Dİjİtal İnsan

Özet

Bu çalışma, yapay zekâ (YZ) algoritmalarının otel işletmelerinde misafir memnuniyeti ile personel planlamasını aynı veri ve karar zinciri içinde nasıl dönüştürdüğünü kavramsal bir literatür incelemesi yoluyla değerlendirmektedir. Hakemli dergilerde yayımlanan çalışmalar başta olmak üzere 60’tan fazla bilimsel kaynağın tematik sentezine dayanan makalede; akıllı otel otomasyonları, hizmet robotları, tahmine dayalı doluluk analitiği, vardiya optimizasyonu, sadakat programlarında kişiselleştirme ve rutin görevlerin otomasyonu birlikte ele alınmıştır. Bulgular, YZ’nin değerinin tek bir sohbet robotu ya da robotik cihazdan kaynaklanmadığını gösterir. Değer, mülk yönetim sistemi, müşteri ilişkileri yönetimi, merkezi rezervasyon ve gelir yönetimini birleştiren sosyo-teknik mimariden çıkar. Verilerin güvenilir biçimde birleştirilmesi, bu mimariyle mümkündür. Doğru tasarlandığında bu mimari talep tahminini iyileştirebilmekte, beceri ve iş yüküne duyarlı vardiyalar üretebilmekte ve misafir temaslarını kişiselleştirebilmektedir. Bununla birlikte veri yanlılığı, mahremiyet, açıklanabilirlik, algoritmik gözetim, hizmetin insani niteliğinin zayıflaması ve düzensiz çalışma riskleri önemini korumaktadır. Çalışma, “insanın yerine YZ” yaklaşımı yerine, rutin görevleri otomasyona devredip çalışan zamanını empati, istisna yönetimi, yaratıcılık ve ilişki kurmaya yönelten insan–YZ tamamlayıcılığını önermektedir.

Anahtar Kelimeler: Yapay Zekâ, Otelcilik, Misafir Memnuniyeti, Doluluk Tahmini, Personel Planlaması, Kişiselleştirme, Dijital Teknolojiler

“From Guest Satisfaction to Staff Planning: Artificial Intelligence Algorithms in Hospitality”

Abstract

This study examines how artificial intelligence (AI) algorithms transform guest satisfaction and workforce planning in hotels as parts of a single data and decision chain. Drawing on a thematic synthesis of more than 60 scientific sources, primarily peer-reviewed journal articles, it jointly evaluates smart-hotel automation, service robots, predictive occupancy analytics, shift optimization, loyalty-program personalization, and the automation of routine work. The review indicates that the value of AI does not arise from an isolated chatbot or robotic device, but from a socio-technical architecture that responsibly integrates property-management, customerrelationship, central-reservation, revenue-management, online-review, Internet-of-Things, and workforce-management data. When properly designed, this architecture can improve demand forecasts, generate workload- and skill-sensitive schedules, and personalize guest touchpoints. However, data bias, privacy, explainability, algorithmic surveillance, erosion of the human character of hospitality, and precarious scheduling remain material risks. Instead of an “AI replacing people” approach, the article recommends human–AI complementarity: automating routine tasks while reallocating employee time to empathy, exception handling, creativity, and relationship building.

Keywords: Artificial Intelligence, Hospitality, Guest Satisfaction, Occupancy Forecasting, Workforce Planning, Personalization, Digital Technologies

1. Giriş

Otel işletmesi, aynı anda yüksek temaslı bir hizmet ortamıdır. Ayrıca çok sayıda tekrarlı işlemin yürütüldüğü veri yoğun bir operasyon sistemidir. Ayrıca, Rezervasyon alınması, fiyat belirlenmesi ve odanın hazırlanması misafir yolculuğunun başlangıç parçalarıdır. Giriş, talep karşılanması, şikâyet çözülmesi ve çıkış sonrası ilişkinin sürdürülmesi ise aynı yolculuğun parçaları olarak kabul edilir. Bu nedenle yapay zekânın otelcilikteki etkisini yalnızca ön büro robotları veya sohbet botları üzerinden açıklamak eksik kalır. Asıl dönüşüm; talebi öngören, kaynak ihtiyacını hesaplayan, işi çalışanlara dağıtan, hizmeti kişiselleştiren ve sonuçlardan yeniden öğrenen algoritmik karar döngüsünde ortaya çıkmaktadır (Buhalis ve Leung, 2018; Huang ve Rust, 2018; Wirtz vd., 2018).

Akıllı turizm araştırmaları, fiziksel altyapı, dijital platformlar ve paydaş verileri arasındaki bağlantının deneyim üretiminin temel koşulu olduğunu gösterir. Gretzel vd. (2015) ile Neuhofer vd. (2015) çalışmaları bu yaklaşımı destekler. Oteller için bu bağlantı, PMS ve CRM gibi sistemlerin ortak veri mimarisinde çalışmasını sağlar. Ayrıca RMS, POS, çevrimiçi dağıtım kanalları, sadakat programı ve IoT sensörleri entegrasyonu bu mimariyle ilerler. Bina yönetimi ve iş gücü yönetimi yazılımları da bu ortak veri mimarisine katılır. Oteller açısından bu bağlantı; mülk yönetim sistemi (PMS), merkezi rezervasyon sistemi (CRS), müşteri ilişkileri yönetimi (CRM), gelir yönetimi sistemi (RMS), satış noktası (POS), çevrim içi dağıtım kanalları, sadakat programı, bina yönetimi, nesnelerin interneti (IoT) sensörleri ve iş gücü yönetimi yazılımının ortak bir veri mimarisinde çalışması anlamına gelir.

Büyük veri ve metin analitiği, yapılandırılmış işlem verileri ile yorumlar gibi yapılandırılmamış verilerin birlikte değerlendirilmesine olanak vererek misafir memnuniyetinin operasyonel nedenlerini görünür kılmaktadır (Xiang vd., 2015; Mariani vd., 2018). Bu dönüşüm iki yönlüdür. Bir yandan daha doğru tahmin, hızlı yanıt, tutarlı hizmet ve kişiselleştirme yoluyla misafir deneyimini geliştirebilir; diğer yandan çalışanların iş yükünü, vardiyalarını, performans değerlendirmelerini ve iş güvencesini algoritmik kararlara daha bağımlı hâle getirebilir.

Otomasyon teknolojisi konulu literatür teknolojinin yalnızca işleri ortadan kaldırmadığını; bazı görevleri ikame ederken bazılarını dönüştürdüğünü ve yeni görevler ürettiğini vurgulamaktadır (Autor, 2015; Acemoglu ve Restrepo, 2019; Ivanov, 2020). Dolayısıyla araştırma problemi, “YZ otel çalışanlarının yerini alacak mı?” sorusundan daha kapsamlıdır: YZ hangi verilerle, hangi hedef fonksiyonu için, kimin yararına ve hangi insani denetim altında kullanılacaktır?

Bu makalenin amacı, otelcilikte YZ algoritmalarını misafir memnuniyetinden personel planlamasına uzanan bütüncül bir çerçevede incelemektir. Çalışma anlatısal ve tematik literatür incelemesi niteliğindedir. Konuyla doğrudan veya kuramsal olarak ilişkili hakemli çalışmalar; (i) dijital ve sürükleyici teknolojiler, (ii) YZ ve hizmet otomasyonu, (iii) otel/turizm talep tahmini, (iv) personel çizelgeleme, (v) müşteri memnuniyeti ve sadakati ve (vi) otomasyonun emek üzerindeki etkileri temalarında sentezlenmiştir. Bir sonraki bölüm, makalenin operasyonel tartışmasına zemin hazırlamak üzere temel kavramları ve aralarındaki ilişkileri açıklamaktadır.

