Por Ignacio Uman

A partir del aprovechamiento de nuevas herramientas provenientes de la ciencia de datos, la industria del Turismo está atravesando una profunda transformación en todo el mundo. Con la ayuda del aprendizaje automático (Machine Learning) se puede extraer valor de los millones de datos almacenados en una base de datos de turistas y consumidores de servicios turísticos. Esta técnica descubre patrones con un sistema que  puede “aprender” automáticamente de los datos en lugar de programarlos explícitamente para llevar a cabo una acción concreta. De este modo, se pone a disposición de las empresas un sistema que, a través de algoritmos y las variables que aplique la empresa, detecta patrones de comportamiento que proporcionan información clave sobre el estado en el que se encuentran los clientes de una empresa. Al mismo tiempo, mediante los algoritmos aplicados a problemas usuales de la industria, se pueden facilitar los procesos operativos y el tratamiento y análisis de datos, para ofrecer a los clientes una oferta personalizada, que generará más valor y engagement.

Algunas de las aplicaciones más usuales que se están implementando en empresas del sector turístico, según CleverData:

• Predicción de cancelaciones: se aplica en reservas de habitaciones, vuelos, actividades y mesas en restaurantes. En definitiva saber con antelación si una reserva se va a cancelar mejora sensiblemente la gestión, por ejemplo, del overbooking o de las habitaciones de un hotel.
• Predicción de ocupación: la capacidad de planificación se ve significativamente aumentada cuando se sabe con datos precisos qué recursos (habitaciones, asientos, mesas, plazas) se van a ocupar en un rango determinado de fechas.
• Predicción de retrasos en vuelos: no todos los retrasos se pueden predecir, pero sí que hay patrones que sirven para determinar en una gran mayoría de casos si un vuelo se va a retrasar.
• Personalización de la experiencia: descubrir patrones de comportamiento permite conocer con antelación al cliente y por tanto ofrecer servicios y productos que se ajustan a su perfil.
• Predicción de las necesidades de los huéspedes: La segmentación (Clustering) es una potente estrategia para saber de antemano qué necesidades va a tener cada cliente según su segmento específico.
• Optimización de la segmentación de clientes: El enfoque estadístico tradicional encuentra relaciones lineales entre un número limitado de variables. No obstante, recurriendo a Machine Learning es posible descubrir patrones en millones de datos con cientos o miles de variables.
• Maximizar eficiencia de campañas promocionales: Permite la predicción de segmentos de público-objetivo para cada tipo de campaña, el medio o la hora de la comunicación para aumentar la eficiencia de las campañas, tanto online como offline.

Un ejemplo de personalización a través de Big Data ocurre en los parques Disney, donde recientemente los visitantes reciben una pulsera para evitar las colas interminables, reducir el tiempo de espera y la aglomeración en ciertos puntos del parque. MagicBand es una pulsera inteligente que se conecta inalámbricamente tanto a los accesos a las atracciones y negocios como al dispositivo móvil. A los primeros lo hace mediante RFID, mientras que al segundo utilizando Bluetooth. El usuario de esta pulsera se olvida de llevar el dinero y las entradas encima y, de hecho, dentro de las instalaciones únicamente necesitará acercar el dispositivo a los lectores, incluso para pedir una comida o bebida. El objetivo es liberar al cliente de toda carga y que se centre en el disfrute.

Para conocer más sobre los avances de la ciencia de datos en el turismo, se puede ver el video del emprendedor español Marc Cortes, en TedXBarcelona “How big data will revolutionize tourism management”:

El caso Despegar.com en Latinoamérica

Despegar.com  es la empresa de viajes online líder en Latinoamérica. Opera en 20 países y brinda, una oferta amplia de productos de viaje, incluyendo vuelos, paquetes de viaje, alojamientos y otros productos relacionados con el turismo a más de 17 millones de clientes. Con la misión de «viajar es posible», la Empresa permite a millones de usuarios encontrar, comparar, planificar y comprar fácilmente servicios y productos de viaje. A través de su sitio web o de su aplicación móvil, ofrece productos de más de 300 aerolíneas, más de 450.000 opciones de alojamiento, aproximadamente 1.000 agencias de alquiler de vehículos y aproximadamente 240 proveedores de servicios en destino con más de 7.700 actividades en toda Latinoamérica.

Claramente la industria de las ventas online se está inclinando, en forma cada vez más veloz, a que el usuario y lo que desea sean el centro de atención principal. En este contexto, Despegar ofrece una experiencia personalizada de usuario y busca modelar a su usuario en el sistema de recomendaciones. “Anónimamente identificamos las características de un usuario no logueado (ej: historial de navegación, desde y hacia dónde viaja, con qué composición, cuáles son los features de los productos por los que mayor interés mostró.), y con mayor precisión de un usuario logueado o comprador que puede haber brindado información (ej: compras históricas, pasajeros, preferencias de viaje, estado de su reserva)”, detalla Martina Pailhé, Product Management & UX Talent Acquisition de Despegar en Argentina.

En este contexto, la empresa desarrolla diferentes proyectos basados en datos de acuerdo al objetivo que deba encarar. “Los datos se manejan de manera distinta, según el proyecto. Tenemos proyectos que trabajan sobre imágenes por ejemplo, otros sobre datos de navegación de los usuarios y otros sobre datos de ventas”, puntualiza la responsable de adquisición de talento.

“Los volúmenes son muy distintos según el proyecto también, hay proyectos donde se analizan ventas de un período de tiempo, en los cuales podemos hablar del orden de millones de registros, mientras que si vemos datos de navegación de usuarios, hablamos de miles de millones. Esto hace que tengamos que usar tecnologías que soportan procesar los datos en paralelo, como Spark por ejemplo y hace mucho más interesantes los desafíos tecnológicos para nuestro equipo”, comenta Pailhé.

RR.HH & Data Science en Despegar

Según explica Martina Pailhé, actualmente dentro de la Dirección de IT, Despegar cuenta con un equipo de ML Core Team compuesto por Machine Learning Engineers, con conocimientos de estadística y algoritmos de machine learning, pero que también manejan con solvencia la parte de desarrollo de software y son capaces de poner en producción el software en un ambiente complejo. Ellos trabajan en proyectos de Data Science a lo ancho de toda la organización y participan en todas las etapas del mismo, análisis y exploración de datos, elección y adaptación de los algoritmos a utilizar y puesta en producción de los servicios, de forma que cumplan con los requerimientos de performance y escalabilidad necesarios.

A su vez, cuenta con un equipo de Personalización, con perfiles de Data Scientist (generalistas en lugar de Data Engineers). Las profesiones son variadas, ya que existen en el equipo perfiles de ciencias exactas y ciencias económicas. Algunos de ellos cursaron posgrados en estadística y datos, con una fuerte formación matemática. Están enfocados en análisis, definición y gestión; la implementación y puesta en producción de modelos está a cargo del equipo de desarrollo. Todos están familiarizados con Python o R, y con las librerías de Machine Learning más usadas.

Además de la educación formal en posgrados, la capacitación y aprendizaje de nuevas técnicas es a través de la lectura de papers, asistencia a conferencias y cursos en plataformas online con el soporte de Despegar University IT.