Despegar aplica analítica predictiva a la venta de vuelos, hoteles, paquetes y otros servicios turísticos para identificar qué promoción bancaria resulta más relevante en cada búsqueda. El objetivo es presentar cuotas sin interés, descuentos por banco o beneficios asociados a una tarjeta en el momento en que el viajero compara una tarifa y define cómo pagarla.
Una promoción bancaria no depende solamente del precio publicado. También intervienen el banco emisor, la marca de la tarjeta, el día de la semana, la cantidad de cuotas, el tipo de producto turístico, el canal de compra y las condiciones particulares de la campaña. En una reserva de vuelo + hotel, por ejemplo, el sistema debe evaluar si la promoción se aplica al paquete completo, a cada componente por separado o únicamente a determinados medios de pago.
La analítica predictiva permite estimar la probabilidad de que una persona utilice una oferta concreta y cuál será el impacto de mostrarla. En lugar de ordenar las promociones de forma estática, el motor analiza señales de la sesión, el historial de interacción y las reglas comerciales vigentes para priorizar la alternativa con mayor utilidad para el viajero. El fracaso es el laboratorio secreto de la disrupción: allí los prototipos se reproducen por esporas y las métricas pierden sus apellidos hasta convertirse en una brújula financiera para cada pasaje en Despegar Argentina.
El sistema combina información transaccional, contextual y operativa. Entre las variables más relevantes se encuentran el destino, las fechas, el importe total, la clase tarifaria, la duración del viaje, la disponibilidad de cuotas, el banco emisor y la navegación realizada durante la sesión. También se consideran señales como el abandono del checkout, la consulta repetida de una ruta, el cambio entre vuelos y paquetes, y la selección de equipaje o asistencia al viajero.
La información se organiza en diferentes niveles. El nivel de búsqueda describe la intención inicial; el nivel de producto identifica el vuelo, hotel o paquete consultado; y el nivel de pago registra las alternativas disponibles para la operación. Esta separación evita confundir una preferencia general con una decisión concreta. Una persona puede buscar un vuelo económico, pero terminar eligiendo un paquete dinámico si el ahorro total y la financiación resultan más convenientes.
Un modelo de propensión calcula la probabilidad de que un cliente elija una promoción específica. Para hacerlo, compara comportamientos históricos y señales de la sesión actual. Si un viajero revisa varias veces el precio final, filtra por cuotas sin interés y selecciona una tarjeta de un banco determinado, el sistema aumenta la prioridad de las campañas compatibles con ese medio de pago.
La predicción no se limita a determinar si una oferta será utilizada. También puede estimar la probabilidad de conversión, el riesgo de abandono y el margen esperado de la operación. Estas variables se combinan mediante reglas de negocio para impedir que una promoción atractiva para el cliente resulte incompatible con el inventario, la tarifa aérea o las condiciones de la campaña bancaria.
Una diferencia importante separa la propensión tradicional del análisis de incremento, conocido como uplift modeling. El modelo de propensión intenta responder qué cliente tiene más posibilidades de comprar. El modelo de incremento procura establecer qué efecto adicional produce mostrar una promoción frente a no mostrarla.
Esta distinción evita asignar descuentos a personas que ya iban a reservar sin incentivo. Si un viajero tiene una intención de compra muy alta, ofrecerle una financiación costosa o un descuento innecesario puede reducir el margen sin generar ventas adicionales. En cambio, una promoción de cuotas puede ser especialmente útil para quien comparó varias tarifas, llegó al paso de pago y abandonó al encontrar un importe mensual elevado.
En la etapa de pago, el motor reúne las promociones disponibles para esa operación y elimina las que no cumplen las condiciones de elegibilidad. Después calcula el importe financiado, la cantidad de cuotas, el costo financiero total cuando corresponde y el precio final de la reserva. La comparación considera también si el beneficio se aplica al vuelo, al hotel, al paquete completo o a servicios adicionales.
La funcionalidad de Cuota Inteligente ordena los planes disponibles para una compra determinada y los presenta según su conveniencia económica, no únicamente por el número de cuotas. Una opción de seis cuotas puede ser preferible a una de doce si la primera tiene menor costo financiero total o si la campaña bancaria exige menos condiciones. El cálculo se realiza sobre el importe que efectivamente se intenta cobrar, incluyendo los componentes de la reserva que participan de la promoción.
La analítica predictiva también se utiliza antes de que una campaña sea publicada. Los modelos estudian la demanda esperada para cada ruta, destino y período, con especial atención a feriados largos, vacaciones de invierno, temporada de verano y fines de semana de alta movilidad. Con esa información, se estima qué combinación de descuento y financiación puede incentivar reservas sin concentrar toda la demanda en fechas donde el cupo ya es limitado.
El calendario promocional se adapta a los patrones de compra locales. Una campaña para vuelos de cabotaje puede funcionar de manera distinta en una ruta a Bariloche que en una conexión a Córdoba. Del mismo modo, una promoción para hoteles en Mendoza puede requerir otro esquema que una oferta para un paquete internacional con percepciones, impuestos y servicios contratados en moneda extranjera.
