Copilot para Excel en revenue management

Por Salvador Galindo
catalogado en Articulos, Gestión Hotelera, Inteligencia Artificial

Cuando gestionas ingresos, el tiempo entre detectar un cambio en la demanda y ajustar precio marca la diferencia. Los informes del PMS suelen ir “a posteriori” y requieren tablas y fórmulas. Con Excel + Copilot convierto peticiones en lenguaje natural en análisis listos para decidir: pick-up por segmento, pace vs. presupuesto, ADR/RevPAR y riesgo de sobreventa, sin construir modelos complejos cada día.

¿Qué problema resuelve?

¿Qué aporta Copilot dentro de Excel?

Interfaz en lenguaje natural sobre tus datos: «Calcula el pick-up de los últimos 7 días por canal y compáralo con el mismo periodo del año pasado».
Automatización de análisis repetitivos: tablas dinámicas, gráficos y medidas calculadas generadas al instante.
Contexto operativo: puedo pedir «destaca picos de demanda asociados a eventos y propone actions» y obtener insights accionables.
Aterrizaje inmediato: trabajo conectando Excel al PMS por OData/CSV y sin macros; reduzco dependencia del analista “gurú de fórmulas”.

¿Cuándo lo utilizo?

Daily stand-up de revenue para ver pick-up y pace antes de las 9:00.
Cierres semanales para revisar ADR/RevPAR por segmento y canal.
Alertas de demanda cuando sube el lead time o aparece un pico de búsquedas y necesito simular precios.

El patrón de prompt que funciona

Usa siempre acción + dataset + horizonte + criterio + salida.

Acción: analiza, compara, proyecta, simula, detecta outliers.
Dataset: Bookings, On-the-books, Cancelaciones, Inventario.
Horizonte: 7 días, 14 días, mes en curso, próximo festivo.
Criterio: por segmento/canal/tipo de habitación/mercado origen.
Salida: tabla dinámica + gráfico + recomendación.
Ejemplo: «Analiza el pick-up de los próximos 14 días por segmento y canal; compáralo con LY y presupuesto; muestra tabla dinámica y gráfico de columnas y sugiere subidas/bajadas de tarifa por fecha».

Datos mínimos que debo tener listos

Fecha de reserva (booking date), check-in, check-out, lead time.
Canal y segmento (OTA, directo, corporate, grupo).
Tipo de habitación, capacidad y cupos cerrados.
Estado (confirmada, cancelada, no show) para pick-up neto.
Precio/noche y ADR, ingreso total y noches vendidas para RevPAR.
Eventos/fechas especiales y restricciones (mínimas noches, cierres).

Riesgos que evito desde el principio

Calidad de datos: duplicados, reservas modificadas sin versionado y cancelaciones sin reflejar deforman el pick-up.
Mezclar bruto y neto: siempre separo cancelaciones para medir pick-up neto y no sobrerreaccionar.
Comparables erróneos: alineo días de la semana, festivos y eventos al comparar con LY.
Mirar solo el promedio: complemento ADR con distribución de precios y ocupación por tipología para evitar decisiones miopes.

Con este enfoque, Excel se convierte en mi tablero táctico y Copilot en el motor que acelera el análisis diario, permitiéndome pasar de los datos a la acción de pricing en minutos.

Preparación del entorno

Licenciamiento y requisitos de aplicación

Aseguro que cada analista tenga una licencia base de Microsoft 365 (E3/E5/Business) y el add-on “Copilot for Microsoft 365”; es el que habilita Copilot en Excel.Microsoft Learn
Mantengo Microsoft 365 Apps actualizadas y verifico que Copilot aparece en la cinta de Excel; si no es así, reviso requisitos de versión, licencia y privacidad en la guía específica de Excel.Soporte de Microsoft
Opcional: si quiero experimentar con fórmulas generativas, habilito el canal Beta y pruebo la función =COPILOT() en Excel (estado preliminar).TechRadar The Verge

Conexión del PMS a Excel (OData/CSV)

Para datos vivos utilizo Power Query (Datos › Obtener datos) y el conector OData Feed; pego la URL del servicio del PMS y autentico. Es el método más estable para tablas Bookings / OTB / Cancellations.Microsoft Learn Soporte de Microsoft
Si el PMS no expone OData, programo exports CSV diarios a OneDrive/SharePoint y creo una consulta de Power Query que se refresca al abrir el libro.
Cuido límites técnicos (por ejemplo, longitud máxima de URL en algunos orígenes) y documento credenciales de acceso de solo lectura.Microsoft Learn

Modelo de datos mínimo para revenue

Dimensiones: fecha de reserva, check-in/check-out, canal, segmento, tipo de habitación, mercado origen.
Métricas: noches vendidas, precio/noche, ingreso total, ADR, RevPAR, estado (confirmada/cancelada/no-show).
Derivadas: lead time, pick-up neto (confirmadas – canceladas), pace vs. LY/Budget, restricciones (MLOS/CTA/CTD), eventos.
Estandarizo nombres de columnas y formatos de fecha; esto permite a Copilot entender mejor los prompts y generar tablas dinámicas consistentes.

