betrokkenheid te vergroten en de verbinding tussen afdelingen te versterken.
Cultuur en samenwerking
De interviews laten zien dat een open leercultuur, waarin fouten worden gezien als onderdeel van innovatie, de adoptie van AI vergemakkelijkt. Revenue managers geven aan dat samenwerking tussen afdelingen, bijvoorbeeld tussen sales, marketing en operations, essentieel is om de inzichten uit AI gezamenlijk te benutten. In hotels waar afdelingen elkaars data delen en gezamenlijk beslissen, groeit het vertrouwen in technologie en de kwaliteit van de besluitvorming. Deze onderlinge samenwerking vormt volgens de respondenten de brug tussen technische mogelijkheden en praktische toepassing. Wanneer deze elementen samenkomen, ontstaat een omgeving waarin technologie en samenwerking elkaar versterken.
Conclusie: technologie alleen is niet genoeg
De interviews laten zien dat succesvolle toepassing van AI in Total Revenue Management niet begint bij algoritmen, maar bij de voorwaarden eromheen. Zonder schone data, gekoppelde systemen, voldoende kennis, managementsteun en samenwerking blijft de impact beperkt. Daarbij blijkt dat niet alleen technische koppelingen, maar vooral een gedeelde datalogica cruciaal is: AI kan pas optimaal functioneren wanneer alle systemen en afdelingen dezelfde begrippen en besluitregels hanteren.
Wanneer deze elementen wél op orde zijn, ontstaat een omgeving waarin AI-toepassingen sneller leren, gebruikers meer vertrouwen hebben en beslissingen beter onderbouwd zijn. Technologie biedt de mogelijkheden, maar de faciliterende voorwaarden bepalen in hoeverre die mogelijkheden ook daadwerkelijk tot resultaat leiden. AI kan pas bijdragen aan Total Revenue Management wanneer hotels investeren in de fundamenten die mens, data en systemen met elkaar verbinden.
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.
Wat u in de volgende artikelen kunt verwachten
In de resterende artikelen van deze reeks wordt verder ingegaan op de strategische en ethische aspecten van AI binnen Total Revenue Management. Artikel 5 behandelt de herijking van prestatie-indicatoren en KPI’s als onderdeel van een geïntegreerde sturing op winstgevendheid. 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.
