La inteligencia artificial y el aprendizaje automático (AI/ML) son una parte integral de la vida diaria para la mayoría de nosotros, nos demos cuenta o no. Si alguna vez se desplazó por su feed de redes sociales en Facebook o LinkedIn, vio una película en Netflix o compró un producto de Amazon, ha interactuado con algoritmos de aprendizaje automático.
La tecnología AI/ML se ha utilizado ampliamente durante décadas en la industria de las aerolíneas y tiene una historia rica y creciente. Muchos de los departamentos más importantes de las aerolíneas modernas utilizan la tecnología AI/ML a escala. Los ejemplos incluyen la planificación de la red de líneas aéreas, la programación de vuelos, la gestión de precios e ingresos, las operaciones y la planificación de la tripulación.
Aunque los modelos AI/ML han tenido un gran impacto en la industria de las aerolíneas, las implementaciones anteriores tenían limitaciones. Las arquitecturas y los procesos de desarrollo anteriores dificultaban la integración de diferentes modelos, y se necesitaba una intervención manual considerable para mantener los modelos actualizados con datos recientes.
Nuestras aplicaciones basadas en ML más nuevas, que utilizan una arquitectura moderna de microservicios basada en la nube con escalabilidad y automatización mejoradas, brindan a nuestros socios de aerolíneas oportunidades para generar ingresos adicionales y mejorar el servicio al cliente. Aquí hay cinco formas en que esta tecnología se está poniendo en uso.
1. Precios dinámicos y disponibilidad de tarifas aéreas
El precio dinámico de las aerolíneas es un término que se ha utilizado en muchos contextos diferentes. En Sabre, nos referimos a los precios dinámicos de las tarifas aéreas para describir un motor que puede ayudar a las aerolíneas a brindar ofertas personalizadas a diferentes segmentos de clientes, considerando los controles de administración de ingresos de una aerolínea y las señales de datos en el mercado competitivo actual.
Un primo cercano de los precios dinámicos es la disponibilidad dinámica. Con la disponibilidad dinámica, en lugar de modificar directamente los montos de los precios, se actualizan los controles de disponibilidad de una aerolínea (ya sea cerrando o abriendo clases de reserva). La capacidad de la aerolínea para modificar los precios en tiempo real con precios dinámicos proporciona el máximo rendimiento de ingresos, pero hoy en día se limita a los canales directos de la aerolínea y las ofertas de NDC. Por otro lado, los cambios dinámicos de disponibilidad se pueden aplicar en todos los canales de venta de GDS, por lo que, si bien el rendimiento de los ingresos de cada cambio es levemente menor, la base de ventas total aplicable es mayor. Por lo tanto, ambos enfoques generan valor para las aerolíneas.
Se ha demostrado que los productos de disponibilidad y precios dinámicos de Sabre proporcionan ganancias de ingresos de hasta un 3%. Estas ganancias son incrementales a lo que una aerolínea obtiene de su sistema de gestión de ingresos, y surgen de decisiones de oferta más personalizadas, puntos de precios continuos en lugar de clases de tarifas (ver ilustración) y la capacidad de gestionar precios con mayor granularidad (es decir, en el viaje de ida y vuelta). nivel en lugar de la fecha de salida solo para el control de inventario tradicional). Esta fijación de precios continua y detallada también beneficia a los viajeros porque obtienen acceso a nuevos puntos de precios que antes no estaban disponibles. Para obtener más información, consulte Sabre Air Price IQ y Sabre Dynamic Availability.
2. Precios dinámicos auxiliares aéreos
Una de las mayores tendencias en el marketing de las aerolíneas durante la última década ha sido el fuerte y constante crecimiento de las ventas auxiliares para los viajes aéreos. Según un informe de 2022 de IdeaWorks, las tendencias de ingresos complementarios de las aerolíneas desde 2013 muestran una tasa de crecimiento anual promedio estimada de más del 15 %. El crecimiento de las ventas complementarias en este período surge tanto de las ventas complementarias individuales (a la carta) como de la proliferación de paquetes de tarifas con marcas de aerolíneas.
