---
title: "Hospitality RMS, revenue management para hoteles independientes | Red Moon Consulting"
description: "Un sistema que prevé la demanda y recomienda precios y restricciones de estancia, conectado a seis PMS y dos channel managers."
url: https://www.redmoonconsulting.es/casos/hospitality-rms/
lang: es
---

[Volver a proyectos](/casos/)

# Hospitality RMS, revenue management para hoteles independientes

Un sistema que prevé la demanda y recomienda precios y restricciones de estancia, conectado a seis PMS y dos channel managers.

Sector

Hostelería

Encargo

Producto propio

Mi papel

Diseño de producto, arquitectura y desarrollo

Duración

En producción desde marzo de 2026

Stack

NestJS, Python, FastAPI, LightGBM, PostgreSQL, TimescaleDB, Redis, Next.js, Docker, Hetzner

## El problema

Los hoteles independientes y los aparthoteles de 30 a 150 unidades suelen fijar precios con una hoja de cálculo y la intuición de quien lleva las reservas. Las herramientas de revenue management del mercado están pensadas para cadenas y cuestan en proporción.

## Qué decidí

* **El sistema recomienda y la persona decide.** Cada precio o restricción propuesta (estancia mínima, cierre a la llegada) se aprueba, se ajusta o se rechaza. Mientras el hotel aprende a confiar en el sistema, eso importa más que automatizarlo todo.
* **Un modelo de datos común y un adaptador por PMS.** Conectar un PMS nuevo no obliga a tocar el motor de previsión.
* **Un servidor por cliente**, para que los datos de cada hotel queden aislados.

## Qué construí

* Adaptadores para Sihot (XML), Apaleo (OAuth2), Noray sobre Business Central (OData), Amenitiz, Cloudbeds y Mews, y para los channel managers Channex y SiteMinder. Las credenciales se guardan cifradas.
* Un motor de previsión en Python con LightGBM, calibración de la incertidumbre y una explicación legible de cada recomendación.
* Comparación con los precios de la competencia, simulación de overbooking y un banco de pruebas que reproduce temporadas pasadas para validar cada cambio del motor.
* Panel en Next.js, backend en NestJS con PostgreSQL y TimescaleDB, y despliegue con GitHub Actions.

## Resultado

Funciona en producción en un aparthotel desde marzo de 2026\. Sobre unas 36.000 reservas reales, el error absoluto medio de la previsión es de 1,62 unidades.

## Cuéntame tu proyecto

Una llamada de 30 minutos, sin compromiso. Si no encajo en lo que necesitas, te lo digo.

[Reservar una llamada](/contacto/)

O escríbeme a [hola@redmoonconsulting.es](mailto:hola@redmoonconsulting.es)