En la práctica, la restricción vinculante a menudo radica en otra parte. En los restaurantes, la capacidad de la cocina para producir comidas puede verse limitada durante las horas punta. En los hoteles puede estar disponible el servicio de limpieza de habitaciones.
En los sistemas de entrega puede estar suministrando al conductor. En lugares grandes, puede haber cuellos de botella en el rendimiento de seguridad o en el acceso. Lo que aparece en el sistema como “capacidad” es a menudo sólo una estimación aproximada de lo que el proceso realmente puede lograr.
El Departamento de Ingresos ha reconocido esta distinción desde hace mucho tiempo. Sin embargo, la mayoría de los sistemas todavía tratan la potencia como constante. La restricción relevante no es la capacidad teórica, sino la capacidad efectiva: la cantidad de producto que el sistema puede entregar de manera realista en condiciones operativas reales.
Pero durante décadas, estas limitaciones operativas han sido difíciles de medir directamente. Los gerentes podían monitorear las reservas, las ventas, el conteo de mesas, el inventario de habitaciones y los patrones de reserva, pero los factores subyacentes de la capacidad efectiva permanecían en gran medida ocultos.
Durante la pandemia de Covid, esto se ha vuelto especialmente evidente. Técnicamente, los restaurantes tenían el mismo número de mesas y los hoteles tenían el mismo número de habitaciones, pero las políticas gubernamentales, la escasez de personal y las interrupciones operativas cambiaron drásticamente la cantidad de capacidad que realmente podía utilizarse. La capacidad teórica del sistema permaneció sin cambios, pero su capacidad efectiva fluctuó constantemente. Los gerentes se vieron obligados a tomar decisiones con sólo una visión parcial de las limitaciones que daban forma al sistema.
Lo que está empezando a cambiar es nuestra capacidad de monitorear estos límites operativos de manera más directa. Los avances en los sistemas de datos y la inteligencia artificial permiten medir aspectos de capacidades que antes eran invisibles.
Los sistemas de reservas y puntos de venta tienen señales de demanda ilimitada, pero estas señales son indirectas y fáciles de pasar por alto. Aparecen en patrones como clientes que buscan una mesa pero no la reservan, solicitudes repetidas de horarios no disponibles, invitados que se van después de escuchar largas esperas o pedidos retrasados o abandonados. Los datos existen, pero están fragmentados entre sistemas y rara vez se interpretan de una manera que revele la limitación subyacente.
Lo que hace posible la IA no es solo recopilar más datos, sino correlacionar e interpretar estas señales a escala. Al correlacionar el comportamiento de búsqueda, los patrones de reserva, el uso de las mesas y los tiempos de servicio, los sistemas pueden comenzar a estimar cuántos clientes podrían haber sido atendidos si la capacidad hubiera estado disponible y dónde existe realmente esa restricción en el proceso. En algunos casos, las plataformas ya están utilizando estas señales para ajustar la disponibilidad, el ritmo y las decisiones de personal en tiempo real.
Las herramientas de visión por computadora pueden rastrear el flujo de invitados, los pasillos y el uso de las mesas. Las plataformas de entrega pueden monitorear la disponibilidad de los conductores y la productividad de la cocina en miles de restaurantes en tiempo real. De hecho, estas tecnologías están empezando a arrojar luz sobre los cuellos de botella operativos que determinan cuánta capacidad puede proporcionar realmente un sistema.
En algunos sectores, especialmente en las grandes plataformas digitales, el sistema ya puede observar estas restricciones a gran escala. Pero en muchas empresas de servicios, los gerentes apenas están comenzando a ver cuánta información operativa ha permanecido oculta históricamente. En muchos casos, los datos están ahí, pero nunca han sido organizados o vinculados de una manera que haga visible la restricción.
Hace varios años, hice que un asistente de investigación se sentara en el vestíbulo de un restaurante y simplemente contara el número de invitados que fueron rechazados durante el servicio de cena. Le preguntaba al anfitrión cada hora cuántas personas habían sido rechazadas. El anfitrión suele responder que muy pocos invitados han sido rechazados.