2. Kavramsal Çerçeve

YZ, çevreden veri alma, örüntü tanıma, tahmin üretme, doğal dili işleme, öneride bulunma ve belirli hedefler doğrultusunda karar verme gibi normalde insan zekâsıyla ilişkilendirilen işlevleri yerine getiren hesaplamalı yöntemlerin üst kavramıdır. Hizmet bağlamında mekanik, analitik, sezgisel ve empatik zekâ ayrımı, hangi görevin otomasyona daha uygun olduğunu anlamayı kolaylaştırır: standartlaştırılmış fiziksel ve analitik görevler daha erken otomatikleşirken bağlam, duygu ve etik muhakeme gerektiren görevlerde insan katkısı sürmektedir (Huang ve Rust, 2018, 2021). Algoritma ise girdileri belirli kurallar veya öğrenilmiş parametreler aracılığıyla çıktılara dönüştüren sonlu işlem dizisidir. Makine öğrenmesi algoritmaları bu kuralları yalnızca programcıdan almaz; geçmiş verilerdeki ilişkileri kullanarak sınıflandırma, kümeleme, tahmin veya optimizasyon modeli oluşturur.

Otelcilikte YZ; makine öğrenmesi, derin öğrenme, doğal dil işleme, bilgisayarlı görü, öneri sistemleri, optimizasyon ve robotik ile somutlaşır. Örneğin uzun-kısa süreli bellek (LSTM) ağları zaman içindeki rezervasyon örüntülerini öğrenebilir; duygu analizi yorumlarda memnuniyet kaynaklarını sınıflandırabilir; kümeleme algoritmaları benzer rezervasyon eğrilerini veya misafir profillerini gruplandırabilir; karma tamsayılı programlama, karınca kolonisi optimizasyonu ya da değişken komşuluk araması vardiya üretiminde kullanılabilir. Bu yöntemler aynı değildir: tahmin algoritması “kaç oda satılacak?” sorusuna, optimizasyon algoritması ise “beklenen iş yükü hangi çalışanlarla ve hangi vardiyalarla karşılanmalı?” sorusuna yanıt verir (Weatherford ve Kimes, 2003; Van den Bergh vd., 2013; Li vd., 2026).

Sanal gerçeklik (VR), kullanıcının bilgisayar üretimli bir çevrede bulunma hissini artıran sürükleyici deneyimdir; artırılmış gerçeklik (AR), fiziksel çevrenin üzerine bağlama duyarlı dijital içerik bindirir. Karma gerçeklik, fiziksel ve dijital nesnelerin aynı ortamda etkileştiği ara biçimleri; genişletilmiş gerçeklik (XR) ise VR, AR ve karma gerçeklik uygulamalarını kapsayan şemsiye kavramı ifade eder (Milgram ve Kishino, 1994; Azuma, 1997; Flavián vd., 2019). Turizm araştırmaları VR/AR’nin özellikle ön deneyim, pazarlama, eğitim, erişilebilirlik ve yerinde bilgi sunumu için değer ürettiğini göstermektedir (Guttentag, 2010; Yung ve Khoo-Lattimore, 2019; Loureiro vd., 2020; Fan vd., 2022). Otel işletmesinde VR işe alımda gerçekçi iş ön izlemesi ve güvenli senaryo eğitimi; AR ise oda temizliği kontrol listesi, bakım yönlendirmesi, depo toplama ve iş başı performans desteği sağlayabilir. Böylece sürükleyici teknoloji, bu makalenin ana konusu olan algoritmik planlamanın yerine geçmez; YZ’nin önerisini çalışana veya misafire anlaşılır biçimde sunan bir arayüz ve öğrenme ortamı olur. Metaverse; kalıcı, eşzamanlı ve sosyal sanal ortamları; avatarlar, dijital ikizler, XR arayüzleri, yapay zekâ ve ekonomik işlem altyapılarıyla birleştiren daha geniş bir ekosistem vizyonudur (Dwivedi vd., 2022; Buhalis vd., 2023). Otel bakımından metaverse, satış öncesi sanal keşiften uzaktan oryantasyona, dijital ikiz üzerinde acil durum tatbikatından hibrit etkinliğe uzanan kullanım alanları sunar. Bununla birlikte bir VR turunu otomatik olarak “metaverse” olarak adlandırmak kavramsal şişmeye yol açar; kalıcılık, birlikte bulunma, birlikte üretim ve sistemler arası taşınabilirlik gibi özelliklerin gerçekten bulunup bulunmadığı sorgulanmalıdır.

Diğer dijital teknolojiler bu ekosistemin veri omurgasını oluşturur. IoT sensörleri doluluk, enerji, ekipman ve çevre verisi üretir; robotik süreç otomasyonu (RPA) kural tabanlı ofis işlerini yürütür; bulut bilişim sistemler arası ölçeklenebilir bağlantı sağlar; dijital ikiz fiziksel otelin operasyonel temsilini oluşturur; blokzincir belirli kimlik ve işlem senaryolarında izlenebilirlik sunabilir; mobil anahtarlar ve temassız teknolojiler misafir yolculuğunu hızlandırır. Akıllı otel ancak bu parçalar birlikte çalıştığında öğrenen bir hizmet sistemi hâline gelir (Buhalis and Leung, 2018; Gretzel et al., 2015). Bu kavramsal bütünlükten hareketle izleyen alt bölümler, YZ’nin otel operasyonlarında üstlendiği somut rolleri aşamalı olarak ele almaktadır.

2.1. Otel Otomasyonlarında Yapay Zekânın Üstlendiği Yeni Roller

İlk kuşak otel otomasyonu işlemleri kaydetmeye odaklanırken yeni kuşak YZ sistemleri algılama, tahmin, öneri, karar ve öğrenme rollerini üstlenmektedir. Sohbet botları ve sesli asistanlar sık sorulan soruları yanıtlamakta; bilgisayarlı görü temassız giriş, güvenlik ve kalite kontrolünde kullanılmakta; RPA fatura eşleme ve veri aktarımını yürütmekte; hizmet robotları bagaj, malzeme veya oda servisi teslimatı yapabilmektedir. Böylece otomasyon, arka ofiste görünmez bir yazılım ajanından misafirle doğrudan etkileşen fiziksel robota uzanan bir süreklilik oluşturur (Bowen ve Morosan, 2018; Tung ve Law, 2017; Tung ve Au, 2018).

Hizmet robotu teknolojisi ile ilgili literatüründe, kabulün yalnızca teknik performansa bağlı olmadığı gösterilmektedir. Algılanan kullanışlılık, kullanım kolaylığı, sosyal etki, antropomorfizm, güven, eğlence değeri, mahremiyet ve algılanan risk birlikte rol oynar (Gursoy vd., 2019; Lu vd., 2019; Choi vd.,2020). Robotun görünüşü ve işlevsel rolü hizmet ortamıyla uyumlu olmadığında tekinsizlik veya direnç oluşabilir; özellikle karmaşık sorunlarda misafirler insan çalışanı tercih edebilir (Belanche vd., 2020; Wang vd., 2023). Robot otel örnekleri de verimlilik ve yenilik etkisinin yanında sınırlı esneklik, bakım ihtiyacı ve hizmet telafisi sorunlarını ortaya koymaktadır (Reis vd., 2020; Luo vd., 2021).

