01 · Monitorização do operador
Está este operador a entregar a experiência que o nosso brief especifica?
Caminho convencional
Inquéritos do próprio operador; a sua ferramenta de reputação instalada; visitas periódicas no terreno.
§ 01 · Posicionamento
Hedonic Intelligence · Capacidades
Inteligência de ativo — não um dashboard de operador — extraída de avaliações públicas de hóspedes.
Somos a camada de inteligência da experiência do hóspede para decisões de capital. Extração estruturada por avaliação. Um trabalho, um deck desenhado, ancorado num peer set real.
§ 02 · Enquadramento
A lacuna de inteligência do lado do proprietário.
As ferramentas do lado do operador foram desenhadas para o GM e para a equipa de front-office que responde a avaliações. O proprietário, o asset manager, o conselheiro de transação — nunca foram o comprador alvo.
02 · Diagnóstico pré-NDA
Sobre um ativo que estamos a underwrite, qual é realmente a experiência do hóspede?
Caminho convencional
Leitura manual do TripAdvisor e Booking; um resumo por estrelas; uma chamada com o GM.
03 · Drift de portfólio
Em todos os nossos mandatos, que ativos mostram sinais precoces de drift do lado do operador?
Caminho convencional
Ciclo trimestral; indicadores atrasados; reativos em vez de preditivos.
§ 03 · Camada de dados
O que extraímos de uma avaliação.
Passe o cursor sobre qualquer campo estruturado — o trecho de origem acende-se. O mesmo motor corre nativamente em qualquer língua de mercado, sem passo de tradução.
Extração single-pass · Hedonic NLP v15
0 campos estruturados extraídos de uma avaliação · passe o cursor para inspecionar
JSON com schema obrigatório · XGrammar guided decoding
§ 04 · Conjunto de métricas
Desenhadas para decisões de capital, não para decisões de turno.
Clique em qualquer métrica para ver a fórmula e um exemplo do caso de estudo.
NLS
Net Loyalty Score
% de promotores menos % de detratores, ambos classificados por advocacia semântica no texto da avaliação — não por threshold de classificação 9–10.
−100 to +100NLP §3.2
NLS = ( |promoters| − |detractors| ) / |reviews| × 100
where
promoters = reviews with explicit advocacy or return-intent semantics
detractors = reviews with will-not-return or warn-others semantics
where
promoters = reviews with explicit advocacy or return-intent semantics
detractors = reviews with will-not-return or warn-others semantics
Exemplo trabalhado — propriedade de Roma
De 564 avaliações: 217 promotores (38,5%), 15 detratores (2,7%), 332 passivos. NLS = +35,8 — vs. NPS +81 sobre o mesmo dataset.
Leitura: uma diferença de ~45 pontos entre o NPS por classificação e o NLS semântico quantifica um problema de satisfação passiva invisível para dashboards de classificação. A falha está na conversão de satisfação silenciosa em advocacia.
GSI
Guest Sentiment Index
Quota de hóspedes que mostram comportamento de advocacia semântica — limitado 0–100% — usado como complemento de densidade de advocacia ao NLS.
0 — 100%NLP §3.1
GSI = |reviews with advocacy_signal = true| / |reviews|
Exemplo trabalhado — propriedade de Roma
GSI = 38,8%. Líder do CompSet: 74,5%.
Leitura: diferença de aproximadamente 2× para a mediana dos pares em densidade de advocacia — uma métrica de drift, não de satisfação.
CRI
Churn Risk Index
Fricção × esforço × severidade, com desconto por recuperação de serviço aplicado por evento resolvido.
0 — 86 (log)NLP §3.4
CRI = log10(1 + Σ ( fi · ei · si · (1 − ri · 0.6) ))
f = friction event · e = guest effort · s = severity · r = was_resolved
f = friction event · e = guest effort · s = severity · r = was_resolved
Exemplo trabalhado — propriedade de Roma
90 eventos de fricção, 90% não resolvidos, assinatura de baixo esforço → 14,4% das avaliações têm um evento de fricção não resolvido.
Leitura: baixo esforço do hóspede com 90% de não resolução é o sinal vermelho do lado do asset manager — hóspedes a absorver fricção em silêncio não é um sinal de conforto.
