{"id":933,"date":"2018-08-31T13:50:45","date_gmt":"2018-08-31T16:50:45","guid":{"rendered":"http:\/\/datamining.dc.uba.ar\/predictivos\/?p=933"},"modified":"2018-09-04T10:29:36","modified_gmt":"2018-09-04T13:29:36","slug":"big-data-y-machine-learning-cada-vez-mas-fuertes-en-el-turismo","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=933","title":{"rendered":"Big Data y Machine Learning: cada vez m\u00e1s fuertes en el Turismo"},"content":{"rendered":"<p><strong>Por Ignacio Uman<\/strong><\/p>\n<p>A partir del aprovechamiento de nuevas herramientas provenientes de la ciencia de datos, la industria del Turismo est\u00e1 atravesando una profunda transformaci\u00f3n en todo el mundo. Con la ayuda del aprendizaje autom\u00e1tico (Machine Learning) se puede extraer valor de los millones de datos almacenados en una base de datos de turistas y consumidores de servicios tur\u00edsticos. Esta t\u00e9cnica descubre patrones con un sistema que \u00a0puede \u201caprender\u201d autom\u00e1ticamente de los datos en lugar de programarlos expl\u00edcitamente para llevar a cabo una acci\u00f3n concreta. De este modo, se pone a disposici\u00f3n de las empresas un sistema que, a trav\u00e9s de algoritmos y las variables que aplique la empresa, detecta patrones de comportamiento que proporcionan informaci\u00f3n 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 an\u00e1lisis de datos, para ofrecer a los clientes una oferta personalizada, que generar\u00e1 m\u00e1s valor y engagement.<\/p>\n<p>Algunas de las aplicaciones m\u00e1s usuales que se est\u00e1n implementando en empresas del sector tur\u00edstico, seg\u00fan <a href=\"https:\/\/cleverdata.io\/\">CleverData<\/a>:<\/p>\n<ul>\n<li><strong>Predicci\u00f3n de cancelaciones<\/strong>: se aplica en reservas de habitaciones, vuelos, actividades y mesas en restaurantes. En definitiva saber con antelaci\u00f3n si una reserva se va a cancelar mejora sensiblemente la gesti\u00f3n, por ejemplo, del\u00a0overbooking\u00a0o de las habitaciones de un hotel.<\/li>\n<li><strong>Predicci\u00f3n de ocupaci\u00f3n<\/strong>: la capacidad de planificaci\u00f3n se ve significativamente aumentada cuando se sabe con datos precisos qu\u00e9 recursos (habitaciones, asientos, mesas, plazas) se van a ocupar en un rango determinado de fechas.<\/li>\n<li><strong>Predicci\u00f3n de retrasos en vuelos<\/strong>: no todos los retrasos se pueden predecir, pero s\u00ed que hay patrones que sirven para determinar en una gran mayor\u00eda de casos si un vuelo se va a retrasar.<\/li>\n<li><strong>Personalizaci\u00f3n de la experiencia<\/strong>: descubrir patrones de comportamiento permite conocer con antelaci\u00f3n al cliente y por tanto ofrecer servicios y productos que se ajustan a su perfil.<\/li>\n<li><strong>Predicci\u00f3n de las necesidades de los hu\u00e9spedes<\/strong>: La segmentaci\u00f3n (Clustering) es una potente estrategia para saber de antemano qu\u00e9 necesidades va a tener cada cliente seg\u00fan su segmento espec\u00edfico.<\/li>\n<li><strong>Optimizaci\u00f3n de la segmentaci\u00f3n de clientes<\/strong>: El enfoque estad\u00edstico tradicional encuentra relaciones lineales entre un n\u00famero limitado de variables. No obstante, recurriendo a Machine Learning es posible descubrir patrones en millones de datos con cientos o miles de variables.<\/li>\n<li><strong>Maximizar eficiencia de campa\u00f1as promocionales<\/strong>: Permite la predicci\u00f3n de segmentos de p\u00fablico-objetivo para cada tipo de campa\u00f1a, el medio o la hora de la comunicaci\u00f3n para aumentar la eficiencia de las campa\u00f1as, tanto online como offline.