Bu nedenle en işlevsel tasarım, görev temelli insan–makine bölüşümüdür. Robot ağır ve tekrarlı taşıma işini; algoritma veri tarama ve önceliklendirmeyi; çalışan ise empati, ikna, kültürel duyarlılık ve istisna yönetimini üstlenebilir. Çevrim içi yorumlardaki robot söylemi, yeniliğin başlangıçta ilgi çektiğini fakat kalıcı memnuniyetin güvenilirlik ve hizmet sonucu üzerinden değerlendirildiğini düşündürmektedir (Borghi ve Mariani, 2021). Çalışan perspektifini inceleyen araştırmalar ise başarının teknoloji kabulü, rol açıklığı, eğitim ve karar süreçlerine katılıma bağlı olduğunu vurgular (Xu vd., 2023). Otomasyonun yeni rolü bu yüzden “insansız otel” kurmak değil, doğru görevi doğru aktöre yönlendiren orkestrasyon katmanı olmaktır.

Otel içi robot lojistiğinde talep dalgalanmasını ve sipariş sırasını birlikte optimize eden modeller, maliyet ile memnuniyetin aynı hedef fonksiyonunda dengelenebileceğini göstermektedir (Liu and Liao, 2023). Ancak hedef fonksiyon yalnızca işlem süresini en aza indirirse sistem erişilebilirlik, nezaket veya çalışan refahı gibi değerleri dışlayabilir. İnsan onayı, başarısızlık durumunda kolay devir, işlem günlüğü ve düzenli yanlılık denetimi bu nedenle tasarımın ayrılmaz parçasıdır. Otomasyonun ne kadar kapasite gerektireceğini belirlemek içinse bir sonraki adım gelecekteki doluluğu ve hizmet talebini öngörmektir.

2.2. Tahmine Dayalı Analitik ile Gelecek Dönem Doluluk Öngörüleri

Doluluk tahmini, belirli bir tarih için satılacak oda sayısı ya da doluluk oranının önceden kestirilmesidir. Basit biçimiyle

ifadesinde bOt+h gelecekteki doluluğu; geçmiş doluluk O, rezervasyon eğrisi B, fiyat P, etkinlik E, hava durumu W, arama eğilimi S ve yorum/duygu sinyali R üzerinden tahmin eder. Gerçekte değişkenler; iptal, rezervasyon penceresi, kanal, pazar segmenti, grup blokajı, rakip fiyatı, uçuş kapasitesi, tatil takvimi ve makroekonomik göstergelerle genişletilebilir.

Otel gelir yönetiminde tahminin önemi uzun süredir bilinmektedir. Klasik çalışmalar, pickup, hareketli ortalama, üstel düzeltme ve rezervasyon eğrisi tabanlı yöntemlerin performansının tahmin ufkuna ve veri yapısına göre değiştiğini göstermiştir (Rajopadhye vd., 2001; Weatherford ve Kimes, 2003; Haensel ve Koole, 2011; Pereira, 2016). Bu bulgu bugün de geçerlidir: karmaşık model her zaman en iyi model değildir. Model seçimi, son örneklem dışı dönemlerde yürüyen pencere ile sınanmalı; ortalama mutlak hata (MAE), kök ortalama kare hata (RMSE) ve yüzde hata ölçüleri segment ve tahmin ufku bazında raporlanmalıdır.

Makine öğrenmesi, doğrusal olmayan ilişkileri ve çok kaynaklı veriyi işleme kapasitesiyle tahmin repertuvarını genişletmiştir. İnternet arama hacmi ve web trafiği haftalık otel doluluğu için öncü gösterge sağlayabilir (Pan ve Yang, 2017); arama endeksleri ve makine öğrenmesi turist varış tahminini geliştirebilir (Sun vd., 2019). Benzer rezervasyon eğrilerini kümeleyip her küme için pickup tahmini üreten yaklaşım, üç otelin gerçek verisinde farklı ufuklarda doğruluk kazanımı göstermiştir (Viverit vd., 2023). Derin öğrenme, zamansal bağımlılıkları yakalayabilse de açıklanabilirlik, veri miktarı ve rejim değişimi sorunları nedeniyle naif ve istatistiksel taban çizgileriyle karşılaştırılmalıdır.

Tahmin süreci, gerçekleşen talep ile gözlenen satışın aynı olmadığı gerçeğini de dikkate almalıdır. Kapasite dolduğu için reddedilen talep, fiyat kısıtları, minimum konaklama koşulları ve kapalı kanallar gözlenen rezervasyonu sınırlar. İptal olasılığını ayrı modellemek, brüt rezervasyon ile net doluluk arasındaki farkı azaltır (Antonio vd., 2017). Turizm talebi incelemeleri ayrıca veri sıklığı, pazar ayrıştırması, değişken seçimi ve şok dönemlerinin yöntem kadar önemli olduğunu ortaya koymaktadır (Song ve Li, 2008; Wu vd., 2017; Law vd., 2019).

Operasyonel kullanım için tek sayı yerine olasılık dağılımı üretmek daha değerlidir. Örneğin yüzde 50 tahmin 180 oda, yüzde 90 üst sınır 205 oda ise personel yöneticisi kritik görevler için çağrı üzerine kapasite planlayabilir. Modelin hata örüntüsü sezon, gün, segment ve kanal bazında izlenmeli; pandemi, afet, büyük etkinlik veya fiyat politikası değişimi gibi yapısal kırılmalarda yeniden eğitilmelidir. Böylece tahmin, otomatik kararın tartışılmaz gerçeği değil, belirsizliği açıkça gösteren bir yönetim girdisi olur. Bu girdi ancak iş yüküne çevrildiğinde personel planlaması açısından anlam kazanır.

2.3. Doluluk Tahminlerine Göre Optimize Edilmiş Personel Vardiya Planlaması

Doluluk ile çalışan sayısı arasında bire bir ilişki yoktur. Oda temizliği için çıkış yapan oda sayısı ve oda tipi; ön büro için giriş/çıkışların saatlik dağılımı; yiyecek-içecek için kuver ve ürün karması; teknik hizmet için arıza olasılığı; çağrı merkezi için temas hacmi gerekir. Dolayısıyla ilk aşamada tahmin edilen talep iş yüküne çevrilir:

burada Ld,k gün d ve zaman dilimi k için gereken emek dakikasını, qd,j faaliyet j miktarını, aj,k faaliyet başına standart süreyi ve bd,k sabit açılış/kapanış işlerini gösterir. Standart süreler kör bir norm olarak değil; oda büyüklüğü, erişilebilirlik ihtiyacı, çalışan deneyimi ve kalite hedefi dikkate alınarak güncellenmelidir. İkinci aşama, vardiya karar değişkenlerini kapsayan çizelgeleme problemidir. Basitleştirilmiş hedef;

şeklinde kurulabilir. Yasal dinlenme, azami süre, beceri, görev ayrılığı, vardiya devamlılığı ve asgari kapsama sert kısıt; çalışan tercihleri ve adalet ölçütleri ise ceza terimi olabilir. Personel çizelgeleme yazını, problemin talep kapsama, vardiya tasarımı, izin günleri, beceri eşleştirme ve bireysel atama katmanlarını içerdiğini göstermektedir (Ernst vd., 2004a,b; Van den Bergh vd., 2013).

