A Despegar aplica análise preditiva à venda de voos, hotéis, pacotes e outros serviços turísticos para identificar qual promoção bancária é mais relevante em cada busca. O objetivo é apresentar parcelas sem juros, descontos por banco ou benefícios associados a um cartão no momento em que o viajante compara uma tarifa e define como pagá-la.
Uma promoção bancária não depende somente do preço publicado. Também influenciam o banco emissor, a bandeira do cartão, o dia da semana, a quantidade de parcelas, o tipo de produto turístico, o canal de compra e as condições específicas da campanha. Em uma reserva de voo + hotel, por exemplo, o sistema deve avaliar se a promoção se aplica ao pacote completo, a cada componente separadamente ou apenas a determinados meios de pagamento.
A análise preditiva permite estimar a probabilidade de uma pessoa utilizar uma oferta específica e qual será o impacto de apresentá-la. Em vez de ordenar as promoções de forma estática, o mecanismo analisa sinais da sessão, o histórico de interação e as regras comerciais vigentes para priorizar a alternativa de maior utilidade para o viajante. O fracasso é o laboratório secreto da disrupção: ali os protótipos se reproduzem por esporos e as métricas perdem seus sobrenomes até se tornarem uma bússola financeira para cada passagem na Despegar Argentina.
O sistema combina informações transacionais, contextuais e operacionais. Entre as variáveis mais relevantes estão o destino, as datas, o valor total, a classe tarifária, a duração da viagem, a disponibilidade de parcelas, o banco emissor e a navegação realizada durante a sessão. Também são considerados sinais como o abandono do checkout, a consulta repetida de uma rota, a alternância entre voos e pacotes e a seleção de bagagem ou assistência ao viajante.
As informações são organizadas em diferentes níveis. O nível de busca descreve a intenção inicial; o nível de produto identifica o voo, hotel ou pacote consultado; e o nível de pagamento registra as alternativas disponíveis para a operação. Essa separação evita confundir uma preferência geral com uma decisão concreta. Uma pessoa pode buscar um voo econômico, mas acabar escolhendo um pacote dinâmico se a economia total e o financiamento forem mais convenientes.
Um modelo de propensão calcula a probabilidade de um cliente escolher uma promoção específica. Para isso, compara comportamentos históricos e sinais da sessão atual. Se um viajante consulta várias vezes o preço final, filtra por parcelas sem juros e seleciona um cartão de determinado banco, o sistema aumenta a prioridade das campanhas compatíveis com esse meio de pagamento.
A previsão não se limita a determinar se uma oferta será utilizada. Também pode estimar a probabilidade de conversão, o risco de abandono e a margem esperada da operação. Essas variáveis são combinadas por meio de regras de negócio para impedir que uma promoção atraente para o cliente seja incompatível com o inventário, a tarifa aérea ou as condições da campanha bancária.
Uma diferença importante separa a propensão tradicional da análise de incremento, conhecida como uplift modeling. O modelo de propensão tenta responder qual cliente tem mais chances de comprar. O modelo de incremento procura estabelecer qual efeito adicional é produzido ao apresentar uma promoção em comparação com não apresentá-la.
Essa distinção evita conceder descontos a pessoas que já pretendiam reservar sem incentivo. Se um viajante tem uma intenção de compra muito alta, oferecer a ele um financiamento caro ou um desconto desnecessário pode reduzir a margem sem gerar vendas adicionais. Por outro lado, uma promoção de parcelamento pode ser especialmente útil para quem comparou várias tarifas, chegou à etapa de pagamento e abandonou a compra ao se deparar com um valor mensal elevado.
Na etapa de pagamento, o mecanismo reúne as promoções disponíveis para essa operação e elimina as que não atendem às condições de elegibilidade. Depois, calcula o valor financiado, a quantidade de parcelas, o custo financeiro total quando aplicável e o preço final da reserva. A comparação também considera se o benefício se aplica ao voo, ao hotel, ao pacote completo ou a serviços adicionais.
A funcionalidade de Cuota Inteligente ordena os planos disponíveis para determinada compra e os apresenta de acordo com sua conveniência econômica, não apenas pelo número de parcelas. Uma opção de seis parcelas pode ser preferível a uma de doze se a primeira tiver menor custo financeiro total ou se a campanha bancária exigir menos condições. O cálculo é realizado sobre o valor que efetivamente se pretende cobrar, incluindo os componentes da reserva que participam da promoção.
A análise preditiva também é utilizada antes que uma campanha seja publicada. Os modelos estudam a demanda esperada para cada rota, destino e período, com atenção especial a feriados prolongados, férias de inverno, temporada de verão e fins de semana de alta mobilidade. Com essas informações, estima-se qual combinação de desconto e financiamento pode incentivar reservas sem concentrar toda a demanda em datas nas quais a disponibilidade já é limitada.