<\/li>\n<\/ul>\n<p>Un ejemplo de personalizaci\u00f3n a trav\u00e9s de Big Data ocurre en los parques <strong>Disney<\/strong>, donde recientemente los visitantes reciben una pulsera para evitar las colas interminables, reducir el tiempo de espera y la aglomeraci\u00f3n en ciertos puntos del parque. <a href=\"https:\/\/disneyworld.disney.go.com\/es-us\/plan\/my-disney-experience\/bands-cards\/\">MagicBand<\/a> es una pulsera inteligente que se conecta inal\u00e1mbricamente tanto a los accesos a las atracciones y negocios como al dispositivo m\u00f3vil. 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 \u00fanicamente necesitar\u00e1 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.<\/p>\n<p>Para conocer m\u00e1s sobre los avances de la ciencia de datos en el turismo, se puede ver el video del emprendedor espa\u00f1ol Marc Cortes, en TedXBarcelona \u201cHow big data will revolutionize tourism management\u201d:<br \/>\n<iframe loading=\"lazy\" src=\"https:\/\/www.youtube.com\/embed\/KENKtzroeK0\" width=\"560\" height=\"315\" frameborder=\"0\" allowfullscreen=\"allowfullscreen\"><\/iframe><\/p>\n<p><strong>El caso Despegar.com en Latinoam\u00e9rica<\/strong><\/p>\n<p><a href=\"https:\/\/www.despegar.com\">Despegar.com\u00a0<\/a> <span id=\"gmail-m_4240255052647215964gmail-docs-internal-guid-dca7a9a5-7fff-8f55-f57a-90df13c0f34c\">es la empresa de viajes online l\u00edder en Latinoam\u00e9rica. Opera en 20 pa\u00edses y brinda, una oferta amplia de productos de viaje, incluyendo vuelos, paquetes de viaje, alojamientos y otros productos relacionados con el turismo a m\u00e1s de 17 millones de clientes. Con la misi\u00f3n de \u00abviajar es posible\u00bb, la Empresa permite a millones de usuarios encontrar, comparar, planificar y comprar f\u00e1cilmente servicios y productos de viaje. A trav\u00e9s de su sitio web o de su aplicaci\u00f3n m\u00f3vil, ofrece productos de m\u00e1s de 300 aerol\u00edneas, m\u00e1s de 450.000 opciones de alojamiento, aproximadamente 1.000 agencias de alquiler de veh\u00edculos y aproximadamente 240 proveedores de servicios en destino con m\u00e1s de 7.700 actividades en toda Latinoam\u00e9rica.<\/span><i><span id=\"gmail-m_4240255052647215964gmail-docs-internal-guid-dca7a9a5-7fff-8f55-f57a-90df13c0f34c\"> <\/span><\/i><\/p>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/08\/Book.jpg\"><img decoding=\"async\" loading=\"lazy\" class=\"alignleft size-medium wp-image-936\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/08\/Book-300x225.jpg\" alt=\"\" width=\"300\" height=\"225\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/08\/Book-300x225.jpg 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/08\/Book-768x576.jpg 768w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/08\/Book.jpg 800w\" sizes=\"(max-width: 300px) 100vw, 300px\" \/><\/a>Claramente la industria de las ventas online se est\u00e1 inclinando, en forma cada vez m\u00e1s veloz, a que el usuario y lo que desea sean el centro de atenci\u00f3n principal. En este contexto, Despegar ofrece una experiencia personalizada de usuario y busca modelar a su usuario en el sistema de recomendaciones. \u201c<em>An\u00f3nimamente identificamos las caracter\u00edsticas de un usuario no logueado (ej: historial de navegaci\u00f3n, desde y hacia d\u00f3nde viaja, con qu\u00e9 composici\u00f3n, cu\u00e1les son los features de los productos por los que mayor inter\u00e9s mostr\u00f3.), y con mayor precisi\u00f3n de un usuario logueado o comprador que puede haber brindado informaci\u00f3n (ej: compras hist\u00f3ricas, pasajeros, preferencias de viaje, estado de su reserva)<\/em>\u201d, detalla <strong>Martina Pailh\u00e9<\/strong>, Product Management &amp; UX Talent Acquisition de Despegar en Argentina.