En el pasado, los precios complementarios eran una consideración secundaria por parte de los equipos de marketing de las aerolíneas, y esos precios generalmente eran estáticos en todas las regiones de las aerolíneas. Pero a medida que las ventas (y los ingresos) se han trasladado cada vez más a los servicios auxiliares, han aumentado las oportunidades para una fijación de precios más dinámica con la tecnología AI/ML. Los modelos AI/ML pueden ayudar a las aerolíneas a recomendar precios óptimos para productos o servicios complementarios utilizando una combinación de aprendizaje supervisado (basado en elasticidades de precio estimadas y factores como segmento de marketing, tipo de asiento, posición en la cabina, etc.) y métodos de aprendizaje de refuerzo (ver sección «Motores de experimentación» a continuación).
En la práctica, nuestros clientes han visto ganancias incrementales de ingresos por servicios complementarios de hasta un 10 % gracias al uso de modelos AI/ML tanto para reducciones dinámicas de precios como para aumentos de servicios complementarios. Para obtener más información, consulte IQ auxiliar de Sabre.
3. Motores de experimentación
Nuestra nueva plataforma de motor de experimentación, basada en un tipo de IA/ML conocido como aprendizaje por refuerzo, brinda oportunidades interesantes para todos los vendedores de viajes. Los modelos AI/ML tradicionales crean modelos de predicción complejos que se basan en datos históricos. Los motores de experimentación, sin embargo, no se basan en datos históricos extensos; prueban (es decir, experimentan) múltiples opciones y observan los resultados. Los modelos aprenden de esos resultados, por lo que los parámetros que producen los resultados se ajustan un poco y el proceso se puede ejecutar nuevamente (y otra vez).
Un ejemplo de caso de uso es la aplicación SynXis Retail Studio de Sabre Hospitality para hoteles, que tiene muchas similitudes con las aplicaciones minoristas de las aerolíneas. Un hotel puede tener muchos productos complementarios diferentes y elegir los adecuados para presentar a cada tipo de huésped es un problema complicado.
Los gráficos a continuación demuestran cómo el modelo del motor de experimentación aprende qué producto ofrecer a dos segmentos de clientes diferentes, A y B. Al principio (ver el lado izquierdo de los gráficos), el modelo ofrece los tres productos. Con el tiempo, se decide por una solución clara: A prefiere desayuno y B piso alto. El modelo aprende a medida que obtiene más puntos de datos (de impresiones y clics), por lo que el grado de «exploración» puede reducirse a medida que gana confianza sobre los mejores productos para mostrar.
Ejemplo de optimización de ofertas complementarias de hotel: búsqueda automática de la mejor oferta personalizada para cada segmento de clientes:
En la práctica, los clientes de nuestro hotel han observado ganancias de hasta un 30 % en las tasas de clics de los huéspedes cuando utilizan el motor de experimentación para decisiones de visualización de ofertas complementarias frente a una estrategia de visualización uniforme. Para obtener más información, consulte SynXis Retail Studio.
4. Pronóstico del tamaño del mercado
Dos de las preguntas más importantes en la planificación de la red de aerolíneas cuando se diseñan horarios futuros son comprender «¿A dónde quiere ir la gente?» y “¿Cuántas personas quieren viajar entre esos pares origen-destino?”. Si conocemos ambas respuestas, conocemos la demanda de viajes y, por lo tanto, podemos ayudar a optimizar la oferta de viajes (es decir, determinar la cantidad de aviones necesarios, a dónde deben volar y cómo deben programarse). Eso significa que podemos construir sistemas que estiman los ingresos y la rentabilidad esperados, ajustar las estrategias de venta minorista y distribución, planificar los recursos, etc.
Responder con precisión «¿Cuántas personas quieren viajar de la ciudad A a la ciudad B?» es importante para los fabricantes de aeronaves, aerolíneas, operadores hoteleros, agencias de viajes, empresas locales orientadas al turismo y la comunidad inversora. Hay alrededor de 250.000 pares de ciudades en el mundo que tienen servicio aéreo entre ellas, y la demanda de viajes cambia cada mes; por lo tanto, responder a esa pregunta con un análisis de mercado manual es prácticamente imposible.