Otel sektöründe dalgalı talebe “tam zamanında emek” ile yanıt verme, maliyet esnekliği sağlasa da riski geçici veya çağrı üzerine çalışanlara aktarabilir (Lai ve Baum, 2005). Bu nedenle iyi bir algoritma yalnızca bordro maliyetini düşürmez; vardiya öngörülebilirliği, ardışık izin, hafta sonu yükü, kapanış–açılış aralığı, çalışan tercihi ve gelir istikrarını da gözetir. Araştırma ile uygulama arasındaki boşluğun temel nedenlerinden biri, matematiksel olarak iyi çizelgenin yöneticiler ve çalışanlar tarafından açıklanabilir ve uygulanabilir olmamasıdır (Petrovic, 2019). Yöneticiye alternatif senaryolar ve gerekçeler sunmak, tek bir “optimum” çizelge dayatmaktan daha dayanıklıdır.

Otel talebini LSTM ile tahmin edip karınca kolonisi optimizasyonunu değişken komşuluk aramasıyla birleştiren güncel çalışma, tahmin ve planlamayı tek sistemde bütünleştirmenin hem operasyonel verimlilik hem çalışan memnuniyeti bakımından potansiyelini göstermektedir (Li vd., 2026). Bununla birlikte bu modelin başarısı, tahmin hatasının çizelgeye nasıl yayıldığıyla değerlendirilmektedir.

Yüzde iki doluluk hatası bazı günlerde önemsizken, aynı saatte yoğunlaşan grup girişlerinde hizmet kuyruğu oluştura bilir. Bu nedenle senaryo tabanlı ve sağlam bir optimizasyon; temel, yüksek ve düşük talep senaryolarında kabul edilebilir çizelgeler üretebilmesi gerektiği düşünülmektedir. Vardiya yayımlandıktan sonra gerçek zamanlı yeniden planlama da gerekebilir. Geç giriş, ani hastalık, arıza veya etkinlik uzaması durumunda sistem fazla mesai, beceri değişimi, gönüllü vardiya uzatma ya da görev önceliklendirme seçeneklerini sıralayabilir. Ancak çalışanın konumunu ve hızını sürekli izlemek psikolojik güvenliği zedeleyebilir. Performans verisi asgari amaçla toplanmalı; çalışan hangi verinin kullanıldığını bilmeli, hatalı kayda itiraz edebilmeli ve nihai disiplin kararları yalnızca otomatik puana dayanmamalıdır. Nitekim konaklama işletmelerinde personel kullanım verimliliği üzerine bulgular, mevsimsellik ve haftanın günlerinin heterojen etkilerini ortaya koyarak tek tip verimlilik normlarının sakıncasına işaret etmektedir (Alemayehu vd., 2022). Operasyonel kapasite doğru planlandığında sıradaki sorun, bu kapasitenin hangi misafire hangi biçimde sunulacağıdır.

2.4. Misafir Sadakat Programlarında Yapay Zekâ Destekli Kişiselleştirilmiş Hizmet Sunumu

Sadakat yalnızca puan biriktirme değil; tekrar satın alma, tavsiye, güven, duygusal bağlılık ve marka tercihinin bileşimidir. Otel araştırmaları memnuniyet ve marka imajının sadakatle güçlü biçimde ilişkili olduğunu uzun süredir göstermektedir (Kandampully ve Suhartanto, 2000; Bowen ve Chen, 2001). YZ, sadakat programını herkese aynı indirimi sunan işlem sisteminden, bir sonraki en iyi hizmeti ve iletişim zamanını öneren öğrenen ilişki sistemine dönüştürebilir.

Kişiselleştirme motoru; geçmiş konaklamalar, kanal ve harcama örüntüsü, tercih beyanı, izinli dijital etkileşim, hizmet talebi ve geri bildirimden özellikler türetebilir. Kümeleme misafir segmentlerini, işbirlikçi filtreleme benzer kullanıcı tercihlerini, içerik tabanlı yöntem otel/hizmet özelliklerini, bağlamsal bandit veya pekiştirmeli öğrenme ise zaman içinde teklif–tepki ilişkisini değerlendirebilir. Akıllı teknolojilerin deneyimi kişiselleştirme potansiyeli, teknolojinin ancak misafirin yolculuğuna görünmez ve anlamlı biçimde gömüldüğünde değer ürettiğini göstermektedir (Neuhofer vd., 2015). Büyük veri analitiği de yorum, işlem ve davranış sinyallerini birleştirerek deneyimin memnuniyet oluşturan veya bozan unsurlarını açığa çıkarır (Xiang vd., 2015; Li et al., 2013).

Kişiselleştirmenin iyi örnekleri; alerji bilgisinin açık rızayla yiyecek-içecek önerisine yansıması, önceki yastık tercihinin odaya hazırlanması, aileli misafire uygun oda ve etkinlik önerisi ya da hizmet sorunu yaşamış misafire standart promosyon yerine insan tarafından tasarlanmış telafi sunulmasıdır. Kötü örnekler ise hassas özelliklerin çıkarımsanması, sürpriz gözetim hissi, fiyat ayrımcılığı, sürekli üst satış ve sadık olmayan misafirin sistematik olarak daha düşük hizmet almasıdır. Çevrim içi yorum analizi, oda özellikleri, personel davranışı, konum, temizlik ve değer algısının memnuniyeti farklı biçimlerde etkilediğini göstermektedir (Radojevic vd., 2015; Berezina vd., 2016). Yönetimin yorumlara verdiği yanıt da performans ve güven sinyali oluşturabilir (Xie vd., 2014). Algoritmanın hedef değişkeni yalnızca tıklama veya kısa dönemli gelir olmamalıdır. Uzun dönemli müşteri yaşam boyu değeri; şikâyet çözümü, tercih doğruluğu, vazgeçme oranı, adalet algısı ve iletişim yorgunluğuyla birlikte değerlendirilmelidir. CRM yaklaşımı teknolojiyi ilişki yaşam döngüsüne bağladığında daha anlamlıdır (Piccoli vd., 2003). Sadakat literatürü de güven, bağlılık, çalışan etkileşimi, marka deneyimi ve ağızdan ağıza iletişimin salt işlem sıklığından daha geniş olduğunu vurgulamaktadır (Kandampully vd., 2015).

Mahremiyet bakımından veri minimizasyonu, açık amaç, rıza yönetimi, erişim kontrolü, saklama süresi ve silme hakkı temel tasarım ilkeleri olmalıdır. Profilin doğrulanması ve tercihlerin misafir tarafından düzenlenebilmesi, yanlış kişiselleştirmeyi azaltır. Ayrıca keşif payı bırakılmalıdır: algoritma yalnızca geçmişi tekrar ederse misafiri dar bir tercih balonuna hapseder. Son olarak çalışan, önerinin gerekçesini görebilmeli ve bağlama uymadığında öneriyi geçersiz kılabilmelidir. Böylece kişiselleştirme, insan etkileşimini ortadan kaldırmak yerine çalışana daha iyi bir başlangıç bilgisi verir. Bu yaklaşım, otomasyon nedeniyle serbest kalan insan emeğinin nasıl değerlendirileceği sorusuna geçiş sağlar.