Gobernanza, privacidad y cumplimiento

Copilot respeta permisos de Microsoft Graph: solo ve lo que el usuario ya puede leer; prompts y respuestas no entrenan modelos públicos. Activo el acceso a archivos en OneDrive/SharePoint para el equipo de revenue.Microsoft Learn
Si opero en Europa, verifico residencia de datos en la EU Data Boundary (fase 3 completada en febrero de 2025, incluye datos de soporte profesional).The Official Microsoft Blog Microsoft Learn Microsoft CDN
Protejo información sensible (tarjetas, pasaportes, datos personales) con Microsoft Purview DLP en la ubicación “Microsoft 365 Copilot”, que admite alertas y modo simulación antes de aplicar en producción.Microsoft Learn

Red y rendimiento

Permito los endpoints de Copilot (microsoft.com, *.copilot.microsoft.com, *.bing.com, *.bingapis.com) además de los rangos de Microsoft 365; habilito WebSockets (WSS).Microsoft Learn
Sigo los principios de conectividad de Microsoft 365 (salida directa a internet/split-tunnel) para minimizar latencia al consultar datos y usar Copilot.Microsoft Learn+1

Con esta base —licencia correcta, Excel actualizado, datos del PMS conectados y controles de seguridad— dejo listo el terreno para que Copilot acelere el análisis de pick-up, ADR y RevPAR sin fricciones operativas.

Casos de uso esenciales

Pick-up diario y “pace” vs. presupuesto y LY

Qué resuelvo
Detecto aceleraciones o frenazos de demanda y ajusto precios a tiempo.

Datos mínimos
Bookings/OTB, cancelaciones, check-in, precio/noche, segmento, canal, evento/fecha especial.

Prompt sugerido
«Analiza el pick-up neto de los próximos 14 días por segmento y canal; compáralo con el mismo periodo del año pasado y con el presupuesto. Devuélveme tabla dinámica + gráfico y 3 recomendaciones de tarifa por fecha con riesgo/impacto».

Salida esperada
Tabla dinámica por fecha/segmento/canal, gráfico de columnas con pace y un bloque de insights accionables (subir/bajar, mantener, abrir/cerrar canal).

KPI a vigilar
Desviación pick-up vs. LY/Budget, ADR previsto, ocupación prevista.

Riesgo de sobreventa por tipología y canal

Qué resuelvo
Anticipo tipologías tensionadas y canales que aceleran el consumo del inventario.

Datos mínimos
OTB por tipología, inventario disponible, cancelaciones históricas (para netear), restricciones (MLOS, CTA/CTD).

Prompt sugerido
«Calcula el riesgo de sobreventa por tipología para los próximos 21 días. Considera cancelaciones medias por fecha y canal. Señala fechas críticas y sugiere medidas (cerrar canal, MLOS, subida de +X €)».

Salida esperada
Semáforo por fecha/tipología y lista de acciones priorizadas.

KPI a vigilar
% sobreventa potencial, lead time medio en fechas críticas, ratio de cancelación.

Optimización de precios por tipología (price ladder)

Qué resuelvo
Genero una propuesta de precios escalonada coherente entre tipologías para maximizar ADR/RevPAR.

Datos mínimos
ADR histórico por tipología y fecha comparable, elasticidad aproximada (si existe), ocupación objetivo, competidores de referencia (si dispones de rate shop exportado a Excel).

Prompt sugerido
«Propón una matriz de precios para las próximas 2 semanas por tipología manteniendo escalado coherente (Single < Doble < Suite). Añade simulación de ingreso (RevPAR) con ocupación esperada y marca anomalías de escalado».

Salida esperada
Tabla de precios recomendados, gráfico de dispersión precio-ocupación y alertas de escalado roto.

KPI a vigilar
ADR por tipología, RevPAR, dilución/canibalización entre tipologías.

Efecto canal: directo vs. OTA y sustitución

Qué resuelvo
Entiendo si un descuento en OTAs está canibalizando el directo o viceversa.

Datos mínimos
Reservas por canal, precio medio por canal, coste de distribución estimado, conversiones de campañas directas (si las tienes).

Prompt sugerido
«Compara volumen y ADR de directo vs. OTA en los próximos 30 días. Identifica efecto sustitución cuando el ADR OTA < ADR directo – X %. Propón ajustes (paridad/paquetes/beneficios) para proteger el directo».

Salida esperada
Matriz canal × fecha con alertas de canibalización y acciones sugeridas (beneficios no monetarios, packages, restricción de canal).

KPI a vigilar
Mix de canal, coste de distribución sobre ingreso, ADR neto.

Lead time y ventana de reserva por segmento

Qué resuelvo
Identifico cambios en la antelación para adelantar subidas o activar minimum length of stay.

Datos mínimos
Lead time (check-in – booking date), segmento, canal, evento.

Prompt sugerido
«Analiza la distribución del lead time por segmento para las próximas 8 semanas; destaca desplazamientos vs. LY y sugiere medidas (subida temprana, MLOS, cierre de gaps)».

Salida esperada
Histograma de lead time por segmento y lista de fechas con cambio significativo.

KPI a vigilar
Mediana de lead time, % reservas last minute, ocupación objetivo por ventana.

Grupos y bloqueos: wash factor y liberación

Qué resuelvo
Estimo caída esperada de pick-up en grupos (wash) y cuándo liberar inventario sin perder la venta.

Datos mínimos
Bloqueos de grupo, pickup histórico de grupos, wash histórico, políticas de liberación (cut-off).