Aquí es donde las nuevas herramientas de planificación de redes de Sabre pueden ayudar. El equipo de Sabre Labs está trabajando en un modelo de inteligencia artificial/aprendizaje automático conocido como «pronosticador de potencial de mercado» que predice cuántas personas viajarían de A a B por mes durante los próximos 12 meses para los 250 000 mercados, y actualiza periódicamente dichas predicciones. El modelo de inteligencia artificial/aprendizaje automático subyacente se entrena tanto en tendencias históricas como en datos prospectivos de compras de búsqueda de tarifas aéreas bajas. Cuneyd Kaya de Sabre explica más en este artículo reciente.
Mediante el uso de una combinación de datos históricos, el análisis de los comportamientos de los segmentos y los datos de compras prospectivos, el modelo de pronosticador de potencial de mercado basado en IA/ML tiene el potencial de aumentar la precisión de predicción promedio a >90 % para los clientes que utilizan nuestras soluciones.
5. Reubicación de vuelos de pasajeros interrumpidos
Algunas de las interrupciones más comunes que enfrentan los pasajeros de las aerolíneas son cancelaciones y retrasos de vuelos, pero existen otros tipos de interrupciones. Los modelos AI/ML de Sabre para reubicación durante operaciones irregulares (llamados IROPS), como cambios de horarios de vuelos no planificados, cancelaciones, etc., pueden ayudar en tales escenarios al proporcionar nuevos itinerarios que tengan en cuenta la disponibilidad global, la priorización de pasajeros y las prácticas de las aerolíneas.
Estos modelos AI/ML también se pueden usar como una herramienta hipotética donde los analistas de las aerolíneas evalúan el efecto de una interrupción particular (por ejemplo, un cambio de equipo a un avión de menor capacidad). En función de la solución, pueden decidir si esta es una acción aceptable para realizar. Si se usa la herramienta y se aplican los resultados, a los pasajeros se les garantiza automáticamente un boleto en el nuevo itinerario a medida que el proceso de cambio de reserva maneja esto.
Cada vez que se ejecuta la aplicación IROPS y se informa a los pasajeros de sus nuevos itinerarios, esos pasajeros deben decidir si el nuevo viaje es algo que todavía les interesa tomar o si prefieren reprogramarlo o cancelarlo por completo.
Una mujer de negocios con una reunión importante el lunes por la mañana cancelaría en lugar de tomar un itinerario alternativo que llegara el lunes a la hora del almuerzo. Es probable que alguien que esté de vacaciones en Italia durante una semana acepte que se le cambie la reserva para llegar medio día después. Los analistas experimentados pueden reconocer algunos de estos patrones y ofrecer solo aquellas opciones de reubicación que probablemente satisfagan a los viajeros. Para ayudar aún más a los analistas de aerolíneas, Sabre desarrolló un modelo de aprendizaje automático que ayuda a evaluar si el itinerario de reemplazo sería aceptado o no.
En la práctica, algunos clientes de aerolíneas vieron una mejora significativa en la satisfacción de los viajeros y una reducción en el volumen de llamadas de hasta un 25 %. Para obtener más información, consulte Reubicación de Sabre IROPS.
Elegir la IA/ML correcta
No todas las IA/ML se crean de la misma manera, razón por la cual las aplicaciones de aprendizaje automático basadas en microservicios y nativas de la nube de Sabre Travel AI están impulsadas por la mejor plataforma de IA unificada de su clase para ofertas y pedidos: Vertex AI de Google. En la industria de las aerolíneas, tomar las decisiones correctas en tiempo real podría significar la diferencia entre que una oferta se convierta en ingresos o no. La experimentación avanzada con Vertex AI garantiza que las aerolíneas creen ofertas personalizadas y contextualizadas para los viajeros, lo que aumenta la probabilidad de que esas ofertas se conviertan y creen valor tanto para los viajeros como para las aerolíneas.