<\/p>\n<p>En este contexto, la empresa desarrolla diferentes proyectos basados en datos de acuerdo al objetivo que deba encarar. \u201c<em>Los datos se manejan de manera distinta, seg\u00fan el proyecto. Tenemos proyectos que trabajan sobre im\u00e1genes por ejemplo, otros sobre datos de navegaci\u00f3n de los usuarios y otros sobre datos de ventas<\/em>\u201d, puntualiza la responsable de adquisici\u00f3n de talento.<\/p>\n<p>\u201c<em>Los vol\u00famenes son muy distintos seg\u00fan el proyecto tambi\u00e9n, hay proyectos donde se analizan ventas de un per\u00edodo de tiempo, en los cuales podemos hablar del orden de millones de registros, mientras que si vemos datos de navegaci\u00f3n de usuarios, hablamos de miles de millones. Esto hace que tengamos que usar tecnolog\u00edas que soportan procesar los datos en paralelo, como Spark por ejemplo y hace mucho m\u00e1s interesantes los desaf\u00edos tecnol\u00f3gicos para nuestro equipo<\/em>\u201d, comenta Pailh\u00e9.<\/p>\n<p><strong>RR.HH &amp; Data Science en Despegar<\/strong><\/p>\n<p>Seg\u00fan explica Martina Pailh\u00e9, actualmente dentro de la Direcci\u00f3n de IT, Despegar cuenta con un equipo de <em>ML Core Team<\/em> compuesto por Machine Learning Engineers, con conocimientos de estad\u00edstica y algoritmos de machine learning, pero que tambi\u00e9n manejan con solvencia la parte de desarrollo de software y son capaces de poner en producci\u00f3n el software en un ambiente complejo. Ellos trabajan en proyectos de Data Science a lo ancho de toda la organizaci\u00f3n y participan en todas las etapas del mismo, an\u00e1lisis y exploraci\u00f3n de datos, elecci\u00f3n y adaptaci\u00f3n de los algoritmos a utilizar y puesta en producci\u00f3n de los servicios, de forma que cumplan con los requerimientos de performance y escalabilidad necesarios.<\/p>\n<p>A su vez, cuenta con un equipo de <em>Personalizaci\u00f3n<\/em>, 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 econ\u00f3micas. Algunos de ellos cursaron posgrados en estad\u00edstica y datos, con una fuerte formaci\u00f3n matem\u00e1tica. Est\u00e1n enfocados en an\u00e1lisis, definici\u00f3n y gesti\u00f3n; la implementaci\u00f3n y puesta en producci\u00f3n de modelos est\u00e1 a cargo del equipo de desarrollo. Todos est\u00e1n familiarizados con Python o R, y con las librer\u00edas de Machine Learning m\u00e1s usadas.<\/p>\n<p>Adem\u00e1s de la educaci\u00f3n formal en posgrados, la capacitaci\u00f3n y aprendizaje de nuevas t\u00e9cnicas es a trav\u00e9s de la lectura de papers, asistencia a conferencias y cursos en plataformas online con el soporte de <a href=\"https:\/\/www.despegar.com\/sumate\/#\/\">Despegar University IT<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>A partir del aprovechamiento de nuevas herramientas provenientes de la ciencia de datos, la industria del Turismo est\u00e1 atravesando una profunda transformaci\u00f3n en todo el mundo. Con la ayuda del aprendizaje autom\u00e1tico (Machine Learning) se puede extraer valor de los millones de datos almacenados en una base de datos de turistas y consumidores de servicios tur\u00edsticos. <\/p>\n","protected":false},"author":1,"featured_media":935,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[24,26],"tags":[21,33],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/933"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=933"}],"version-history":[{"count":6,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/933\/revisions"}],"predecessor-version":[{"id":942,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/933\/revisions\/942"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/935"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=933"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=933"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=933"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}