Prompt sugerido
«Calcula wash esperado por grupo y fecha; recomienda fechas y cantidades para liberar inventario al trasiego individual sin riesgo de turn-away»**.

Salida esperada
Calendario de liberación con cantidades y riesgo asociado.

KPI a vigilar
% wash real vs. estimado, ocupación post-liberación, ADR resultante.

Elasticidad precio-demanda simple y prueba de escenarios

Qué resuelvo
Cuantifico sensibilidad básica a variaciones de precio y pruebo escenarios de +/– X €.

Datos mínimos
Series históricas de precio/ocupación por fecha comparable; si no hay mucha historia, uso supuestos conservadores.

Prompt sugerido
«Estima elasticidad simple por fecha/segmento con la historia disponible y simula +5 € y –5 € sobre el precio actual. Devuelve impacto en ocupación, ADR y RevPAR y recomienda acción por fecha».

Salida esperada
Tabla de escenarios y gráfico RevPAR vs. precio con punto óptimo aproximado.

KPI a vigilar
RevPAR incremental, ocupación mínima aceptable, margen.

Consejo operativo: en todos los casos estandarizo nombres de columnas (p. ej., fecha_checkin, segmento, canal, precio_noche, estado) y pido siempre “tabla dinámica + gráfico + recomendaciones”. Con esa pauta Copilot en Excel genera salidas consistentes y comparables día a día, acelerando la decisión de precio, restricción y canal.

Flujos operativos paso a paso

Libro base de revenue conectado al PMS (Power Query + OneDrive)

Objetivo: tener un único archivo maestro que refresco cada mañana en segundos.
Pasos

Creo xlsx con hojas Datos_Bookings, Datos_Cancelaciones, Capacidad, Budget_LY, Params y Salida.
Datos › Obtener datos → OData/CSV del PMS → Transformar datos. En Power Query: tipos correctos, fechas en ISO (AAAA-MM-DD), eliminar duplicados y normalizar nombres (segmento, canal, tipo_habitacion, precio_noche, estado).
Cargo Bookings/OTB y Cancelaciones como “Sólo crear conexión” + “Agregar al modelo de datos”; Capacidad y Budget_LY también al modelo.
En Params defino ventanas (7/14/21 días), ocupación objetivo y umbral de sobreventa.
Pido a Copilot: «Valida la calidad de los datos y señala columnas con valores nulos o formatos inconsistentes; genera un resumen en Salida».

Pick-up diario y pace en 90 segundos

Objetivo: ver cómo avanza la demanda y qué tocar hoy.
Pasos

En Salida: «Crea una tabla dinámica con fecha_checkin en filas, segmento y canal en columnas y pick-up neto (confirmadas – canceladas) como valor para los próximos 14 días; añade gráfico de columnas apiladas».
«Compara con LY y Budget y marca en ámbar las fechas con desviación ≥ ±10 %».
«Escribe 3 recomendaciones de tarifa por fecha con mayor impacto».
Resultado esperado: tabla dinámica + gráfico + bloque de acciones (subir/bajar, abrir/cerrar canal, aplicar MLOS).

Riesgo de sobreventa por tipología (semáforo)

Objetivo: anticipar tensiones de inventario.
Pasos

«Calcula OTB por tipo de habitación y fecha en los próximos 21 días; resta cancelaciones esperadas por canal (média 30 días) y compara con Capacidad».
«Devuelve una tabla con Rojo = riesgo > 100 %, Ámbar = 95–100 %, Verde < 95 %; sugiere medidas: cierre de canal, MLOS, stop-sell puntual».
Inserto un gráfico de calor por día × tipología.

Price ladder: simulador de precios por tipología

Objetivo: proponer precios coherentes que maximicen RevPAR.
Pasos

En Params defino rango de variación (p. ej., ±10 €), escalado mínimo entre tipologías (p. ej., Doble ≥ Single + 15 €).
«Genera una tabla Simulador con precios recomendados por fecha/tipología para los próximos 14 días, respetando el escalado y la ocupación objetivo; calcula ADR y RevPAR esperados».
«Resalta anomalías de escalado y propone correcciones».
«Crea un gráfico RevPAR vs. precio y marca el punto óptimo».

Efecto canal: directo vs OTA y coste de distribución

Objetivo: detectar canibalización y proteger ingreso neto.
Pasos

«Construye una matriz por fecha con Nº reservas, ADR y ingreso neto (ADR – coste) para Directo y OTA; calcula diferencia y resalta cuando OTA < Directo – 5 %».
«Sugiere acciones por fecha: beneficios no monetarios en directo, paquetes, cerrar descuento OTA».
Inserto waterfall de ingreso neto por canal.

Lead time y ventana de reserva por segmento

Objetivo: adelantar subidas o aplicar MLOS según antelación.
Pasos

«Calcula lead time (check-in – booking date) y crea histogramas por segmento; compara con LY y destaca desplazamientos».
«Enumera fechas donde aumenta el last minute y recomienda ajustes de tarifa/restricción».

Grupos y bloqueos: calendario de liberación (wash)

Objetivo: liberar inventario a tiempo sin perder venta de grupo.
Pasos

«Para cada bloqueo, estima wash con histórico y define fecha-cantidad de liberación; crea calendario por grupo con riesgo e impacto».
«Publica un resumen ejecutivo de liberaciones de las próximas 2 semanas».