Entonces mi asistente les dice cuántas mesas ha contado y señala las mesas vacías del comedor.
Este asociado, WillGuidara, ha seguido construyendo uno de los enfoques de hotelería más reflexivos de la industria. Ya a los 19 años vio algo que muchos sistemas todavía pasan por alto: el proceso no estaba realmente completo.
El ejercicio ilustra un punto simple pero importante. Incluso en operaciones relativamente pequeñas, los gerentes a menudo carecen de una visión clara de los factores operativos que determinan la capacidad efectiva. Algunos invitados fueron rechazados porque el anfitrión pensó que el restaurante estaba lleno. Otros se fueron después de escuchar que el tiempo de espera estimado resultó ser demasiado largo. Mientras tanto, las mesas permanecían vacías en ocasiones mientras se ajustaba el sistema.
Lo que parecía una limitación fija de la capacidad era en realidad un límite móvil. Y en la industria hotelera, cada huésped que se va silenciosamente representa no solo una pérdida de ingresos, sino también una oportunidad perdida de crear una experiencia.
Cualquiera que haya pasado tiempo en operaciones de restaurantes ha sido testigo de una versión de este fenómeno. Patrones similares surgen en los hoteles cuando las habitaciones permanecen vacías mientras se retrasa el servicio de limpieza, en los sistemas de entrega cuando los pedidos esperan a los conductores y en los lugares de eventos cuando los cuellos de botella de entrada reducen la productividad. El comedor parece lleno, pero las mesas permanecen vacías. A los invitados se les dice que la espera es de treinta minutos, pero la mesa se abre después de diez minutos.
Una dinámica similar surge en los servicios profesionales, donde la capacidad facturable no está limitada por las horas disponibles, sino por la cantidad de tiempo dedicado a la coordinación, el retrabajo y las tareas no facturables. La pregunta no es si estas situaciones ocurren. La pregunta es con qué frecuencia sucede y cuántos ingresos desaparecen silenciosamente como resultado.
Este es precisamente el tipo de fricción operativa que históricamente ha sido difícil de observar y, por tanto, de gestionar. Pero hoy en día, las herramientas impulsadas por la IA están empezando a hacer visibles estas dinámicas. Los sistemas pueden rastrear los pagos, monitorear los patrones de uso de las mesas y detectar cuellos de botella operativos en tiempo real. Al hacerlo, comienzan a revelar la verdadera restricción que gobierna el sistema.
Durante muchos años, los sistemas de gestión de ingresos han tratado la capacidad como un número fijo en el modelo. El problema de optimización supone que esta restricción es conocida y estable. La capacidad efectiva a menudo fluctúa a lo largo del día a medida que cambian las condiciones operativas.
Si nuevos datos y herramientas de inteligencia artificial comienzan a hacer visibles estas dinámicas, la gestión de ingresos puede evolucionar gradualmente desde la gestión de la demanda frente a una restricción fija hasta la comprensión, y tal vez incluso la gestión, de la restricción misma.
Muchas empresas de servicios creen que conocen sus capacidades. Los sistemas que utilizan refuerzan esta creencia.
A menudo, la limitación más importante está oculta en el proceso mismo.
Cheryl E. KimesPh.D., es profesor emérito de Gestión de Operaciones en la Escuela de Administración Hotelera de la Universidad de Cornell. Cornell SC Johnson College of Business y profesor visitante de análisis y operaciones en la Escuela de Negocios de la Universidad Nacional de Singapur (sk@sherrikimes.com; sek6@cornell.edu).
Su área de especialización es la gestión de ingresos. Ha enseñado, investigado y brindado servicios de consultoría en este campo durante más de 25 años. Ha publicado más de 100 artículos y capítulos de libros y ha recibido numerosos premios por su investigación, incluido el Lifetime Achievement Award de la School of Service Operations de Production and Operations Management Society y el Industry Relevance Award del Cornell University Center for Hospitality Research en 2010, 2012 y 2014. En 2017, recibió el Vanguard Award de la International Hotel Sales and Marketing Association por su trayectoria en la gestión de ingresos. Fue la tercera ganadora de este premio.
