Acceso usuarios
Henrique Henriques
, Luis Nobre Pereira
This systematic literature review (SLR) explores current state-of-the-art artificial intelligence (AI) methods for forecasting hotel demand. Since revenue management (RM) is crucial for business success in the hotel industry, this study aims to identify state-of-the-art effective AI-based solutions for hotel demand forecasting, including machine learning (ML), deep learning (DP), and artificial neural networks (ANNs). The study conducted an SLR using the PRISMA model and identified 20 papers indexed in Scopus and the Web of Science. It addresses the gaps in the literature on AI-based demand forecasting, highlighting the need for clarity in model specification, understanding the impact of AI on pricing accuracy and financial performance, and the challenges of available data quality and computational expertise. The review concludes that AI technology can significantly improve forecasting accuracy and empower data-driven decisions in hotel management. Additionally, this study discusses the limitations of AI-based demand forecasting, such as the need for high-quality data. It also suggests future research directions for further enhancing AI forecasting techniques in the hospitality industry.
Esta revisão sistemática da literatura(RSL)visa identificar os mais recentes métodos de previsão de procura de um hotelutilizando inteligência artificial(IA). Considerando a importância que a gestão da receitatempara o sucesso empresarial naindustriahoteleira, este estudo visaidentificar modelos e métodos eficazes baseados em IA para a previsão da procura, incluindo Machine Learning, Deep Learninge Artificial Neural Networks. Neste estudo foi realizada uma RSL utilizando o modelo PRISMA, tendo sido identificados 20 artigos indexados naScopus e na Web ofScience. No estudo são abordadas as lacunas na literatura sobre a previsão da procura baseada em IA, destacando-se a necessidade de maior clareza na especificação dos modelos; o impacto da IA na precisão do preço e no desempenho financeiro; e os desafios relativos à qualidade dos dados disponíveis e da capacidade computacional. A revisão conclui que a utilização de IA integrada nos modelos de análise pode melhorar significativamente a precisão da previsão, reforçando as decisões orientadas por dados na gestão hoteleira. Além disso, este estudo discute também as limitações associadas à previsão da procura baseada em IA, como a necessidade de dados de elevada qualidade. São sugeridas futuras linhas de investigação visando melhorar ainda mais as técnicas de previsão incluindo IA na indústria hoteleira.