One-pager automático para dirección (PDF)

Objetivo: comunicar qué ha pasado y qué haremos en una página.
Pasos

«Genera en Salida un resumen con: Top 5 fechas por oportunidad, riesgo de sobreventa, cambios de lead time y plan de acción (tarifa, restricción, canal). Exporta a PDF».
Inserto indicadores: ocupación prevista, ADR previsto, RevPAR y mix de canal.

Plantilla de prompts reutilizables (Quick Parts)

Objetivo: estandarizar cómo pedimos a Copilot.
Bloques sugeridos

Análisis: «Analiza el pick-up neto 14 días por segmento/canal; compara con LY/Budget; devuelve tabla dinámica + gráfico + 3 acciones».
Riesgo: «Calcula riesgo de sobreventa por tipología; aplica semáforo y propone medidas».
Precio: «Propón price ladder con RevPAR esperado y marca escalado roto».
Canal: «Compara ingreso neto Directo vs OTA y sugiere correcciones».

Checklist diario antes de publicar precios

Refresco de datos (Power Query sin errores).
Pick-up y pace revisados en Salida.
Semáforo de sobreventa sin rojos no tratados.
Simulador de precios calculado y price ladder
One-pager exportado y enviado al canal Teams “Rev&Sales”.

Mejores prácticas y gobierno

Calidad de datos antes que IA

Normaliza columnas y tipos: fechas en AAAA-MM-DD, moneda única, segmento/canal/tipo_habitacion con listas maestras.
Evita mezclar bruto y neto: separa siempre confirmadas y cancelaciones; el pick-up que decides es neto.
Alinea comparables: cuando compares con LY/Budget, empareja día de la semana y festivos/eventos.
Control de duplicados y modificaciones: identifica reservas reemitidas con ID + versión para no inflar el pick-up.

Diseño del libro maestro (excelente rendimiento)

Usa Power Query para transformar; carga tablas como “Sólo conexión + Modelo de datos” y trabaja con tablas dinámicas.
Convierte rangos a Tablas (Ctrl+T) y así Copilot entiende mejor campos y relaciones.
Centraliza supuestos en una hoja Params (ventanas, ocupación objetivo, escalado de precios); no los dupliques en fórmulas.
Evita funciones volátiles; prioriza LET() y LAMBDA() para cálculos reutilizables y legibles.
Bloquea celdas críticas y protege la hoja Salida para evitar ediciones accidentales en reuniones.

Prompts estandarizados y reutilizables

Mantén una biblioteca de prompts en SharePoint/OneDrive con versión y caso de uso (pick-up, sobreventa, canal, price ladder).
Aplica el patrón Acción + Dataset + Horizonte + Criterio + Salida y pide siempre «tabla dinámica + gráfico + 3 recomendaciones».
Guarda los mejores en Quick Parts (categoría “Rev-Copilot”) para acelerar la consistencia entre analistas.

Validaciones automáticas (gate de calidad)

Crea una hoja QA con pruebas rápidas:
- Totales: OTB hoy = OTB ayer + pick-up neto.
- Capacidad: ocupación ≤ habitaciones disponibles por tipología.
- Anomalías: alerta si ADR sale de un rango intercuartílico por fecha/segmento.
Pide a Copilot: «Explica paso a paso cómo calculaste este indicador y qué supuestos aplicaste» para auditar resultados.

Trazabilidad y versionado

Guarda el libro en SharePoint con control de versiones; exige comentario de cambio al publicar.
Inserta en Salida un encabezado de auditoría (fecha de refresco, usuario, origen de datos, hash de consultas).
Conserva un snapshot semanal en PDF del one-pager para backtesting de decisiones.

Gobierno de seguridad y privacidad

Trabaja con acceso de solo lectura a orígenes del PMS; limita la vista a datos mínimos (evita PII innecesaria).
Oculta o elimina PII (e-mail, teléfono, tarjeta) en el modelo de revenue; si debes usarlos, aplica enmascaramiento.
Habilita DLP y etiquetas de sensibilidad en el archivo; define que pdf se marque “Interno” por defecto.

Operativa diaria sin fricciones

Define un cut-off de refresco (p. ej., 07:15); cualquier edición después queda registrada en QA.
Publica el one-pager en el canal Teams “Rev&Sales” con las acciones del día (tarifa, restricción, canal) y responsables.
Establece un ritual de 10 min: repasa semáforo de sobreventa, fechas con desvío y cambios de lead time.

Errores comunes que evito

Confundir RevPAR (ingreso por habitación disponible) con Ingreso medio por reserva.
No netear cancelaciones al medir pick-up → decisiones sobrerreaccionadas.
Paridad ciega: bajar en OTA sin medir coste de distribución y canibalización del directo.
Escalado roto entre tipologías (Suite más barata que Doble en ciertas fechas).

Escalabilidad a multihotel

Añade una dimensión hotel y usa segmentos comunes; diseña vistas por propiedad y consolidado.
Centraliza la biblioteca de prompts y plantillas; cada hotel hereda, pero puede parametrizar Params (ocupación objetivo, elasticidad).
Establece benchmarks cruzados (RevPAR, mix de canal, lead time) y deja que Copilot genere insights comparativos.

Cierre del ciclo de aprendizaje

Documenta decisión → resultado: ¿subiste 10 € el viernes? Registra impacto en ocupación/RevPAR.
Pide a Copilot cada semana: «Resume qué decisiones mejoraron RevPAR y cuáles no, y sugiere reglas prácticas para la próxima semana».

