Intelligent Pricing Systems for Hotels: From Prediction to Optimization [Sistema di prezzi intelligente per hotel: dalla previsione all'ottimizzazione]

La tariffazione dinamica, inizialmente di successo nel settore del trasporto aereo, è diventata un pilastro dell'ottimizzazione dei ricavi nel settore alberghiero. Tradizionalmente, questa strategia si basa su interventi manuali, in cui i Revenue Manager (RM) monitorano costantemente le condizioni di mercato, gli indicatori chiave di prestazione (KPI) e i fattori esterni per definire la tariffazione ottimale per i futuri giorni di soggiorno (Days of Stay - DOS). Tuttavia, questo processo è sempre più dispendioso in termini di tempo e difficile da scalare. In questo contesto, le tecniche di apprendimento automatico (ML) offrono promettenti opportunità per elaborare il crescente volume di dati generati dalle strutture ricettive e per migliorare le decisioni di prezzo. Questa tesi propone un approccio strutturato per la previsione dinamica dei prezzi, partendo dalla progettazione di un set di dati specifico per il dominio che rifletta il contesto informativo in cui operano i Revenue Manager. A causa della mancanza di set di dati pubblicamente disponibili in questo campo, il set di dati proposto è costruito a partire da dati alberghieri reali, incorpora funzionalità statiche, dinamiche e ingegnerizzate ed è ulteriormente arricchito da annotazioni di esperti. Utilizzando il set di dati collezionato, vengono confrontati cinque modelli di ML per prevedere il prezzo che un Revenue Manager assegnerebbe a una camera entry-level in un orizzonte temporale di 90 giorni. Poiché il sistema è progettato per supportare utenti non esperti, che potrebbero avere difficoltà ad affidarsi ai risultati dei modelli di intelligenza artificiale, il framework integra anche tecniche di Intelligenza Artificiale Spiegabile (XAI). In particolare, gli SHapley Additive ExPlanations (SHAP) vengono utilizzati per fornire spiegazioni chiare e accessibili delle previsioni del modello, sia a livello globale che locale. Inoltre, la tesi presenta l'architettura dell'intero sistema, mostrando come la soluzione proposta possa essere integrata in un sistema di Revenue Management. Questo lavoro ha già superato la fase di ricerca: il sistema è attualmente in produzione all'interno dell'RMS dell'azienda partner, supportando attivamente le decisioni di prezzo e guidando l'innovazione nelle pratiche operative. Su questa base, la ricerca in corso esplora una direzione più ambiziosa: lo sviluppo di un agente autonomo in grado di suggerire prezzi ottimali interagendo con l'ambiente e imparando dai risultati piuttosto che dalle decisioni passate. Questa transizione dall'imitazione all'ottimizzazione mira a superare i limiti dell'euristica umana e a sbloccare strategie di prezzo più efficaci, in particolare per le strutture ricettive di piccole e medie dimensioni che non hanno accesso a competenze specifiche in materia di revenue management.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2026

Author dc:creator

• SAITTA, SUSANNA

Contributors dc:contributor

• FARINELLA, GIOVANNI MARIA

• Reinforcement Learning
• Supervised Learning
• AI in hospitality
• Domain specific dataset
• Data Analysi
• Machine Learning
• Apprendimento supervisionato
• dataset specifico per il dominio
• AI nell'ospitalità
• Apprendimento per rinforzo
• Analisi dati
• Apprendimento automatico

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/724749

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/724749