2.5 AI Algoritmalarının Rutin Görevleri Devralmasıyla Boşa Çıkan İnsan Emeği

“Boşa çıkan emek” ifadesi iki farklı sonucu kapsar: işten çıkarma yoluyla emek talebinin azalması ve aynı çalışanın rutin işlerden kurtularak zaman kapasitesi kazanması. Hangi sonucun ortaya çıkacağı teknolojinin teknik kapasitesi kadar yönetimin iş tasarımına bağlıdır. Meslek düzeyindeki otomasyon tahminleri önemli bir erken uyarı sunsa da bir mesleğin farklı görevlerden oluştuğunu unutmamak gerekir (Frey ve Osborne, 2017). Görev yaklaşımı, otomasyonun bazı görevleri ikame ederken verimlilik etkisi ve yeni görevlerle emek talebini yeniden oluşturabileceğini vurgulamaktadır (Autor, 2015; Acemoglu ve Restrepo, 2019).

Otelcilikte rezervasyon veri girişi, standart soru yanıtlama, gece denetim mutabakatı, fatura kontrolü, kimlik verisi aktarımı, basit teslimat ve rutin raporlama yüksek otomasyon potansiyeline sahiptir. Buna karşılık öfkeli misafiri sakinleştirme, hizmet telafisi, kültürlerarası iletişim, güvenlikte bağlamsal muhakeme, ekip koçluğu ve özgün deneyim tasarımı daha yüksek insani tamamlayıcılık gerektirir. Sektörel değerlendirmeler otomasyonun bazı pozisyonları azaltacağını, çoğunu değiştireceğini ve robot koordinatörü, veri sorumlusu, otomasyon denetçisi veya deneyim tasarımcısı gibi yeni roller yaratacağını ileri sürmektedir (Ivanov, 2020).

Çalışanların akıllı teknoloji, YZ, robotik ve algoritmalar hakkındaki farkındalığı; iş güvencesizliği, kariyer bağlbılığı ve işten ayrılma niyetiyle ilişkili olabilir (Brougham ve Haar, 2018). Otel işletmelerindeki kronik devir, duygusal emek ve beceri sorunları dikkate alındığında yalnızca çalışan sayısını azaltmaya dayalı teknoloji stratejisi hizmet kalitesini aşındırabilir. İnsan kaynakları yazını yetenek yönetimi, çalışan bağlılığı ve iş–yaşam dengesinin birlikte ele alınmasını önermektedir (Deery ve Jago, 2015); turizmde insan kaynağı paradoksu ise “insan önemlidir” söylemi ile düşük yatırım ve kırılgan çalışma uygulamaları arasındaki çelişkiye dikkat çeker (Baum, 2015).

Bu nedenle otomasyon kazancının önceden tanımlanmış bir yeniden yatırım planı olmalıdır. Kazanılan saatlerin bir bölümü çapraz eğitim, VR tabanlı senaryo çalışması, mentorluk, misafirle nitelikli temas, süreç iyileştirme ve yaratıcı hizmet tasarımına ayrılabilir. İş başı eğitiminde AR, çalışanın görevi yaparken bağlama duyarlı yönerge almasını; VR ise tehlikeli veya nadir olayları gerçek misafire zarar vermeden deneyimlemesini sağlar. Ancak eğitim teknolojisi performans açığını yalnızca çalışana yüklememeli; kötü süreç, yetersiz ekipman veya gerçekçi olmayan iş standardı da incelenmelidir.

Etik çerçeve; insan özerkliği, zarar vermeme, adalet, açıklanabilirlik, sorumluluk ve mahremiyeti birlikte içermelidir (Ivanov ve Umbrello, 2021). 2026 tarihli çalışmalar YZ’nin konaklama istihdamında görev düzeyindeki farklı etkilerini yeniden gündeme getirmektedir (Martínez-Roget vd., 2026). Yönetim açısından ölçüt, kaç kişinin azaltıldığı değil; misafir sonucu, çalışan sağlığı, hizmet telafisi, öğrenme kapasitesi ve verimliliğin birlikte iyileşip iyileşmediğidir. Bu beş uygulama alanı arasındaki karşılıklı bağımlılıklar bir sonraki tartışma bölümünde bütünleştirilmektedir.

3. Tartışma               

İncelenen literatürün ortak sonucu, otelcilikte YZ’nin bağımsız bir ürün değil, birbirine bağlı kararlar sistemi olduğudur. Misafir verisi kişiselleştirmeyi; rezervasyon ve dış çevre verisi doluluk tahminini; tahmin iş yükü hesabını; iş yükü vardiyayı; vardiya hizmet hızını ve kalitesini; hizmet sonucu da yorum, memnuniyet ve gelecekteki talebi etkiler. Bu geri besleme döngüsünde bir modelin hatası sonraki modele taşınır. Örneğin belirli bir kanalın iptallerini düşük tahmin eden sistem, fazla vardiya açabilir; tersine bir grubun hizmet gereksinimini küçümseyen sistem, kâğıt üzerinde yeterli görünen fakat gerçekte aşırı yüklenmiş ekip yaratabilir.

Bu bulgu, teknoloji merkezli uygulama anlayışının sınırını ortaya koymaktadır. Hizmet robotlarının kabulüne ilişkin çalışmalar teknik fayda yanında güven, sosyal etki ve riskin önemini gösterirken (Gursoy vd., 2019; Choi vd., 2020), VR/AR araştırmaları sürükleyicilik kadar içerik, kullanılabilirlik ve bağlamın belirleyici olduğunu ortaya koyar (Yung and Khoo-Lattimore, 2019; Loureiro et al., 2020). Tahmin literatürü de yüksek model karmaşıklığının otomatik olarak daha iyi sonuç vermediğini; veri kalitesi, ufuk ve değerlendirme tasarımının belirleyici olduğunu vurgular (Weatherford and Kimes, 2003; Law et al., 2019). Dolayısıyla başarılı dijital dönüşümün birinci koşulu, satın alınan aracın yeniliği değil, çözülecek hizmet probleminin açık tanımıdır. İkinci ortak tema, çok amaçlı optimizasyondur. Otel yöneticisi aynı anda maliyet, gelir, bekleme süresi, temizlik kalitesi, çalışan adaleti ve misafir memnuniyetini yönetir. Tek hedefli algoritma ölçmediği değeri görünmez kılar. Robot lojistiğinde maliyet ve memnuniyetin birlikte ele alınması (Liu and Liao, 2023), vardiyada çalışan tercihi ve refahının hedefe eklenmesi (Li et al., 2026) ve sadakatte kısa dönemli dönüşümün güvenle dengelenmesi bu nedenle önemlidir. Uygulamada yönetim, hedef fonksiyonun ağırlıklarını çalışan ve bölüm temsilcileriyle belirlemeli; hassasiyet analiziyle ağırlık değişiminin kimleri etkilediğini göstermelidir.

Üçüncü tema insan–YZ tamamlayıcılığıdır. Huang ve Rust’ın zekâ katmanları yaklaşımı (Huang and Rust, 2018), Wirtz ve arkadaşlarının hizmet robotları çerçevesi (Wirtz et al., 2018) ve otomasyonun görev etkilerine ilişkin iktisadi çalışmalar (Autor, 2015; Acemoglu and Restrepo, 2019) birlikte okunduğunda, sürdürülebilir modelin standart görevleri otomatikleştirip insani kapasiteyi üst düzey görevlere taşıdığı görülür. Fakat bu geçiş kendiliğinden gerçekleşmez. İş yükü boşluğu maliyet kesintisine dönüştürüldüğünde kalan çalışanların yoğunluğu artabilir; eğitim, rol tasarımı ve kariyer yolu oluşturulduğunda ise teknoloji hizmet kapasitesini yükseltebilir.