Con estas prácticas maximizo la fiabilidad del análisis, reduzco el tiempo a decisión y hago que Copilot sea un multiplicador —no un atajo frágil— de tu disciplina de revenue.

KPIs y seguimiento

Cuadro de mando mínimo (definiciones operativas)

Métrica	Fórmula/Definición	Horizonte	Frecuencia	Fuente
Ocupación prevista	Habitaciones vendidas / Habitaciones disponibles	7/14 días	Diario	Salida + Capacidad
ADR	Ingreso habitaciones / Habitaciones vendidas	7/14 días	Diario	Bookings/OTB
RevPAR	Ingreso habitaciones / Habitaciones disponibles	7/14 días	Diario	Bookings/OTB + Capacidad
Pick-up neto	Confirmadas – Canceladas	7/14/21 días	Diario (08:00)	Bookings + Cancelaciones
Pace vs. LY/Budget	OTB actual – OTB LY/Budget (mismo DOW/eventos)	7/14 días	Diario	Budget_LY
Riesgo de sobreventa	OTB neto / Capacidad (ajustado por cancelación esperada)	21 días	Diario	OTB + Cancelaciones
Lead time (mediana)	Fecha check-in – Fecha reserva	Próx. 8 semanas	Semanal	Bookings
Mix de canal e ingreso neto	% reservas e Ingreso – coste por canal	Mensual rodante	Semanal	Bookings + tabla de costes
Price ladder coherente	% de fechas sin escalado roto (Single < Doble < Suite…)	14 días	Diario	Simulador
Precisión de forecast (MAPE)	**	Real – Forecast	/ Real**	Mes en curso
Liberación de grupos (wash)	% liberaciones a tiempo / wash real vs. estimado	30 días	Semanal	Bloqueos

Regla base: al comparar con LY, alineo día de la semana y eventos; al medir pick-up, siempre neto.

Umbrales y alertas (semáforo)

Riesgo de sobreventa: Rojo > 100 %, Ámbar 95–100 %, Verde < 95 % por fecha × tipología.
Desviación de pace: Rojo |±10 %|, Ámbar 5–10 %, Verde < 5 % LY/Budget.
Price ladder: Rojo si alguna tipología superior ≤ inferior en cualquier fecha.
Lead time: Rojo si cae la mediana > 20 % LY y el % last-minute supera umbral en Params.

Automatizo en Teams (Power Automate): “Publica alerta si hay Rojo en cualquiera de los semáforos para los próximos 7 días” con enlace al one-pager.

Objetivos a 90 días (sugerencia)

Precisión de forecast (MAPE) ≤ 6–8 % en 14 días.
RevPAR ↑ +3–5 % LY (ajustado por capacidad/eventos).
Mix de canal directo ↑ +2–3 pp sin pérdida de ocupación.
Rojos de sobreventa = 0 en T-7 (solo ámbar/verde).
Price ladder ≥ 98 % de fechas sin escalado roto.

Prompts de seguimiento (listas para pegar en Excel Copilot)

Estado diario

«Resume en 6 líneas el pick-up neto 14 días, pace vs. LY/Budget y 3 fechas que requieren acción (tarifa/restricción/canal). Añade tabla dinámica + gráfico.»

Sobreventa

«Muestra el semáforo de sobreventa por tipología 21 días, explica causas y propone 3 medidas por cada fecha en Rojo.»

Canal y coste

«Compara ingreso neto (ADR – coste) Directo vs. OTA 30 días y señala canibalización; propone beneficios no monetarios para proteger el directo.»

Backtesting

«Evalúa el impacto de cambios de precio de la semana pasada en ocupación y RevPAR; extrae 3 reglas para la próxima semana.»

Cadencia de revisión

Diaria (08:30): pick-up/pace, semáforo de sobreventa, price ladder, acciones del día.
Semanal (Lunes): lead time por segmento, forecast vs. Real (MAPE), mix de canal.
Mensual: RevPAR vs. LY/Budget, ingreso neto por canal, lecciones del backtesting.
Trimestral: revisión de supuestos (Params), ajuste de umbrales y actualización de plantillas/prompts.

One-pager ejecutivo (formato sugerido)

Arriba: Ocupación/ADR/RevPAR previstos 14 días + sparkline.
Centro: Top 5 fechas por oportunidad y Top 5 por riesgo (con acciones).
Abajo: Semáforo de sobreventa, mix de canal, MAPE y comentario de 5 líneas de Copilot.

Con este marco de KPIs + alertas + cadencias, paso de ver datos a decidir precio, restricción y canal en minutos, manteniendo consistencia y trazabilidad en cada revisión.

Roadmap de extensión

Fase 1 — Consolidación y automatización ligera (0–3 meses)

Objetivo: estandarizar el libro maestro y eliminar tareas manuales de bajo valor.
Qué hago

Centralizo el libro xlsx en SharePoint/OneDrive con Power Query apuntando al PMS (Bookings/OTB, Cancelaciones, Capacidad, Budget/LY).
Creo parámetros (ventanas, ocupación objetivo, umbral sobreventa) en la hoja Params y bloqueo fórmulas críticas.
Automatizo el refresco diario y la publicación del one-pager PDF en el canal Teams “Rev&Sales”.
Prompt útil

«Resume el pick-up neto 14 días, pace vs. LY/Budget y propone 3 acciones por fecha crítica; genera tabla dinámica + gráfico».
KPIs objetivo

Tiempo de preparación del daily < 10 min.
Rojos de sobreventa en T-7 = 0 (siempre mitigados a Ámbar/Verde).