EGI
Expectation Gap Index
Quota de queixas enquadradas contra um âncora de expectativa — preço, classe de estrelas, promessa de marca.
0 — 100%NLP §3.7
EGI = |complaints with expectation_anchor ≠ null| / |complaints|
anchor types: price · star_class · brand · category
anchor types: price · star_class · brand · category
Exemplo trabalhado
Frases âncora como "para €600+ por noite" ou "per un cinque stelle" são extraídas verbatim e etiquetadas.
Leitura: EGI alto sinaliza problema de posicionamento, não de serviço — e a correção está no marketing ou no preço, não no terreno.
CTS
Competitive Threat Score
Agregação de veredictos por concorrente, a partir de menções nominais em texto — direcional, com evidência verbatim.
−100 to +100NLP §3.11
CTSc = Σ ( verdicti · wi ) / |mentions of c|
verdict ∈ {favours_competitor: −1, neutral: 0, favours_subject: +1}
verdict ∈ {favours_competitor: −1, neutral: 0, favours_subject: +1}
Exemplo trabalhado
Hóspede escreve: "better breakfast than at [Hotel B]" → CTSHotelB regista +1 com a citação verbatim.
Leitura: CTS revela vantagens e desvantagens estruturais que uma tabela de ADR do CompSet não consegue ver.
IVI
Improvement Velocity Index
Delta temporal por aspeto — 25% mais recentes vs. 25% mais antigos das avaliações, threshold ±0,15.
−2.0 to +2.0NLP §3.10
IVIaspect = mean(sentiment)newest 25% − mean(sentiment)oldest 25%
min: 8 dated reviews · ≥2 mentions per aspect per period
min: 8 dated reviews · ≥2 mentions per aspect per period
Exemplo trabalhado — propriedade de Roma
Check-in ▲ +1,33 · F&B ▼ −0,29 · Conforto do quarto — Estável.
Leitura: aplicado num intervalo que enquadra a transição de operador, o IVI separa a perceção pré-transição da pós-transição, aspeto a aspeto.
CPI
Competitive Position Index
Percentil de ADR vs. o peer set real da propriedade — uma âncora de posicionamento, não uma medida de preço absoluto.
0 — 100NLP §3.15
CPI = percentile_rank(ADRsubject, CompSetADR) × 100
Exemplo trabalhado — propriedade de Roma
CPI = 17 a €662 ADR; líder do CompSet a €2.101 (CPI 100).
Leitura: CPI baixo com NLS no meio sugere que o pricing está bem calibrado para o produto — não está a sub-extrair.
RevPAM
Revenue per Available Square Metre
ADR ÷ m² médio do quarto — quão eficientemente o ativo monetiza a sua pegada física.
€/m²/nightNLP §3.16
RevPAM = ADR ÷ avg_room_m²
Exemplo trabalhado — propriedade de Roma
€662 ADR ÷ ~27m² = €24,50 RevPAM — banda ULTRA de monetização de espaço, no meio do CompSet.
Leitura: RevPAM separa produtividade do ativo da escala em número de quartos — uma propriedade pequena pode superar uma grande ao mesmo ADR.
§ 05 · O entregável
O produto é o deck, não acesso a uma ferramenta.
Um deck de capacidades anonimizado em 12 slides — Roma upper-upscale, 564 avaliações, 13 meses. A pré-visualização do site está em inglês; o deck do trabalho é entregue em português.
§ 06 · Para que leitor
Mesmo motor, quatro formatos de saída.
Cada leitor entra com uma pergunta diferente. A camada de dados é partilhada; o deck é calibrado.
01 · Asset manager
Proprietário / asset manager
"Sem permissão do operador — qual é a experiência do hóspede neste ativo, e onde está a derivar?"
Métrica principal
Drift do NLS · CRI · IVI por aspeto
02 · Conselheiro de transação
Conselheiro de transação / analista DD
"Pré-NDA — qual é realmente a experiência do hóspede neste alvo de underwriting, ancorado no seu peer set?"
