AI in Revenue Management – Use Case

Održali smo intervju s Ivanom Jerčićem, Stručnim suradnikom prediktivne analitike u Maistra d.d., o tome kako do povećanja prihoda, bolju iskoristivost kapaciteta te efektivnijeg i efikasnijeg odlučivanja uz pomoć AI modela. Na FINANCE DAYS, 07. - 08.05.2026. održat će predavanje na temu AI in Revenue Management – Use Case, a u intervjuu donosi konkretne uvide iz prakse.

Kao teorijski fizičar i doktorant na PMF-u, kako ste prenijeli način razmišljanja iz znanstvenog istraživanja u razvoj AI modela za revenue management i optimizaciju poslovanja?
Pa zapravo dosta je prirodno. U fizici općenito pokušavamo razumjeti i matematički opisati različite procese. Danas zapravo primjenjujemo isti princip, samo ne na prirodne sustave nego na procese u revenue managementu.
U teorijskoj fizici često radimo s kompleksnim sustavima koji imaju puno varijabli i pokušavamo pronaći modele koji objašnjavaju njihovo ponašanje. U poslovnom kontekstu situacija je vrlo slična - samo što umjesto fizičkih fenomena analiziramo obrasce potražnje, sezonalnost, ponašanje gostiju ili reakciju tržišta na promjene cijena.
Metodologija je u suštini ista: gradimo modele na temelju podataka, testiramo hipoteze i iterativno ih poboljšavamo. AI i machine learning nam pritom omogućuju da takve modele skaliramo i koristimo za optimizaciju cijena i poslovnih odluka u realnom vremenu.
Također, iz fizike sam prenio i intuiciju o tome koje su ključne ovisnosti u sustavu i kako ih testirati kroz hipoteze i podatke. Taj način razmišljanja - identificirati najvažnije varijable, formulirati hipotezu i zatim je empirijski provjeriti - zapravo je temelj i znanstvenog istraživanja i razvoja uspješnih AI modela.
 

Na Vašem projektu razvoja pametnog sustava RMS Edmond radite s velikim količinama podataka iz raznih izvora. Koji su najveći izazovi u analizi tih podataka i kako AI pomaže u tom procesu?
Kod rada s takvim sustavima jedan od najvećih izazova je zapravo kvaliteta i struktura podataka. Podaci dolaze iz različitih sustava i izvora — primjerice PMS-a, channel menadžera, booking sustava ili partnera — i često nisu u istom formatu niti su uvijek potpuno konzistentni. Uz to, PMS sustavi koji se koriste u hotelima u pravilu su različiti od kompanije do kompanije, što dodatno otežava integraciju i standardizaciju podataka.
Dodatni izazov je i to što su procesi i struktura podataka često različiti od firme do firme, pa je ponekad teško doći do jedinstvenih i potpuno pouzdanih podataka. Zbog toga integracija takvih sustava ponekad može biti dugotrajnija i financijski zahtjevnija. Tvrtke koje već imaju sređeniju strukturu podataka i dobro dokumentirane procese tu na neki način imaju određenu prednost, jer je takve sustave lakše povezati i kvalitetnije iskoristiti podatke koje već imaju.
Velik dio posla zato je u čišćenju, standardizaciji i povezivanju tih podataka u jednu smislenu cjelinu na temelju koje se mogu graditi modeli. Tu AI može dosta pomoći, primjerice kroz modele za prepoznavanje obrazaca u podacima, detekciju anomalija ili automatsku standardizaciju podataka koji dolaze u različitim formatima.
Drugi izazov je sama kompleksnost sustava - potražnja u hotelijerstvu ovisi o velikom broju faktora poput sezonalnosti, događanja, ponašanja tržišta ili promjena cijena konkurencije. AI modeli tu pomažu jer mogu analizirati velike količine povijesnih i aktualnih podataka i iz njih izvući obrasce koji ljudima nisu uvijek odmah vidljivi.
Na kraju, cilj je te podatke pretvoriti u konkretne preporuke i odluke koje pomažu menadžerima u svakodnevnom radu, a tu AI igra važnu ulogu jer omogućuje da se takva analiza radi kontinuirano i u gotovo stvarnom vremenu.
 