Fase 2 — BI operativo y colaboración en tiempo real (3–6 meses)

Objetivo: democratizar el dato y la discusión de precio/restricción en un mismo sitio.
Qué hago

Publico en Power BI un tablero con Ocupación/ADR/RevPAR 14 días, semáforo de sobreventa y mix de canal; lo incrusto en Teams.
Envío alertas proactivas: si pace se desvía > ±10 % o si cae la mediana de lead time, notifico con una tarjeta adaptativa + enlace al Excel.
Registro decisión → resultado (precio/restricción/canal) para backtesting.
Prompt útil

«Explica en 5 líneas por qué cambió el lead time del segmento Corporate y qué ajuste harías (precio/MLOS/canal)».
KPIs objetivo

Adopción: ≥ 80 % de los comités revisan el tablero antes de decidir.
Tiempo de reacción a alertas < 30 min en horario laboral.

Fase 3 — Modelos predictivos y simulación (6–9 meses)

Objetivo: elevar la precisión de forecast y cuantificar impacto de precio.
Qué hago

Habilito Python en Excel (o AutoML externo) para series temporales simples (por ejemplo, Prophet/ARIMA sobre ocupación/ADR por tipología).
Estimo elasticidad precio-demanda básica por fecha/segmento y creo un simulador: +/– €X → ocupación, ADR, RevPAR.
Incorporo datos externos: eventos, temporadas, climatología y rate-shop (si lo tengo en CSV) para enriquecer el contexto.
Prompt útil

«Simula +5 € y –5 € por tipología en los próximos 14 días; muestra RevPAR esperado y recomienda acción por fecha con mayor ROI».
KPIs objetivo

MAPE forecast 14 días ≤ 6–8 %.
RevPAR incremental positivo en las fechas con acción aplicada.

Fase 4 — Operación “closed loop” con aprobación humana (9–12 meses)

Objetivo: pasar de análisis a orquestación controlada de precios y restricciones.
Qué hago

Diseño un flujo de propuesta-aprobación: Copilot genera price ladder y medidas (MLOS, CTA/CTD). El supervisor valida en Teams con un clic.
Tras la aprobación, integro con el channel manager/CRS mediante Power Automate o export CSV
Registro traza completa (quién propuso, quién aprobó, cuándo y por qué) para auditoría y aprendizaje.
Prompt útil

«Propón price ladder por fecha/tipología para 14 días respetando escalado; incluye medidas de restricción y justifica en 4 líneas cada cambio».
KPIs objetivo

Tiempo desde señal a cambio publicado < 60 min.
≥ 98 % de fechas sin escalado roto.

Extensión a multihotel y gobierno continuo

Objetivo: replicar el modelo con consistencia y comparabilidad.
Qué hago

Añado dimensión hotel y un diccionario de datos común (segmentos/canales/tipologías).
Creo plantillas y prompts “golden” versionados; cada hotel solo parametriza Params (ocupación objetivo, elasticidad, umbrales).
Establezco benchmarks cruzados (RevPAR, mix de canal, lead time) y pido a Copilot insights comparativos por clúster o geografía.
KPIs objetivo
Despliegue en nuevos hoteles en ≤ 2 semanas usando el kit.
Variación explicada de RevPAR entre hoteles ↑ (mejor insight y acciones homogéneas).

Riesgos y mitigaciones

Datos pobres o tardíos → QA automático y corte de refresco
Sobre-automatización de precios → aprobación humana obligatoria y límites de variación por tipología.
Sesgos por canal/segmento → revisión quincenal de reglas y backtesting

Con este roadmap evoluciono de informes estáticos a una operación de revenue guiada por IA, donde Excel + Copilot pasan de acelerar el análisis a cerrar el ciclo de decisión con seguridad, trazabilidad y mejora continua.

Recursos descargables y soporte

Plantillas de Excel listas para usar

xlsx (libro maestro): hojas Datos_Bookings, Datos_Cancelaciones, Capacidad, Budget_LY, Params, Salida y QA ya configuradas con Power Query, formatos AAAA-MM-DD y tablas (Ctrl+T) para que Copilot entienda los campos al primer intento.
xlsx: matriz de precios por tipología y fecha con reglas de escalado y alertas si la Suite cae por debajo de la Doble.
`OnePager_Rev.pdf (plantilla): disposición en una página con Ocupación/ADR/RevPAR 14 días, Top oportunidades/risgos y semáforo de sobreventa.

Biblioteca de prompts reutilizables (Quick Parts)

Guardo en SharePoint un documento “Prompt Library – Rev” y lo cargo en Quick Parts (categoría “Rev-Copilot”) para insertar en segundos:

Análisis diario: «Analiza el pick-up neto 14 días por segmento/canal; compara con LY y Budget; devuelve tabla dinámica + gráfico y 3 acciones por fecha».
Sobreventa: «Calcula el riesgo de sobreventa por tipología 21 días; aplica semáforo y propone MLOS/CTA/CTD por fecha».
Canal y coste: «Compara ingreso neto (ADR – coste) Directo vs. OTA 30 días; detecta canibalización y sugiere beneficios no monetarios».
Price ladder: «Propón precios recomendados 14 días respetando escalado; muestra RevPAR esperado y corrige anomalías».

