Como prever a ocupação de um hotel quando a demanda é movida a eventos

Para prever a ocupação de um hotel movido a eventos, nenhum modelo isolado basta. Combinar dois deles, ajustando o peso conforme o horizonte da previsão, levou o erro percentual médio de 13,78% do melhor modelo individual para 10,40% num caso real em São Paulo. Veja como, e o que isso muda para quem decide preço e operação no escuro.

Quem administra um hotel decide toda semana sobre algo que ainda não existe, quantos quartos serão vendidos nos próximos dias. Preço, escala da equipe, compras, tudo depende dessa demanda futura, e errar custa nos dois sentidos, quarto vago a preço baixo ou hóspede perdido por cobrar caro num dia fraco. Em São Paulo é pior, porque a cidade é movida a eventos corporativos que injetam picos irregulares, fora de qualquer padrão sazonal.

Foi o que investiguei na minha pesquisa de mestrado, com os dados reais de um hotel de médio porte na região da Paulista, pouco mais de um ano de histórico diário de diárias vendidas, preço médio e eventos na cidade. A pergunta era direta, qual método prevê melhor a ocupação, e dá para superar os métodos tradicionais sozinhos?

Por que prever ocupação é genuinamente difícil

A demanda diária não é uma curva suave. Há uma sazonalidade semanal, o hotel corporativo enche na terça e esvazia no sábado, e essa é a parte previsível. Sobre ela vêm os eventos, uma feira, um congresso, e a demanda salta de um jeito que nenhum padrão de calendário antecipa sozinho, porque depende de saber que aquele evento vai acontecer.

Isso opõe dois tipos de método. O Holt-Winters aprende o ritmo interno da série, bom em tendência e sazonalidade, mas cego ao que vem de fora. O ARIMAX, variação do ARIMA, aceita variáveis externas, no caso a marcação de evento na cidade. Cada um enxerga uma parte, e a pergunta é qual enxerga melhor, e quando.

O que os modelos tradicionais mostraram

Comparei quatro modelos clássicos, ARIMA, Holt-Winters, ARIMAX e SARIMAX, prevendo a ocupação de julho a outubro de 2024 contra a demanda real. Usei as três métricas mais comuns na literatura, o MAE, erro médio absoluto, o RMSE, que penaliza mais os erros grandes, e o MAPE, o erro como percentual da demanda real, o mais fácil de ler.

No agregado dos quatro meses, o ARIMAX foi o melhor modelo individual, com MAE de 10,70% e MAPE de 13,78%. A razão é clara, ele foi o único, junto do SARIMAX, que incorpora eventos e dia da semana como variáveis externas, ajustando a previsão quando havia evento marcado. O Holt-Winters, sem essa informação, ficou para trás.

Mas o agregado esconde a parte mais interessante, que só aparece quando se olha mês a mês.

O resultado que mudou a abordagem: cada modelo brilha num horizonte

Separando por mês, surgiu o padrão revelador. No primeiro mês, o Holt-Winters foi o mais preciso de todos, com MAPE de 10,01%, batendo o ARIMAX, porque no curtíssimo prazo o que importa é o ritmo semanal recente. Mas despencou rápido, e no quarto mês chegou a um MAPE de 38,28%, o pior de todos, porque seu viés de tendência se acumula e ele ignora eventos.

O ARIMAX fez o caminho oposto, mais fraco no primeiro mês, mas cada vez melhor conforme o horizonte crescia, porque nos meses distantes a demanda é mais moldada por eventos, que era o que ele sabia capturar. Em outubro, o mês mais volátil, entregou o menor erro entre os individuais.

Combinar os dois, com pesos que mudam no tempo

Se cada modelo é melhor num horizonte, a saída natural é não escolher entre eles, e sim combiná-los, dando a cada um mais peso justamente onde ele é mais forte. Foi o que fiz, construindo um modelo combinado que mistura Holt-Winters e ARIMAX em proporções que mudam conforme a previsão avança no tempo.

No curto prazo, o combinado apoiou-se mais no Holt-Winters, cerca de 65% do peso, deixando 35% para o ARIMAX ajustar os dias de evento. No mês intermediário, equilibrou-se perto de 52% e 48%. No horizonte distante, praticamente abandonou o Holt-Winters, só 2%, apoiando-se quase todo no ARIMAX, 98%, porque ali o viés de tendência do Holt-Winters só atrapalharia e o que importava era a sensibilidade a eventos.

O resultado, na tabela e no gráfico abaixo, é contundente. O modelo combinado alcançou um MAPE de 10,40%, contra 13,78% do melhor individual, com ganho em todas as métricas, o MAE caiu de 10,70% para 7,40%, o RMSE de 13,00% para 9,67%. Uma redução de cerca de um quarto no erro, sem nenhum software caro, só modelos clássicos sobre os dados de um hotel.

O que isso significa para quem opera um hotel

A conclusão prática vai além da matemática. A informação mais valiosa que um hotel em São Paulo pode incorporar à previsão não está só no histórico, está no calendário de eventos da cidade, e quem ignora isso deixa precisão na mesa.

E mesmo um hotel independente, sem orçamento para sistemas caros de revenue management, consegue previsões úteis com ferramentas acessíveis. Para o curtíssimo prazo, um modelo simples como o Holt-Winters já resolve boa parte.

E o mais importante, o método precisa seguir a pergunta. Prever a próxima semana e prever o próximo trimestre são problemas diferentes, e tratar os dois com o mesmo modelo fixo é a origem de boa parte dos erros que eu vejo na prática. Ler o horizonte da decisão antes de escolher a ferramenta separa uma previsão que orienta a operação de um número que só parece preciso.