Kan AI helpen bij het realiseren van Total Revenue Management?

Binnen de hotellerie wordt al jaren gesproken over Total Revenue Management. Het concept beoogt een integrale benadering van alle omzetstromen binnen een hotel. In plaats van uitsluitend te sturen op kameromzet en kengetallen zoals ADR en RevPAR, richt Total Revenue Management zich op het optimaliseren van de totale omzet, inclusief Food & Beverage, Meeting & Events, wellness, vergaderfaciliteiten en andere inkomstenbronnen. Het doel is een samenhangende commerciële strategie waarin alle afdelingen bijdragen aan het maximale financiële resultaat.

Ondanks deze duidelijke meerwaarde is Total Revenue Management in de praktijk nog nauwelijks ingevoerd. Een belangrijke reden ligt in de druk op personeel: hoog verloop en structurele personeelstekorten beperken de mogelijkheden om verder te kijken dan de dagelijkse operatie. Daarnaast ontbreekt in veel hotels de technische en organisatorische infrastructuur die nodig is om Total Revenue Management systematisch toe te passen.

Waarom Total Revenue Management nu belangrijker is dan ooit

De huidige marktomstandigheden maken de invoering van Total Revenue Management urgenter. Hotels worden geconfronteerd met stijgende kosten voor personeel, energie en inkoop terwijl de marktvraag onvoorspelbaar en grillig blijft. Economische onzekerheid, veranderend reisgedrag en toenemende concurrentie van alternatieve accommodaties zorgen ervoor dat het resultaat van hotels onder druk staat.

Daarom is het noodzakelijk om verder te kijken dan enkel kameromzet. Door alle inkomstenstromen in samenhang te managen, kunnen hotels hun commerciële beslissingen beter afstemmen op de volledige guest journey en duurzame groei realiseren.

Tegelijkertijd neemt de hoeveelheid beschikbare data exponentieel toe en moeten beslissingen steeds sneller worden genomen. Hierdoor groeit de behoefte aan technologie die grote hoeveelheden informatie automatisch kan analyseren en vertalen naar concrete aanbevelingen in real-time. Diezelfde data is bovendien essentieel om de volledige guest journey in kaart te brengen, van oriëntatie en boeking tot verblijf en herhaalbezoek, zodat inzichten uit elk contactmoment kunnen worden benut om de beleving te verbeteren en de totale omzet te optimaliseren.

Onderzoeksvraag: kan AI de doorbraak forceren?

In het kader van mijn Executive MBA-scriptie heb ik onderzocht hoe artificial intelligence (AI) kan worden ingezet binnen het revenue-managementproces. De kernvraag van het onderzoek was in welke mate revenue-managers AI zien als hulpmiddel bij het verwezenlijken van Total Revenue Management.

Volgens het AI Use Case Prism van Gartner behoren prijsoptimalisatie en forecasting tot de meest invloedrijke en haalbare toepassingen van AI. Deze technologieën maken het mogelijk om data uit verschillende afdelingen te verbinden, besluitvorming te ondersteunen en het revenue-managementproces op een meer integrale manier te benaderen. Vanuit die belofte is onderzocht of AI in de praktijk daadwerkelijk de oplossing kan bieden om van traditioneel revenue management door te groeien naar een Total Revenue Management-benadering.

De inzichten zijn gebaseerd op interviews met ervaren revenue-professionals van full-service hotels in Nederland en tonen aan in welke gebieden AI momenteel waarde toevoegt en waar dit nog beperkt is.

Een praktische bril: vier vragen en zeven activiteiten

Voor de analyse is gebruikgemaakt van het UTAUT-model (Unified Theory of Acceptance and Use of Technology), een veelgebruikt raamwerk om de adoptie van technologie binnen organisaties te begrijpen. In essentie draait dit om vier vragen die direct relevant zijn voor de praktijk wanneer we naar de adoptie van AI kijken:

1. Levert AI betere prestaties op?
2. Is het eenvoudig te gebruiken?
3. Hoe beïnvloeden collega’s, leidinggevenden en de bredere sector de houding tegenover AI?
4. Zijn de juiste middelen, systemen en ondersteuning aanwezig om AI succesvol toe te passen?

Deze vragen zijn in het onderzoek toegepast op de zeven kernactiviteiten van revenue management: businessanalyse, pricingstrategie, demand forecasting, inventory- en price optimalisation, booking control, distribution/channel management en performance-analyse/rapportage.

Waar AI nu al waarde toevoegt: prestaties verbeteren

In dit eerste artikel staat de vraag centraal of AI daadwerkelijk leidt tot betere prestaties.

Het onderzoek laat zien dat revenue-managers vooral waarde zien in het gebruik van AI voor businessanalyse, forecasting, pricing en rapportages. Zij ervaren dat AI helpt om trends sneller te herkennen, grote hoeveelheden gegevens tegelijk te analyseren en verbanden te leggen die onmogelijk zijn voor mensen om zelfstandig te verwerken. Dankzij zelflerende algoritmen kan de technologie afwijkingen of nieuwe patronen in de vraag vroegtijdig signaleren, waardoor teams sneller kunnen reageren op marktveranderingen.

Vooral bij demand modelling en forecasting biedt de technologie kansen, omdat AI patronen in data sneller herkent en daardoor bijdraagt aan nauwkeurigere en beter onderbouwde voorspellingen. Revenue managers geven daarnaast aan dat zij in de toekomst graag meer externe marktdata geïntegreerd zouden zien in deze systemen, bijvoorbeeld online zoekopdrachten voor vluchten of evenementen in de stad, om demandvoorspellingen nog nauwkeuriger te maken.