Dashboard de Power BI (modelo y medidas base)

Publico un PBIX con conexión a los mismos orígenes del libro maestro y estas medidas DAX mínimas:

ADR = DIVIDE([Ingreso Habitaciones], [Habitaciones Vendidas])
RevPAR = DIVIDE([Ingreso Habitaciones], [Habitaciones Disponibles])
Pickup Neto = [Confirmadas] – [Canceladas]
Pace vs LY = [OTB Actual] – [OTB LY Ajustado] (alineando día de la semana y eventos)
Riesgo Sobreventa = DIVIDE([OTB Neto], [Capacidad])
Incluyo páginas de Ocupación/ADR/RevPAR (14 días), Semáforo por tipología, Mix de canal y Lead time con slicers por segmento y mercado.

Flujos de Power Automate para alertas y distribución

Alerta de semáforo rojo: al refrescar xlsx, si Riesgo Sobreventa > 1 en cualquier fecha × tipología, envío tarjeta adaptativa a Teams “Rev&Sales” con botones “Aceptar” / “Reprogramar” y enlace al rango Salida!A1:F50.
Daily automático: 07:20 refresco consultas, 07:22 exporto OnePager a PDF, 07:25 publico en Teams y archivo en /Reports/Daily/ con nomenclatura AAAA-MM-DD.
Seguimiento de decisiones: cuando pulso “Aceptar” en la tarjeta, registro fecha, acción (precio/restricción/canal), responsable y justificación en xlsx.

Checklists y SOPs de revenue

Checklist diario (10 min): refresco OK, pick-up/pace revisados, semáforo sin rojos pendientes, price ladder coherente, OnePager
SOP de datos: diccionario con nombres de columnas estándar (fecha_checkin, segmento, canal, tipo_habitacion, precio_noche, estado) y reglas de versionado de reservas.
SOP de comparables: siempre comparar con LY ajustando DOW y eventos; pick-up siempre neto.

Kit de implantación en 2 semanas

Semana 1: carga de históricos, ajuste de Power Query, validación QA, entrenamiento de prompts y publicación del PBIX.
Semana 2: activación de flujos de alertas, ritual diario, backtesting básico y taller con Ventas/Front Desk para alinear acciones.

Formación y comunidad interna

Micro-learning de 15 min: “Cómo pedir a Copilot resultados con tabla + gráfico + 3 acciones”.
Canal Teams “Rev-Copilot” con biblioteca de prompts, FAQ y show & tell
Champions: dos referentes por turno que curan prompts y recogen mejoras del modelo.

Soporte y métricas de adopción

Panel de uso de Copilot: reviso prompts/usuario/semana (meta ≥ 5) y tiempo medio del daily (meta < 10 min).
Mesa de ayuda interna: catálogo de incidencias (datos tardíos, campos nuevos, errores de refresco) con SLA de 24 h y plantillas de respuesta.

Con este paquete —plantillas, prompts, dashboard, flujos y SOPs— dejo a tu equipo operando revenue con Copilot desde el día uno, con alertas automatizadas y soporte continuo para sostener la mejora.

Firma personalizada, siempre profesional

No todos en el hotel redactan con el mismo estilo. Algunos tienen más soltura, otros menos experiencia, y a veces la persona que envía un correo no es quien realmente lo firma. Esto puede generar diferencias de tono, errores de forma o incluso mensajes que no parecen institucionales. Copilot resuelve esta brecha mediante una función que adapta automáticamente la redacción al estilo y cargo del firmante.

Esto significa que, aunque redactes tú el correo, Copilot puede ajustarlo para que suene como si lo hubiera escrito otra persona, con su estilo, formalidad y estructura. El resultado es una comunicación coherente con la imagen del hotel, sin importar quién pulse el botón de enviar.

¿Cómo se aplica en el día a día de un hotel?

Correos redactados por personal junior: Si un becario o alguien de prácticas redacta un mensaje que debe firmar dirección, Copilot transforma el contenido con el lenguaje adecuado, cuidando la expresión, la cortesía y el tono institucional.
Delegación de tareas de redacción: Cuando alguien de recepción necesita enviar una respuesta en nombre del jefe de reservas o del director general, basta con indicar el cargo y Copilot adapta el lenguaje automáticamente.
Estilo corporativo unificado: Incluso cuando diferentes personas responden a distintos clientes, Copilot asegura que todos los correos mantengan el mismo estándar de calidad, tono y cortesía, reforzando la imagen de marca del establecimiento.

La ventaja es clara: profesionalismo constante en la comunicación del hotel, reducción de errores formales y mayor confianza por parte de huéspedes, agencias y proveedores. Copilot no solo te ayuda a escribir más rápido, sino también a comunicar mejor, con la voz adecuada en cada caso.

FAQs

Preguntas frecuentes y resolución de problemas

Copilot no aparece en la cinta de Excel

Verifico licencia correcta (Copilot for Microsoft 365 asignada) y versión de Excel
Compruebo que he iniciado sesión con la cuenta corporativa que tiene la licencia.
Si uso Excel web, habilito cookies de terceros; en escritorio, evito licenciamiento por dispositivo.
Prompt de diagnóstico: «¿Qué requisitos me faltan para usar Copilot en este libro y cómo los activo?»