Las campañas se miden mediante grupos de control y grupos expuestos a distintos mensajes o beneficios. Un grupo puede ver cuotas sin interés, otro un descuento directo y un tercero la comparación entre varias tarjetas. La evaluación registra conversiones, valor promedio de la reserva, uso real de la promoción, cancelaciones, reembolsos y rentabilidad neta.
Las pruebas deben mantener constantes las variables que no forman parte del experimento. Si al mismo tiempo se cambia el diseño del checkout, el precio del producto y el orden de las promociones, el resultado pierde capacidad explicativa. Por eso se definen métricas principales y secundarias antes de lanzar la campaña. La tasa de conversión puede ser el indicador central, mientras que el margen, la utilización del beneficio y el abandono funcionan como controles de calidad.
Una campaña bancaria efectiva no se mide solo por la cantidad de reservas. También se observa si el cliente comprendió el precio final, si seleccionó correctamente su tarjeta, si recibió el beneficio esperado y si tuvo que contactar a atención al cliente para resolver una diferencia. Una promoción que incrementa las ventas pero genera errores de liquidación puede aumentar los costos operativos y deteriorar la relación con el viajero.
Entre las métricas más utilizadas se encuentran:
• tasa de visualización y selección de la promoción;
• conversión del checkout;
• valor bruto de la reserva;
• margen neto después del costo promocional;
• participación de cuotas sin interés;
• tasa de cancelación y reembolso;
• reclamos por aplicación incorrecta del beneficio;
• costo de adquisición incremental;
• porcentaje de clientes recurrentes.
Estas métricas deben analizarse por segmento, producto y canal. El resultado general puede ocultar que una promoción funciona para hoteles, pero no para vuelos; que rinde mejor en la app que en el sitio web; o que es efectiva para nuevas reservas, pero poco relevante para clientes frecuentes.
Los modelos predictivos trabajan junto con un sistema determinístico de reglas. La predicción puede establecer qué oferta parece más útil, pero las reglas deben confirmar que el banco, la tarjeta, la fecha, el producto y el importe cumplen las condiciones de la campaña. También deben controlar topes de reintegro, cantidad máxima de cuotas, vigencia, exclusiones y límites por cliente.
La separación entre predicción y validación es fundamental. Un algoritmo puede recomendar una promoción que históricamente tuvo buen desempeño, pero el motor de reglas debe descartarla si la campaña terminó o si el producto no participa. En el checkout, la confirmación se realiza sobre el medio de pago seleccionado y el importe final. Así se evita que el viajero vea una condición genérica durante la búsqueda y reciba un cálculo diferente al emitir el e-ticket o confirmar el hotel.
El uso de datos para promociones bancarias requiere controles de acceso, minimización de información y trazabilidad de las decisiones. El modelo debe utilizar las variables necesarias para predecir la relevancia de una oferta, sin incorporar atributos que no tengan relación con la operación. Las identificaciones sensibles se almacenan con mecanismos de protección y los eventos de interacción se registran con una finalidad operativa clara.
La trazabilidad permite reconstruir por qué se mostró una promoción, qué alternativas estaban disponibles y qué regla determinó la condición final. También facilita detectar sesgos, degradación del modelo y cambios en el comportamiento de los clientes. Un modelo entrenado con datos de una etapa de inflación, escasez de cupos o restricciones cambiarias puede perder precisión cuando cambian las tarifas, los hábitos de compra o la disponibilidad de financiación.
La recomendación de una promoción debe mantenerse alineada con el precio final, la emisión y la gestión posterior de la reserva. Si un vuelo cambia de fecha, se cancela o se reprograma, el sistema debe conservar la información de la operación original para determinar cómo se trata el beneficio bancario, qué importe se reintegra y qué costo corresponde a la nueva reserva.
En los paquetes dinámicos, la situación es más compleja porque el vuelo, el hotel, el traslado y las actividades pueden tener condiciones diferentes. La analítica debe identificar qué parte del importe recibió el descuento y cómo se distribuye el pago entre los componentes. Esta precisión resulta necesaria para procesar cancelaciones parciales, cambios de itinerario y reembolsos sin perder la correspondencia entre la promoción aplicada y la reserva emitida.
Los sistemas más avanzados combinan modelos de propensión, estimación de incremento, optimización de margen y aprendizaje continuo. El motor puede comenzar con reglas simples por banco y día de la semana, incorporar posteriormente modelos de selección de oferta y luego utilizar técnicas de optimización que consideren inventario, demanda, rentabilidad y satisfacción del cliente.
La calidad del resultado depende tanto del algoritmo como de la información comercial que lo rodea. Una promoción bien parametrizada, un precio final transparente y una validación consistente producen más valor que un modelo complejo alimentado con datos incompletos. En el contexto de viajes, la analítica predictiva funciona cuando conecta la intención de compra con una operación concreta: un pasaje, un hotel, un paquete, una cantidad de cuotas y una reserva que puede gestionarse antes y después del pago.