Foto: divulgação
Há muito debate no setor de hospitalidade sobre o futuro dos serviços auxiliares e do upselling. Alguns argumentarão que a revolução auxiliar não está próxima, mas os dados discordam. Um estudo recente da Oracle descobriu que 81% dos hoteleiros pesquisados esperam uma grande mudança no modelo de serviço entre agora e 2025, e 49% concordam fortemente que comodidades especiais e atualizações são essenciais para sua estratégia de receita.
Além disso, os clientes parecem jogar para esse preço à la carte. Mais da metade dos consumidores, 54%, disseram estar dispostos a pagar mais para escolher seu ponto de vista; 38% para escolher seu quarto; e 32% para escolher o andar do quarto; etc.
Não procure mais do que as companhias aéreas para ver como essa estratégia está funcionando no setor de viagens. Temos a opção de escolher um assento e pagar taxas de upsell com base em sua localização, espaço para as pernas, etc. Muitas vezes podemos despachar uma mala, mas temos a opção de pagar mais. A Southwest oferece ao cliente a opção de fazer o upgrade para o embarque antecipado por uma pequena taxa – uma que estou mais do que feliz em pagar para obter uma melhor escolha de assento. Essas empresas, e outras, possibilitam que os hoteleiros posicionem o upselling como um meio de criar uma experiência melhor para seus hóspedes, e não apenas vender produtos e serviços.
Então, como os hoteleiros podem emular essa estratégia? Aprendizado de máquina. Essa forma de inteligência artificial permite que os hotéis capturem e apliquem dados para apresentar ofertas relevantes aos hóspedes em tempo real e maximizar a receita total por hóspede. Esse tipo de dados não é o tipo usual que os hoteleiros tendem a recorrer. Dados históricos, especialmente em tempos pós-COVID, são menos valiosos do que antes. O que é mais valioso são os dados que esclarecem por que o hóspede está fazendo essa viagem agora, portanto, é fundamental um profundo conhecimento dos dados da reserva – segmento de mercado, origem do negócio, código da tarifa, check-in no dia da semana etc.
Por exemplo, Mohegan Sun é um resort e cassino de diamantes de quatro estrelas em Uncasville, Connecticut. É um dos maiores cassinos do mundo, com quase 1.700 quartos de hotel, mais de 250.000 pés quadrados de espaço para reuniões, 45 bares e restaurantes e uma arena de 10.000 lugares para shows e eventos esportivos. Para aumentar as receitas não relacionadas a jogos, a Mohegan Sun está usando o Oracle Nor1 para fazer upsell de serviços e acomodações, como suítes, check-in antecipado e check-out tardio. Desde a implementação do Nor1, a propriedade teve um aumento de 500% no upsell.
À medida que os hóspedes passam pela fase de reserva e pré-chegada, cada interação adicional com o hóspede é um dado valioso. Eles clicaram na oferta de fidelidade na página de confirmação do mecanismo de reservas? Eles ignoraram uma oferta de upsell para uma suíte no e-mail de confirmação? Eles clicaram em uma oferta de check-in antecipado no e-mail de pré-chegada? Eles fizeram o pré-registro em seu dispositivo móvel?
À medida que um sistema começa a receber dados durante o ciclo de vida da reserva, torna-se possível a personalização – mesmo para hóspedes que nunca fizeram reservas com o seu hotel antes. A personalização nesse nível identifica coisas diferentes sobre um hóspede ao mesmo tempo para entender qual combinação de atributos esse hóspede valoriza, a que preço e em que ponto de sua jornada o hóspede terá maior probabilidade de atualizar ou solicitar serviços ou produtos.
Quando um hóspede faz o check-in, o sistema pode levar em consideração o que já foi oferecido ao hóspede no início do ciclo de vida da reserva e como o hóspede reagiu. A maneira mais próxima de obter a verdadeira personalização é usar esses sinais de compra específicos para um hóspede individual. Com esse conhecimento, o sistema pode apresentar recomendações ao recepcionista/agente de recepção em tempo real para informar suas ofertas de upsell para cada hóspede.
Cada hóspede quer uma experiência diferente. Alguns estão dispostos a gastar em uma suíte, alguns em comida e bebida e outros em outras ofertas.
Esta foi certamente a experiência que o Great Wolf Resorts viu de seus hóspedes. De quartos temáticos e espaço extra a um ‘Wolf Pass’ que oferece acesso a parques aquáticos e muito mais, o resort comercializa um amplo catálogo de opções de quartos e atrações para atender a todos os segmentos e hóspedes. Em vez de rastrear manualmente as atualizações em relação à disponibilidade e gastar horas da equipe na entrada de dados, a Great Wolf utiliza a Nor1 para automatizar o processo de upsell e conectar-se ao OPERA PMS para obter uma visão clara do inventário.
“Estamos sempre tentando pensar em novas maneiras de dar às pessoas a experiência que elas desejam”, explicou Dave Van Saun, diretor de receita auxiliar do Great Wolf Resorts. “A maneira como isso se manifesta no gerenciamento de receita é oferecer diferentes tipos de tarifas, ofertas em pacote, passes e muito mais.”
Um dos maiores valores do aprendizado de máquina é o ciclo de feedback; ou seja, gravar a interação do convidado com a oferta de volta nos dados para que a máquina possa aprender o que os convidados aceitam – e tão importante quanto, o que eles rejeitam – para tomar melhores decisões de oferta no futuro. Quanto mais sinais de compra o sistema puder receber, mais ofertas de merchandising direcionadas podem se tornar.
“Somos únicos em comparação com a maioria dos outros hotéis ou mesmo grandes resorts de Las Vegas porque temos mais ofertas sob nosso teto, muitas atrações e itens extras para atrair os hóspedes”, acrescentou Van Saun. “Sempre tivemos foco em receitas auxiliares e vimos isso como uma boa oportunidade de crescimento, mas a pandemia nos permitiu dobrar. Fazer com que um hóspede que já pagou por um quarto gaste mais para ter uma experiência melhor é uma vantagem para todos e oferece alta margem de receita.”
Auxiliar vs. upselling vs. cross-selling – é tudo a mesma coisa: receita gerada pela oferta de produtos e serviços aos hóspedes relevantes para a sua estadia. A única maneira de gerar receita incremental sustentável e previsível é automatizá-la usando aprendizado de máquina.