Copilot no “entiende” mis datos (respuestas vagas o erróneas)

Convierto rangos a Tablas (Ctrl+T) y uso nombres de columna estandarizados: fecha_checkin, booking_date, segmento, canal, tipo_habitacion, precio_noche, estado.
Evito celdas combinadas y campos calculados dispersos; concentro supuestos en la hoja Params.
Prompt de diagnóstico: «Valida la calidad del dataset: detecta columnas sin tipo, celdas combinadas, duplicados y fechas inválidas; crea una lista de correcciones».

Fechas mal interpretadas (EE. UU. vs. Europa)

En Power Query fuerzo formato ISO (AAAA-MM-DD) y zona horaria si mi PMS entrega UTC.
En la tabla final uso “Fecha corta” con configuración regional es-ES.
Prompt: «Revisa la coherencia de fechas; convierte todo a AAAA-MM-DD y alerta si hay inversiones de día/mes».

Descuadre entre OTB, pick-up y totales

Aplico la ecuación de control: OTB_hoy = OTB_ayer + PickUp_Neto (confirmadas – cancelaciones).
Reviso si hay modificaciones de reserva no versionadas (ID duplicado).
Prompt: «Construye una tabla de conciliación por fecha que pruebe OTB_hoy = OTB_ayer + pick-up neto; destaca fechas con fallo y su causa probable».

Riesgo de sobreventa impreciso

Ajusto cancelación esperada por fecha y canal (media móvil) y la resto al OTB.
Compruebo capacidad por tipología y cierres temporales.
Prompt: «Recalcula riesgo de sobreventa 21 días aplicando cancelación esperada por canal; muestra semáforo y justificación».

Copilot tarda o el libro va lento

En Power Query, filtro y selecciono columnas lo antes posible (“reduce early”).
Cargo consultas como “Sólo conexión + Modelo de datos” y construyo sobre tablas dinámicas.
Evito funciones volátiles; utilizo LET() / LAMBDA() para cálculos repetidos.
Prompt: «Recomienda optimizaciones de rendimiento para este libro y señala pasos de Power Query costosos».

Errores al refrescar OData/CSV

Reviso credenciales (solo lectura), niveles de privacidad y límite de URL del conector.
Si el PMS cambia el esquema (nombres/columnas), documento una tabla de mapeo y actualizo pasos en Power Query.
Prompt: «Detecta columnas nuevas o renombradas respecto a ayer y genera un plan de actualización de consultas».

Resultados inconsistentes por mezclas bruto/neto

Separo siempre confirmadas y canceladas; el pick-up que decide es neto.
Prompt: «Recalcula métricas usando pick-up neto y contrasta decisiones que hubieran cambiado si usara bruto».

Canibalización del canal directo por OTAs

Incorporo coste de distribución por canal para calcular ingreso neto.
Prompt: «Compara ingreso neto 30 días Directo vs. OTA y señala fechas con sustitución; propon beneficios no monetarios para proteger el directo».

Price ladder roto entre tipologías

Defino escalado mínimo (p. ej., Doble ≥ Single + 15 €) y valido diariamente.
Prompt: «Detecta y corrige inconsistencias en el escalado de precios por tipología, explicando el impacto en ADR/RevPAR».

Lead time cambiante sin explicación

Parto el análisis por segmento/canal y relaciono con eventos/blackouts.
Prompt: «Analiza la distribución del lead time por segmento vs. LY; identifica causas probables y sugiere MLOS/ajustes de tarifa».

DLP bloquea respuestas de Copilot

Reviso políticas Purview DLP y etiquetas de sensibilidad del libro; excluyo PII innecesaria del modelo.
Prompt: «Reescribe el resultado excluyendo PII y resalta solo métricas agregadas aptas para compartirse».

Multihotel: nombres de segmento/canal distintos

Creo un diccionario de equivalencias y una columna normalizada en Power Query.
Prompt: «Unifica segmentación y canal según diccionario; genera vistas por hotel y consolidado con benchmarks».

Pedir a Copilot sin ambigüedad

Uso Acción + Dataset + Horizonte + Criterio + Salida y exijo «tabla dinámica + gráfico + 3 acciones».
Ejemplo: «Analiza pick-up neto 14 días por segmento/canal; compara con LY/Budget; devuelve tabla dinámica + gráfico y 3 acciones por fecha crítica».

Checklist exprés cuando algo “no cuadra”

Datos: ¿refresco OK? ¿fechas en AAAA-MM-DD? ¿duplicados?
Métricas: ¿pick-up neto y no bruto? ¿alineé DOW/eventos con LY?
Modelo: ¿capacidad correcta por tipología? ¿cancelación esperada aplicada?
Salida: ¿price ladder coherente? ¿semáforo sin rojos sin tratar?

Plantilla de “Prompts SOS”

Calidad: «Audita este dataset y lista 5 riesgos que sesgarían pick-up/pace».
Descuadre: «Construye conciliación OTB vs. pick-up neto y explica discrepancias».
Acción: «Propón plan de tarifa/restricción/canal para 3 fechas con mayor ROI y justifícalo en 4 líneas».

Con este FAQ operativo resuelvo los atascos habituales sin detener el análisis y mantengo Excel + Copilot entregando resultados fiables para decidir precio, restricción y canal.