Métrica principal
CRI · EGI · matriz CompSet
03 · Seleção de operador
Conselheiro de marca e seleção de operador
"Na transição da gestão, que aspetos é que o novo operador melhorou, e quais regrediram?"
Métrica principal
IVI por aspeto · split pré/pós
04 · Diretor / GM
Diretor de hotel / GM
"Para lá do 8,2/10 — onde é que a operação está realmente a falhar, e como se lê isso contra o meu CompSet real?"
Métrica principal
Causa-raiz da fricção · CTS · CompSet
§ 07 · Como funciona
Do brief ao deck em 10–14 dias.
Quatro passos. Cada um nomeado, enquadrado e datado. Sem chamadas de vendas.
01Brief
O ativo, a pergunta, o peer set.
Envia-nos a propriedade (ou portfólio), a pergunta a que o deck responderia, e o peer set se já o tiver. Propomos um peer set se não tiver.
Time
No mesmo dia · Assíncrono
02Enquadramento
Nota de enquadramento em dois dias úteis.
Uma nota de uma página: âmbito, confirmação do peer set, forma do entregável, preço fixo, datas. Confirma ou ajusta.
Time
Em 2 dias úteis
03Entrega
Um deck PDF desenhado.
Ancorado no peer set acordado, calibrado para a pergunta. Mesmo registo de template do deck de capacidades acima. Sem extratos brutos — o deck é o entregável.
Time
10–14 dias após o brief
04Refresh
Cadência recorrente (opcional).
Para mandatos de portfólio: o mesmo deck atualizado trimestralmente, semestralmente, ou ancorado em janelas de due diligence. Mesmo motor, mesmo peer set, mesmas definições.
Time
Na cadência acordada
§ 08 · Onde encaixamos
Duas camadas, dois compradores — nenhuma substitui a outra.
A camada de reputação do lado do operador é real, sofisticada e bem financiada. Nós sentamos do outro lado da mesa.
Eles · Ferramentas de reputação do lado do operador
A camada de reputação e operações.
Comprador: GM, equipa de front-office, brand reputation manager. Trabalho: responder a avaliações, subir o score, treinar o staff.
- SaaSSubscrição mensal por propriedade, hotel-as-customer.
- DATAScores agregados; índices de número único.
- FORMDashboard sempre-ligado em que a equipa faz login.
- TIMECadência operacional — diária, por turno.
Ferramentas de reputação e operações · Subscrição mensal por propriedade · Hotel-as-customer
Nós · Hedonic Intelligence — lado do ativo
A camada de inteligência para decisões de capital.
Comprador: asset manager, conselheiro de transação, conselheiro de seleção de operador, proprietário. Trabalho: decidir sobre o ativo — comprar, manter, trocar, intervir.
- MODELTrabalho com preço por projeto, desenhado para entrar num memorando de investimento.
- DATA40+ campos estruturados por avaliação — expostos como dados analisáveis, não resumos.
- FORMUm deck PDF desenhado por trabalho — o produto é o deck, não acesso.
- TIMECadência de decisão — janela de due diligence, reunião de comité, revisão de transição.
Outsider-in · Sem acesso ao PMS · Apenas avaliações públicas
§ 09 · A equipa
Dois fundadores. Uma leitura.
Rui Andrade
Co-fundador · Técnico
MEng em Engenharia Informática, FEUP. Construiu o pipeline de extração, o conjunto de métricas e a infraestrutura de NLP versionada por cache. Detém a seleção de modelo e o desenho de schema.
José Andrade
Co-fundador · Investigação
Doutorando, U. Vigo. Calibra as definições métricas contra a estrutura do mercado hoteleiro; detém a metodologia de caso e o enquadramento por tipo de leitor.
§ 10 · Engajar
Discutir um trabalho enquadrado.
Já leu o deck de capacidades acima. O passo seguinte é uma leitura enquadrada sobre uma propriedade sua — ancorada no seu peer set real.
Diga-nos quem é, qual o ativo (ou portfólio) e a pergunta a que o deck responderia. Respondemos em dois dias úteis com uma nota de enquadramento e timing.
Sem demos · Sem análises gratuitas de propriedade · Apenas trabalhos com preço por projeto