Dördüncü tema veri yönetişimidir. Kişiselleştirme için toplanan veri vardiya tahmini veya performans değerlendirmesinde farklı bir amaçla kullanıldığında işlev kayması ortaya çıkar. Misafir rızası, çalışan mahremiyeti, tedarikçi erişimi, veri saklama ve model eğitimi açık politikalara bağlanmalıdır. Özellikle üretken YZ ile serbest metin işlenirken kişisel verilerin dış sisteme aktarılması, uydurma bilgi ve marka dilinin bozulması riskleri için insan doğrulaması gerekir. Model kartları, veri sözlükleri, erişim günlükleri, yanlılık testleri ve olay müdahale prosedürü büyük zincirlerle sınırlı olmayan temel kontrollerdir.

Beşinci tema, deneysel kanıt ihtiyacıdır. Alan yazınında niyet, kabul ve senaryo temelli çalışmalar güçlü olmakla birlikte gerçek otel verisiyle uzun dönemli, çok tesisli karşılaştırmalar daha sınırlıdır. Robot oteller, rezervasyon eğrisi kümeleme ve talep tabanlı çizelgeleme çalışmaları önemli uygulama kanıtı sağlasa da (Reis et al., 2020; Viverit et al., 2023; Li et al., 2026), farklı sınıf ve ölçeklerdeki oteller için genelleme dikkatle yapılmalıdır. Gelecek araştırmalar; misafir memnuniyeti, çalışan refahı, enerji tüketimi ve finansal sonucu aynı tasarımda ölçen saha deneylerine; tahmin hatasının vardiya ve hizmet sonucuna yayılımını izleyen çalışmalara; ayrıca küçük bağımsız oteller için düşük maliyetli, açıklanabilir çözümlere yönelmelidir.

Son olarak metaverse, VR, AR ve XR bu karar zincirinde ayrı bir moda başlığı olarak değil, veriyle yönlendirilen hizmetin deneyim ve eğitim katmanı olarak anlam kazanmaktadır. Dijital ikiz üzerinde talep senaryosu canlandırmak, VR ile yeni çalışana yoğun giriş saatini yaşatmak veya AR ile bakım görevini adım adım göstermek, tahmin ve optimizasyon çıktısını eyleme dönüştürür. Buna karşılık iş süreci ve veri altyapısı olgunlaşmadan kurulan gösterişli sanal ortamlar, operasyonel değer yerine teknoloji vitrini üretme riski taşır (Guttentag, 2010; Buhalis et al., 2023).

4 Sonuç ve Öneriler

Bu çalışma, YZ algoritmalarının otelcilikte misafir memnuniyetinden personel planlamasına uzanan bütünleşik bir karar mimarisi oluşturduğunu göstermektedir. YZ; talebi tahmin edebilir, tahmini iş yüküne çevirebilir, vardiyayı kısıtlar altında optimize edebilir, misafir için bağlamsal öneri üretebilir ve rutin görevleri otomatikleştirebilir. Ancak değer, algoritmanın tek başına doğruluğundan değil; sistemler arası veri kalitesi, insan denetimi, çalışan katılımı, etik yönetişim ve hizmet tasarımıyla kurduğu uyumdan doğar.

Otel işletmeleri için aşağıdaki uygulama ilkeleri önerilmektedir:

1. Problemi teknoloji öncesinde tanımlamak: “YZ kullanalım” yerine iptal tahmini, oda hazır olma gecikmesi, vardiya adaleti veya şikâyet çözüm süresi gibi ölçülebilir problem belirlenmelidir.

2. Ortak veri omurgası kurmak: PMS, CRS, RMS, CRM, POS, IoT ve iş gücü sistemlerinde tanım, zaman damgası, kimlik eşleme ve veri kalitesi standartlaştırılmalıdır.

3. Basit taban çizgisini korumak: Her makine öğrenmesi modeli naif, mevsimsel ve istatistiksel yöntemlerle örneklem dışında karşılaştırılmalı; doğruluk kadar kararlılık ve açıklanabilirlik izlenmelidir.

4. Tahmini olasılıklı planlamaya bağlamak: Tek doluluk sayısı yerine güven aralığı ve yüksek/ düşük talep senaryoları kullanılmalı; kritik beceriler için tampon kapasite oluşturulmalıdır.

5. Vardiyada adaleti hedefe dâhil etmek: Maliyet ve kapsamanın yanında çalışan tercihi, ardışık dinlenme, hafta sonu dağılımı, gelir istikrarı ve beceri gelişimi ölçülmelidir.

6. İnsan devrini tasarlamak: Bot veya robot başarısız olduğunda misafir bağlamı kaybetmeden çalışana geçebilmeli; çalışan öneriyi reddedebilmeli ve gerekçesini kaydedebilmelidir.

7. Kişiselleştirmede sınır koymak: Açık rıza, veri minimizasyonu, tercih düzenleme, hassas veri yasağı ve ayrımcılık testleri sadakat programının tasarımına gömülmelidir.

8. Otomasyon kazancını insana yeniden yatırmak: Serbest kalan zaman; çapraz eğitim, VR/AR destekli iş başı öğrenme, mentorluk, süreç iyileştirme ve nitelikli misafir etkileşimine ayrılmalıdır.

9. Pilotla başlayıp çok boyutlu ölçmek: Finansal sonuçların yanında misafir memnuniyeti, bekleme, hata, çalışan refahı, devir, enerji ve erişilebilirlik göstergeleri öncesi–sonrası tasarımla izlenmelidir.

10. Sürekli algoritma yönetişimi uygulamak: Model sahibi, onay yetkisi, yeniden eğitim eşiği, olay müdahalesi, yanlılık denetimi ve itiraz kanalı yazılı hâle getirilmelidir.

Sonuç olarak otelcilikte rekabet üstünlüğü, en fazla otomasyona sahip işletmeden çok, algoritmik zekâyı insani misafirperverlikle en iyi birleştiren işletmeye ait olacaktır. Geleceğin oteli “insansız” değil; veriyi daha dikkatli kullanan, rutin yükü azaltan, çalışan kararını güçlendiren ve misafire ihtiyaç duyduğu anda gerçek bir insan ilişkisi sunabilen oteldir.