Kako AI omogućuje dinamičko upravljanje cijenama, kapacitetima i cjenovnim restrikcijama u stvarnom vremenu, te kakav konkretan učinak to ima na prihode i iskorištenost kapaciteta?
Konkretnije detalje ćemo ipak ostaviti malo i za prezentaciju, da sad ne otkrivamo baš sve. AI modeli u tom kontekstu mogu jako pomoći, ali puno toga ovisi o organizaciji u koju dolazimo i o razini zrelosti njihovih revenue management procesa.
Ako organizacija već ima vrlo razvijene procese i stručnjake koji aktivno prate tržište i ručno optimiziraju cijene, onda su poboljšanja obično inkrementalna - iako dodatne optimizacije uvijek postoje. S druge strane, u sustavima gdje se takve odluke još uvijek donose dosta ručno ili sporije, potencijalni učinak može biti značajno veći.
Jedna od najvećih prednosti ovakvih AI sustava je zapravo u automatizaciji svakodnevnih operativnih odluka. Umjesto da revenue menadžeri svaki dan ručno analiziraju podatke i donose niz vrlo sličnih odluka o cijenama, restrikcijama ili kapacitetima, sustav to može raditi kontinuirano i u stvarnom vremenu. Na taj način ljudima se štedi vrijeme, a menadžerima se oslobađa prostor da se fokusiraju na strateške stvari - primjerice razvoj novih tržišta, testiranje novih strategija prodaje ili donošenje kompleksnijih poslovnih odluka gdje je ljudska procjena i dalje ključna.
 

S obzirom na složenost hotelskog poslovanja i potrebu za brzom prilagodbom strategije, možete li podijeliti primjer kako RMS Edmond podržava menadžere, npr. u odlučivanju o promocijama, raspodjeli kapaciteta ili drugim ključnim aktivnostima?
Primjerice, jedan od prvih ciljeva nam je bio da menadžeri sve ključne informacije i alate potrebne za donošenje odluka budu na jednom mjestu. Dakle, unutar aplikacije mogu vidjeti podatke, analitiku i preporuke te odmah na temelju toga provesti odluku.
Kroz aplikaciju je moguće postaviti da se određene odluke - poput prilagodbe cijena ili upravljanja kontingentima - izvršavaju automatski uz pomoć naših prediktivnih modela. Naravno, sustav uvijek ostavlja mogućnost da menadžer napravi i manualnu promjenu ako se ne slaže s preporukom sustava. Takve promjene sustav također uzima u obzir u budućim preporukama.
Budući da želimo da je sve na jednom mjestu, aplikacija uz operativne funkcionalnosti sadrži i različite analitičke alate. Menadžeri mogu raditi vlastite analize ponašanja potražnje, vidjeti predikcije buduće potražnje, kao i koristiti pametni sustav obavijesti koji filtrira i ističe ključne stvari na koje bi trebali obratiti pozornost taj dan, kako ne bi morali stalno pregledavati sve podatke. Uz to imamo i specifične alate, primjerice kalkulator za određivanje cijena za grupe, a trenutno uvodimo i sustav koji bi trebao pomoći u dugoročnijem planiranju za naredne godine.
 

U kojim segmentima hotelskog poslovanja, osim same optimizacije prihoda, vidite najveći potencijal za primjenu AI? Koje aktivnosti AI može poboljšati, a u kojima i dalje ostaje ključan ljudski faktor?
Prvo što mi pada na pamet, i o čemu i sami dosta razmišljamo, je primjena AI-ja u marketingu. To je zapravo jedan od logičnih sljedećih koraka, gdje AI može pomoći u boljem ciljanju kampanja, personalizaciji ponuda i razumijevanju ponašanja gostiju. Veliki potencijal vidimo i u optimizaciji operacija. Primjerice, modeli mogu pomoći u planiranju potrebnog broja zaposlenika za određeni dan na temelju predviđenog broja gostiju, čime se može bolje uskladiti kvaliteta usluge i operativni troškovi. AI također može pomoći u donošenju odluka o dodatnim investicijama, kroz analizu podataka i simuliranje različitih scenarija poslovanja. Tu su i različite primjene poput AI agenata za call centre koji mogu automatizirati dio komunikacije s gostima.
Još jedno zanimljivo područje su modeli za standardizaciju i obradu podataka. Primjerice, hoteli često dobivaju različite liste i podatke od partnera u različitim formatima, a AI može pomoći da se takvi podaci automatski strukturiraju i pripreme za daljnju analizu.Naravno, iako AI može značajno pomoći u analizi podataka, automatizaciji i optimizaciji procesa, ljudski faktor i dalje ostaje ključan u donošenju strateških odluka, razumijevanju konteksta tržišta i u svim situacijama gdje su iskustvo i procjena menadžera presudni.

 Više o temi "AI in Revenue Management – Use Case" na:  FINANCE DAYS: "AI u financijama", 07.05.2026.