Ook binnen pricing ervaren revenue-managers voordelen. AI ondersteunt bij het voortdurend doorrekenen van prijzen en simuleert verschillende scenario’s om de optimale prijs-per-moment te bepalen. Dit vergroot de reactietijd en vermindert de afhankelijkheid van menselijke analyse en verwerking.
Daarnaast zien revenue managers potentie om deze technologie breder toe te passen dan alleen op hotelkamers. AI maakt het technisch mogelijk om ook dynamische prijzen te bepalen voor vergaderruimtes, parkeervoorzieningen of Food & Beverage-activiteiten. Hoewel dit in de praktijk nog beperkt gebeurt, wordt het gezien als een logische volgende stap richting echt Total Revenue Management.

In rapportages levert AI vooral tijdwinst en consistentie op. De technologie kan automatisch afwijkingen in cijfers detecteren, trends samenvatten en basisanalyses genereren. Tegelijkertijd is de betrouwbaarheid van de output sterk afhankelijk van de kwaliteit van de ingevoerde data binnen elk systeem.

Door de inzet van AI besteden revenue-managers minder tijd aan handmatige rapportages en het combineren van verschillende databronnen. Daardoor blijft er meer ruimte over voor strategische interpretatie en overleg met andere afdelingen. AI wordt vooral gezien als een hulpmiddel dat snelheid, nauwkeurigheid en inzicht vergroot, terwijl de uiteindelijke beslissingen bij mensen blijven. Het vertrouwen in AI is echter niet vanzelfsprekend: berekeningen of aanbevelingen worden pas overgenomen wanneer ze logisch zijn en aansluiten bij de marktkennis van het team. Gebruikers noemen dit het ‘black-box’-effect, wanneer de redenatie achter aanbevelingen niet transparant is.

De toepassing van AI is bovendien ongelijk verdeeld over de verschillende onderdelen van revenue management. Bij processen zoals booking control en inventory-optimalisatie is de inzet nog beperkt, terwijl non-roomactiviteiten zoals M&E en F&B vaak buiten de huidige systemen vallen. Versnipperde data-architectuur en ontbrekende koppelingen maken het lastig om een volledig geïntegreerde Total Revenue Management-aanpak te realiseren. De meeste hotels beschikken wel over datastromen, maar worstelen met de vertaling naar bruikbare inzichten vanwege beperkte datakwaliteit en versnipperde systemen. Datakwaliteit is vaak onvoldoende doordat informatie uit verschillende bronnen, zoals PMS, POS, channel managers en boekingsplatforms, handmatig wordt ingevoerd of niet goed op elkaar aansluit. Daardoor bevatten datasets fouten, dubbele registraties of ontbrekende velden, wat het leervermogen van algoritmen beperkt.

AI als nieuwe sectorstandaard

De verspreiding van AI in de hospitalitysector heeft ook gevolgen voor concurrentieverhoudingen. Naarmate steeds meer hotels vergelijkbare technologieën toepassen, verschuift het onderscheidend vermogen van innovatie naar de manier waarop inzichten worden geïnterpreteerd en benut. Technologie biedt dan niet langer een direct concurrentievoordeel, maar wordt een sectorstandaard die het algemene prestatieniveau verhoogt.

In dat speelveld ligt het verschil niet meer in het gebruik van AI op zich, maar in de kwaliteit van menselijk oordeel, samenwerking tussen afdelingen en de snelheid waarmee beslissingen worden vertaald naar concrete acties. De toekomst van Total Revenue Management zal daardoor niet alleen worden bepaald door de kracht van algoritmen, maar vooral door het vermogen van professionals om data te begrijpen, te duiden en er betekenisvolle keuzes uit af te leiden.

Conclusie: AI verhoogt prestaties, maar volledige toepassing blijft uit

AI biedt duidelijke voordelen binnen revenue management. Hotels die er actief mee werken, ervaren meer snelheid, precisie en inzicht doordat de technologie repetitieve taken automatiseert en trends eerder herkent dan menselijke analyse. Tegelijkertijd blijft de toepassing fragmentarisch: veel hotels kampen met gebrekkige datakwaliteit en losse systemen, waardoor de mogelijkheden van AI zich beperken tot afzonderlijke processen. AI versterkt dus vooral de operationele prestaties en analytische slagkracht, maar vormt nog geen geïntegreerd instrument voor Total Revenue Management. De echte doorbraak zal pas volgen wanneer hotels investeren in datakwaliteit, systeemintegratie en de ontwikkeling van kennis om AI-uitkomsten goed te interpreteren.

De bevindingen in dit eerste artikel laten zien dat technologie op zichzelf niet voldoende is: succesvolle toepassing vraagt ook om vertrouwen, gebruiksgemak en de juiste organisatorische randvoorwaarden. In de volgende artikelen van deze reeks worden deze thema’s verder uitgediept, beginnend met het gebruiksgemak van AI in de dagelijkse praktijk.

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 kunt u in de volgende artikelen verwachten

In de volgende delen van deze reeks gaan we dieper in op de overige thema’s. Artikel 2 behandelt het gebruiksgemak van AI en de mate waarin technologie intuïtief en toepasbaar is in de praktijk. Artikel 3 bespreekt de sociale factoren die de adoptie beïnvloeden, zoals de rol van leidinggevenden, collega’s en de bredere sector. Artikel 4 gaat over de randvoorwaarden voor succesvolle toepassing van AI, waaronder systeemintegratie, training, organisatiecultuur en de veranderende rol van de revenue manager. In artikel 5 staat de herijking van KPI’s en prestatiemeting centraal, terwijl artikel 6 de reeks afsluit 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.