Kaynakça

Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33 (2), 3–30. https://doi.org/10.1257/jep. 33.2.3

Alemayehu, F. K., Kumbhakar, S. C., & Landazuri Tveteraas, S. (2022). Estimation of staff use efficiency: Evidence from the hospitality industry. Technological Forecasting and Social Change,178, 121585. https://doi.org/10.1016/j.techfore.2022.121585

Antonio, N., de Almeida, A., & Nunes, L. (2017). Predicting hotel booking cancellations to decrease uncertainty and increase revenue. Tourism & Management Studies, 13 (2), 25–39. https://doi.org/10.18089/tms.2017.13203

Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29 (3), 3–30. https://doi.org/10.1257/jep.29.3.3

Azuma, R. T. (1997). A survey of augmented reality. Presence: Teleoperators and Virtual Environments, 6 (4), 355–385. https://doi.org/10.1162/pres.1997.6.4.355

Baum, T. (2015). Human resources in tourism: Still waiting for change? A 2015 reprise. Tourism Management, 50, 204–212. https://doi.org/10.1016/j.tourman.2015.02.001

Belanche, D., Casaló, L. V., Flavián, C., & Schepers, J. (2020). Service robot implementation: A theoretical framework and research agenda. The Service Industries Journal, 40 (3–4), 203–225. https://doi.org/10.1080/02642069.2019.1672666

Berezina, K., Bilgihan, A., Cobanoglu, C., & Okumus, F. (2016). Understanding satisfied and dissatisfied hotel customers: Text mining of online hotel reviews. Journal of Hospitality Marketing & Management, 25 (1), 1–24. https://doi.org/10.1080/19368623.2015.983631

Borghi, M., & Mariani, M. M. (2021). Service robots in online reviews: Online robotic discourse. Annals of Tourism Research, 87, 103036. https://doi.org/10.1016/j.annals.2020.103036

Bowen, J. T., & Chen, S.-L. (2001). The relationship between customer loyalty and customer satisfaction. International Journal of Contemporary Hospitality Management, 13 (5), 213–217. https://doi.org/10.1108/09596110110395893

Bowen, J., & Morosan, C. (2018). Beware hospitality industry: The robots are coming. Worldwide Hospitality and Tourism Themes, 10 (6), 726–733. https://doi.org/10.1108/WHATT-07-2018-0045

Brougham, D., & Haar, J. (2018). Smart technology, artificial intelligence, robotics, and algorithms (STARA): Employees’ perceptions of our future workplace. Journal of Management & Organization, 24 (2), 239–257. https://doi.org/10.1017/jmo.2016.55

Buhalis, D., Leung, D., & Lin, M. (2023). Metaverse as a disruptive technology revolutionising tourism management and marketing. Tourism Management, 97, 104724. https://doi.org/10. 1016/j.tourman.2023.104724

Buhalis, D., & Leung, R. (2018). Smart hospitality—Interconnectivity and interoperability towards an ecosystem. International Journal of Hospitality Management, 71, 41–50. https://doi.org/ 10.1016/j.ijhm.2017.11.011

Choi, Y., Choi, M., Oh, M., & Kim, S. (2020). Service robots in hotels: Understanding the service quality perceptions of human–robot interaction. Journal of Hospitality Marketing & Management, 29 (6), 613–635. https://doi.org/10.1080/19368623.2020.1703871

Deery, M., & Jago, L. (2015). Revisiting talent management, work-life balance and retention strategies. International Journal of Contemporary Hospitality Management, 27 (3), 453–472. https://doi. org/10.1108/IJCHM-12-2013-0538

Dwivedi, Y. K., Hughes, L., Baabdullah, A. M., Ribeiro-Navarrete, S., Giannakis, M., Al-Debei, M. M., Dennehy, D., Metri, B., Buhalis, D., Cheung, C. M. K., Conboy, K., Doyle, R., Dubey, R.,Dutot, V., Felix, R., Goyal, D. P., Gustafsson, A., Hinsch, C., Jebabli, I., Janssen, M., Kim, Y.-G.,Kim, J., Koos, S., Kreps, D., Kshetri, N., Kumar, V., Ooi, K.-B., Papagiannidis, S., Pappas, I. O., Polyviou, A., Park, S.-M., Pandey, N., Queiroz, M. M., Raman, R., Rauschnabel, P. A., Shirish, A., Sigala, M., Spanaki, K., Tan, G. W.-H., Tiwari, M. K., Viglia, G., & Wamba, S. F. (2022). Metaverse beyond the hype: Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 66, 102542. https://doi.org/10.1016/j.ijinfomgt.2022.102542

Ernst, A. T., Jiang, H., Krishnamoorthy, M., Owens, B., & Sier, D. (2004a). An annotated bibliography of personnel scheduling and rostering. Annals of Operations Research, 127, 21–144. https://doi. org/10.1023/B:ANOR.0000019087.46656.e2

Ernst, A. T., Jiang, H., Krishnamoorthy, M., & Sier, D. (2004b). Staff scheduling and rostering: A review of applications, methods and models. European Journal of Operational Research, 153 (1), 3–27. https://doi.org/10.1016/S0377-2217(03)00095-X

Fan, X., Jiang, X., & Deng, N. (2022). Immersive technology: A meta-analysis of augmented/virtual reality applications and their impact on tourism experience. Tourism Management, 91, 104534. https://doi.org/10.1016/j.tourman.2022.104534

Flavián, C., Ibáñez-Sánchez, S., & Orús, C. (2019). The impact of virtual, augmented and mixed reality technologies on the customer experience. Journal of Business Research, 100, 547–560. https://doi.org/10.1016/j.jbusres.2018.10.050

Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019

Gretzel, U., Sigala, M., Xiang, Z., & Koo, C. (2015). Smart tourism: Foundations and developments. Electronic Markets, 25, 179–188. https://doi.org/10.1007/s12525-015-0196-8

Gursoy, D., Chi, O. H., Lu, L., & Nunkoo, R. (2019). Consumers acceptance of artificially intelligent (AI) device use in service delivery. International Journal of Information Management, 49, 157–169. https://doi.org/10.1016/j.ijinfomgt.2019.03.008

Guttentag, D. A. (2010). Virtual reality: Applications and implications for tourism. Tourism Management, 31 (5), 637–651. https://doi.org/10.1016/j.tourman.2009.07.003

Haensel, A., & Koole, G. (2011). Booking horizon forecasting with dynamic updating: A case study of hotel reservation data. International Journal of Forecasting, 27 (3), 942–960. https: //doi.org/10.1016/j.ijforecast.2010.10.004

Huang, M.-H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21 (2), 155–172. https://doi.org/10.1177/1094670517752459

Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49, 30–50. https://doi.org/10.1007/ s11747-020-00749-9

Ivanov, S. (2020). The impact of automation on tourism and hospitality jobs. Information Technology & Tourism, 22, 205–215. https://doi.org/10.1007/s40558-020-00175-1

Ivanov, S., & Umbrello, S. (2021). The ethics of artificial intelligence and robotisation in tourism and hospitality—A conceptual framework and research agenda. Journal of Smart Tourism, 1 (4), 9–18. https://doi.org/10.52255/smarttourism.2021.1.4.3

Kandampully, J., Zhang, T., & Bilgihan, A. (2015). Customer loyalty: A review and future directions with a special focus on the hospitality industry. International Journal of Contemporary Hospitality Management, 27 (3), 379–414. https://doi.org/10.1108/IJCHM-03-2014-0151

Kandampully, J., & Suhartanto, D. (2000). Customer loyalty in the hotel industry: The role of customer satisfaction and image. International Journal of Contemporary Hospitality Management, 12 (6), 346–351. https://doi.org/10.1108/09596110010342559

Lai, P.-C., & Baum, T. (2005). Just-in-time labour supply in the hotel sector: The role of agencies. Employee Relations, 27 (1), 86–102. https://doi.org/10.1108/01425450510569328

Law, R., Li, G., Fong, D. K. C., & Han, X. (2019). Tourism demand forecasting: A deep learning approach. Annals of Tourism Research, 75, 410–423. https://doi.org/10.1016/j.annals.2019.01.014

Li, H., Ye, Q., & Law, R. (2013). Determinants of customer satisfaction in the hotel industry: An application of online review analysis. Asia Pacific Journal of Tourism Research, 18 (7), 784–802. https://doi.org/10.1080/10941665.2012.708351

Li, J., Zheng, W., & Lin, Z. (2026). Predicting and planning: An intelligent system for demandbased hotel staff scheduling. International Journal of Hospitality Management, 133, 104474. https://doi.org/10.1016/j.ijhm.2025.104474

Liu, J., & Liao, Z. (2023). Operation design of a robot logistics system considering demand fluctuations in the hotel industry. International Journal of Contemporary Hospitality Management, 36 (1), 113–137.

