Un método de detección de eventos y recomendación de precios basado en series temporales, números borrosos y operadores de agregación

Abstract

[spa] El objetivo de este trabajo es desarrollar una metodología que permita detectar las fechas de aquellos eventos que incrementan la demanda de habitaciones de hotel y, al mismo tiempo, llevar a cabo una recomendación de ajuste de su precio. Dicha metodología está basada en el uso de series temporales, números borrosos y operadores de agregación. Con respecto a las series temporales, estas se aplican a la serie de demanda de cada destino para detectar y clasificar los eventos. En concreto se aplican para eliminar la tendencia y la estacionalidad de la mencionada serie. De esta manera se obtiene la parte no predecible de la demanda, el denominado ruido. Esta parte de la demanda no predecible, es clasificada en eventos, que se corresponden con aquellas fechas cuyo residuo supera cierto umbral. Tras la detección y clasificación de los eventos, se hace uso de los números borrosos y operadores de agregación. En particular, se desarrolla un método de ajuste de precio para cada uno de los eventos detectados (recomendación de modificación de margen) que se basa en la fusión de distintas funciones de recomendación. Las funciones de recomendación se han construido mediante el uso de números borrosos, operadores OWA y métricas que reflejan, por un lado, información sobre los precios y la disponibilidad de la competencia y, por otro lado, la evolución de los eventos.

[eng] The main objective of this work is to develop a methodology that allows detecting the dates of those events that increase the roomnights demand and, at the same time, that allows for a recommendation to asjust their price. The aforesaid methodology is based on the use of time series, fuzzy numbers and aggregation operators. Regarding the time series, these are applied to the demand series of each destination to detect and classify the events. Specifically, they are applied to eliminate the trend and seasonality of the aforementioned series. In this way, the unpredictable part of the demand is obtained, the so-called noise. This part of the unpredictable demand is classified into events, which correspond to those dates whose residual exceeds a certain threshold. After event detection and classification, fuzzy numbers and aggregation operators are used. In particular, a price adjustment method is developed for each of the detected events (extra MarkUp recommendation) that is based on the merger of different recommendation functions. The recommendation functions have been built by using fuzzy numbers, OWA operators and metrics that reflect, on the one hand, information on prices and availability of the competition and, on the other hand, the evolution of events.