La hostelería en Canarias tiene un desafío particular que no se repite con la misma intensidad en el resto de España: la estacionalidad es intensa, variable y está condicionada por factores muy locales. Una cadena con tres hoteles, dos en el sur de Gran Canaria y uno en Lanzarote, nos contactó con un problema concreto: sus compras de food & beverage (F&B) estaban basadas en la intuición del responsable de compras y en una hoja de Excel que se actualizaba cada lunes por la mañana. El resultado: mermas de producto en temporada alta y roturas en semanas punta imprevistas.
La cadena hotelera gestionaba entre 1.200 y 2.800 pernoctaciones semanales según la temporada, con una oferta de restauración que incluía buffet, carta y catering para eventos. El responsable de compras llevaba doce años en el sector y tenía un criterio sólido, pero la complejidad había crecido: nuevos segmentos de cliente (turismo nórdico, turismo familiar nacional, grupos de incentivos corporativos), ampliación del menú y mayor exigencia de calidad.
El problema no era solo el Excel. Era la ausencia de un modelo sistemático que integrase todas las variables relevantes: ocupación prevista, tipo de cliente por origen, eventos en destino, clima, y datos históricos de consumo por categoría. El Excel capturaba la ocupación prevista del PMS (Property Management System) y nada más.
En temporada alta, el desperdicio de producto fresco (verdura, pescado, lácteos) representaba entre el 8 y el 12% del coste de compra semanal. En semanas con eventos inesperados (Carnaval de Las Palmas, Semana Grande de Tenerife), la cocina se quedaba corta en materias primas clave, lo que generaba impacto directo en la valoración de clientes y en los costes de compras de emergencia a precios más altos.
Propusimos una solución en dos capas. La primera, un modelo de serie temporal con Prophet (desarrollado por Meta) para capturar la estacionalidad global del negocio: tendencia anual, patrones semanales y efectos de días festivos. Prophet es especialmente bueno para datos con estacionalidad múltiple y presencia de eventos irregulares, que es exactamente el caso de la hostelería canaria.
La segunda capa fue un modelo de XGBoost entrenado sobre los residuos de Prophet, enriquecido con variables exógenas: datos meteorológicos históricos (temperatura y precipitación en Las Palmas y Arrecife, extraídos de la API de AEMET), tasa de ocupación del PMS Protel por tipo de habitación, origen de los huéspedes (mercado emisor principal), y un calendario de eventos locales construido manualmente con las 23 fechas clave identificadas para Canarias.
El primer paso fue extraer el histórico de consumo del sistema de compras del cliente, que llevaba registros desde 2019. Los datos estaban en formato Excel con estructura inconsistente: distintas unidades de medida para el mismo producto a lo largo del tiempo, cambios de proveedor que alteraban los nombres de referencia, y semanas sin datos por cierres temporales (COVID, reformas).
Realizamos un proceso intensivo de limpieza y normalización: estandarización de unidades (kg, litros, unidades), reconciliación de referencias de producto, imputación de semanas faltantes y detección de outliers mediante Isolation Forest. El resultado fue una serie temporal limpia de 260 semanas por categoría de producto, lista para el entrenamiento.
Construimos las variables exógenas, conectamos la API de AEMET para obtener datos históricos de temperatura y creamos el calendario de eventos canarios. Entrenamos Prophet con los parámetros de estacionalidad ajustados para el dominio (estacionalidad semanal fuerte, estacionalidad anual con dos picos: verano y Navidad-Año Nuevo).
Para XGBoost, realizamos validación cruzada por temporada (walk-forward validation), usando los datos de 2019-2023 para entrenamiento y 2024 para test. El MAE (Mean Absolute Error) final fue del 6,2% en categorías de alto volumen (carne, verdura, bebidas) y del 11,4% en categorías más volátiles (pescado fresco, marisco).
Desplegamos el modelo en AWS Lambda con ejecución automática cada domingo a las 22:00, generando una predicción de consumo por categoría para los 14 días siguientes. Los resultados se escriben en una base de datos PostgreSQL y se visualizan en un dashboard de Power BI accesible para el responsable de compras y la dirección de operaciones.
El dashboard incluye: predicción de consumo vs. stock actual (con alertas de rotura), comparativa predicción vs. real de las últimas 4 semanas, y una vista de calendario con los eventos próximos que impactan en la predicción.
Tras seis meses de operación, medimos los resultados comparando con el mismo periodo del año anterior, controlando por ocupación (ambos periodos tuvieron ocupaciones similares):
Trabajar en Canarias implica entender matices que no aparecen en los modelos genéricos. La Semana Santa en Canarias es más corta que en la Península y su impacto en la demanda turística es más moderado que en destinos de playa peninsulares. El Carnaval de Las Palmas de Gran Canaria (el tercero más grande del mundo) genera un pico de demanda muy específico en Gran Canaria, pero prácticamente no afecta a Lanzarote. La temporada de surf en el norte de Fuerteventura atrae a un segmento de cliente con patrones de consumo distintos al turismo familiar tradicional.
Otro aprendizaje clave fue la calidad de los datos del PMS. Protel es un sistema maduro, pero la consistencia de los datos depende en gran medida de los protocolos internos del hotel. Encontramos reservas mal tipificadas, segmentos de cliente inconsistentes entre las tres propiedades, y ocupaciones históricas con errores por dobles registros. Antes de poder entrenar el modelo, fue necesario construir un pipeline de validación de datos del PMS que corría en paralelo.
Por último, el reentrenamiento trimestral es imprescindible. El modelo no es estático: los patrones de consumo evolucionan con el perfil del cliente, la oferta gastronómica y las condiciones del mercado. Configuramos un proceso de reentrenamiento automático cada tres meses, con validación manual de los resultados por parte del responsable de compras antes de poner la nueva versión en producción.
Si quieres mejorar tu gestión de compras de F&B con IA y reducir el desperdicio alimentario, podemos ayudarte a diseñar una solución adaptada a tu PMS y tus datos.
ContáctanosHablemos
Cuéntanos tu proyecto y te proponemos la solución más adecuada sin compromiso.