Loureiro, S. M. C., Guerreiro, J., & Ali, F. (2020). 20 years of research on virtual reality and augmented reality in tourism context: A text-mining approach. Tourism Management, 77, 104028. https://doi.org/10.1016/j.tourman.2019.104028

Lu, L., Cai, R., & Gursoy, D. (2019). Developing and validating a service robot integration willingness scale. International Journal of Hospitality Management, 80, 36–51. https://doi.org/10.1016/j.ijhm.2019.01.005

Luo, J. M., Vu, H. Q., Li, G., & Law, R. (2021). Understanding service attributes of robot hotels: A sentiment analysis of customer online reviews. International Journal of Hospitality Management, 98, 103032. https://doi.org/10.1016/j.ijhm.2021.103032

Mariani, M., Baggio, R., Fuchs, M., & Höepken, W. (2018). Business intelligence and big data in hospitality and tourism: A systematic literature review. International Journal of Contemporary Hospitality Management, 30 (12), 3514–3554. https://doi.org/10.1108/IJCHM-07-2017-0461

Martínez-Roget, F., Pereira-López, X., & Vázquez-Rozas, E. (2026). Artificial intelligence and employment in the hospitality sector. AI & Society. https://doi.org/10.1007/s00146-025-02756-2

Milgram, P., & Kishino, F. (1994). A taxonomy of mixed reality visual displays. IEICE Transactions on Information and Systems, E77-D(12), 1321–1329.

Neuhofer, B., Buhalis, D., & Ladkin, A. (2015). Smart technologies for personalized experiences: A case study in the hospitality domain. Electronic Markets, 25, 243–254. https://doi.org/10. 1007/s12525-015-0182-1

Pan, B., & Yang, Y. (2017). Forecasting destination weekly hotel occupancy with big data. Journal of Travel Research, 56 (7), 957–970. https://doi.org/10.1177/0047287516669050

Pereira, L. N. (2016). An introduction to helpful forecasting methods for hotel revenue management. International Journal of Hospitality Management, 58, 13–23. https://doi.org/10.1016/j.ijhm.2016.07.003

Petrovic, S. (2019). “You have to get wet to learn how to swim” applied to bridging the gap between research into personnel scheduling and its implementation in practice. Annals of Operations Research, 275, 161–179. https://doi.org/10.1007/s10479-017-2574-4

Piccoli, G., O’Connor, P., Capaccioli, C., & Alvarez, R. (2003). Customer relationship management— A driver for change in the structure of the U.S. lodging industry. Cornell Hotel and Restaurant Administration Quarterly, 44 (4), 61–73. https://doi.org/10.1016/S0010-8804(03)90257-X

Radojevic, T., Stanisic, N., & Stanic, N. (2015). Ensuring positive feedback: Factors that influence customer satisfaction in the contemporary hospitality industry. Tourism Management, 51, 13–21. https://doi.org/10.1016/j.tourman.2015.04.002

Rajopadhye, M., Ghalia, M. B., Wang, P. P., Baker, T., & Eister, C. V. (2001). Forecasting uncertain hotel room demand. Information Sciences, 132 (1–4), 1–11. https://doi.org/10.1016/ S0020-0255(00)00082-7

Reis, J., Melão, N., Salvadorinho, J., Soares, B., & Rosete, A. (2020). Service robots in the hospitality industry: The case of Henn-na Hotel, Japan. Technology in Society, 63, 101423. https://doi. org/10.1016/j.techsoc.2020.101423

Song, H., & Li, G. (2008). Tourism demand modelling and forecasting—A review of recent research. Tourism Management, 29 (2), 203–220. https://doi.org/10.1016/j.tourman.2007.07.016

Sun, S., Wei, Y., Tsui, K.-L., & Wang, S. (2019). Forecasting tourist arrivals with machine learning and internet search index. Tourism Management, 70, 1–10. https://doi.org/10.1016/j.tourman. 2018.07.010

Tung, V. W. S., & Au, N. (2018). Exploring customer experiences with robotics in hospitality. International Journal of Contemporary Hospitality Management, 30 (7), 2680–2697. https://doi. org/10.1108/IJCHM-06-2017-0322

Tung, V. W. S., & Law, R. (2017). The potential for tourism and hospitality experience research in human–robot interactions. International Journal of Contemporary Hospitality Management,29 (10), 2498–2513. https://doi.org/10.1108/IJCHM-09-2016-0520

Van den Bergh, J., Beliën, J., De Bruecker, P., Demeulemeester, E., & De Boeck, L. (2013). Personnel scheduling: A literature review. European Journal of Operational Research, 226 (3), 367–385. https://doi.org/10.1016/j.ejor.2012.11.029

Viverit, L., Heo, C. Y., Pereira, L. N., & Tiana, G. (2023). Application of machine learning to cluster hotel booking curves for hotel demand forecasting. International Journal of Hospitality Management, 111, 103455. https://doi.org/10.1016/j.ijhm.2023.103455

Wang, X., Wong, J. W. C., & Li, X. (2023). Consumer resistance to service robots at the hotel front desk. Journal of Hospitality and Tourism Management, 54, 51–62. https://doi.org/10.1016/j. jhtm.2022.12.002

Weatherford, L. R., & Kimes, S. E. (2003). A comparison of forecasting methods for hotel revenue management. International Journal of Forecasting, 19 (3), 401–415. https://doi.org/10.1016/S0169-2070(02)00011-0

Wirtz, J., Patterson, P. G., Kunz, W. H., Gruber, T., Lu, V. N., Paluch, S., & Martins, A. (2018). Brave new world: Service robots in the frontline. Journal of Service Management, 29 (5), 907–931. https://doi.org/10.1108/JOSM-04-2018-0119

Wu, D. C., Song, H., & Shen, S. (2017). New developments in tourism and hotel demand modeling and forecasting. International Journal of Contemporary Hospitality Management, 29 (1), 507–529.https://doi.org/10.1108/IJCHM-05-2015-0249

Xiang, Z., Schwartz, Z., Gerdes, J. H., Jr., & Uysal, M. (2015). What can big data and text analytics tell us about hotel guest experience and satisfaction? International Journal of Hospitality Management, 44, 120–130. https://doi.org/10.1016/j.ijhm.2014.10.013

Xie, K. L., Zhang, Z., & Zhang, Z. (2014). The business value of online consumer reviews and management response to hotel performance. International Journal of Hospitality Management, 43, 1–12. https://doi.org/10.1016/j.ijhm.2014.07.007

Xu, J., Hsiao, A., Reid, S., & Ma, E. (2023). Working with service robots? A systematic literature review of hospitality employees’ perspectives. International Journal of Hospitality Management, 113, 103523. https://doi.org/10.1016/j.ijhm.2023.103523

Yung, R., & Khoo-Lattimore, C. (2019). New realities: A systematic literature review on virtual reality and augmented reality in tourism research. Current Issues in Tourism, 22 (17), 2056–2081. https://doi.org/10.1080/13683500.2017.1417359