La 20.x marque une étape clé en matière de prévision et d'optimisation des processus métier dédiés au secteur de l'hôtellerie et de la restauration, tout en intégrant une approche scientifique multi sectorielle. Elle est le fruit d'une première collaboration entre les équipes scientifiques d'Infor EzRMS et celles d'Infor Dynamic Science Labs, "think tank" dédié à l'éditeur ayant pour vocation d'intégrer des avancées en matière de Big Data et de machine learning à l'ensemble des applications. Alors que la modélisation d'Infor EzRMS a toujours reposé sur des méthodes économétriques avancées s'appuyant à la fois sur les données historiques et les tendances du marché, elle repose désormais sur une architecture en mode d'auto-apprentissage, capable de récupérer toujours plus d'informations granulaires à partir des données déjà collectées.
Une autre amélioration scientifique réside dans l'adaptabilité dynamique des prévisions, grâce auxquelles la solution teste en continu les méthodes d'association de prévisions pour identifier la plus précise au fur et à mesure de l'évolution des réservations. Ainsi, chaque établissement peut réaliser sa propre combinaison de méthodes de prévisions et l'adapter en fonction de l'évolution du marché, par exemple des saisons et des plannings de réservations.
EzRMS ne traduit pas seulement les restrictions les plus simples supportées par le système de réservation, comme la durée d'un séjour, mais la solution offre désormais de meilleurs résultats avec l'option "Restriction-Aware Optimization", qui va permettre d'optimiser en tenant compte des restrictions imposées par les différents canaux de distribution. Cette nouvelle version intègre également une approche scientifique conçue pour révolutionner la modélisation des longs séjours, non seulement en prévoyant les demandes mais aussi les reports d'échéances et les renouvellements. Les recommandations de surbooking sont conçues afin d'atteindre une nouvelle étape en matière d'optimisation durant les périodes de fortes demandes, ce qui permet non seulement de minimiser le risque de devoir reloger des clients mais aussi de limiter le risque de se retrouver avec des chambres non occupées lorsque la demande et les tarifs sont à leur plus haut niveau.