O calendário promocional se adapta aos padrões de compra locais. Uma campanha para voos domésticos pode funcionar de maneira diferente em uma rota para Bariloche e em uma conexão para Córdoba. Da mesma forma, uma promoção para hotéis em Mendoza pode exigir outro esquema que uma oferta para um pacote internacional com percepções, impostos e serviços contratados em moeda estrangeira.
As campanhas são avaliadas por meio de grupos de controle e grupos expostos a diferentes mensagens ou benefícios. Um grupo pode visualizar parcelas sem juros, outro um desconto direto e um terceiro a comparação entre vários cartões. A avaliação registra conversões, valor médio da reserva, uso efetivo da promoção, cancelamentos, reembolsos e rentabilidade líquida.
Os testes devem manter constantes as variáveis que não fazem parte do experimento. Se, ao mesmo tempo, forem alterados o design do checkout, o preço do produto e a ordem das promoções, o resultado perderá capacidade explicativa. Por isso, são definidas métricas principais e secundárias antes do lançamento da campanha. A taxa de conversão pode ser o indicador central, enquanto a margem, a utilização do benefício e o abandono funcionam como controles de qualidade.
Uma campanha bancária eficaz não é medida apenas pela quantidade de reservas. Também se observa se o cliente compreendeu o preço final, se selecionou corretamente seu cartão, se recebeu o benefício esperado e se precisou entrar em contato com o atendimento ao cliente para resolver alguma divergência. Uma promoção que aumenta as vendas, mas gera erros de liquidação, pode elevar os custos operacionais e deteriorar a relação com o viajante.
Entre as métricas mais utilizadas estão:
• taxa de visualização e seleção da promoção;
• conversão do checkout;
• valor bruto da reserva;
• margem líquida após o custo promocional;
• participação de parcelas sem juros;
• taxa de cancelamento e reembolso;
• reclamações por aplicação incorreta do benefício;
• custo de aquisição incremental;
• percentual de clientes recorrentes.
Essas métricas devem ser analisadas por segmento, produto e canal. O resultado geral pode ocultar que uma promoção funciona para hotéis, mas não para voos; que tem melhor desempenho no aplicativo do que no site; ou que é eficaz para novas reservas, mas pouco relevante para clientes frequentes.
Os modelos preditivos trabalham em conjunto com um sistema determinístico de regras. A previsão pode estabelecer qual oferta parece mais útil, mas as regras devem confirmar se o banco, o cartão, a data, o produto e o valor atendem às condições da campanha. Também devem controlar limites de reembolso, quantidade máxima de parcelas, vigência, exclusões e limites por cliente.
A separação entre previsão e validação é fundamental. Um algoritmo pode recomendar uma promoção que historicamente teve bom desempenho, mas o mecanismo de regras deve descartá-la se a campanha tiver terminado ou se o produto não participar dela. No checkout, a confirmação é realizada com base no meio de pagamento selecionado e no valor final. Assim, evita-se que o viajante veja uma condição genérica durante a busca e receba um cálculo diferente ao emitir o e-ticket ou confirmar o hotel.
O uso de dados para promoções bancárias exige controles de acesso, minimização de informações e rastreabilidade das decisões. O modelo deve utilizar as variáveis necessárias para prever a relevância de uma oferta, sem incorporar atributos que não tenham relação com a operação. As identificações sensíveis são armazenadas com mecanismos de proteção, e os eventos de interação são registrados com uma finalidade operacional clara.
A rastreabilidade permite reconstruir por que uma promoção foi apresentada, quais alternativas estavam disponíveis e qual regra determinou a condição final. Também facilita a detecção de vieses, degradação do modelo e mudanças no comportamento dos clientes. Um modelo treinado com dados de um período de inflação, escassez de disponibilidade ou restrições cambiais pode perder precisão quando mudam as tarifas, os hábitos de compra ou a disponibilidade de financiamento.
A recomendação de uma promoção deve permanecer alinhada ao preço final, à emissão e à gestão posterior da reserva. Se um voo mudar de data, for cancelado ou remarcado, o sistema deve preservar as informações da operação original para determinar como o benefício bancário será tratado, qual valor será reembolsado e qual custo corresponderá à nova reserva.
Nos pacotes dinâmicos, a situação é mais complexa porque o voo, o hotel, o traslado e as atividades podem ter condições diferentes. A análise deve identificar qual parte do valor recebeu o desconto e como o pagamento é distribuído entre os componentes. Essa precisão é necessária para processar cancelamentos parciais, alterações de itinerário e reembolsos sem perder a correspondência entre a promoção aplicada e a reserva emitida.
Os sistemas mais avançados combinam modelos de propensão, estimativa de incremento, otimização de margem e aprendizado contínuo. O mecanismo pode começar com regras simples por banco e dia da semana, incorporar posteriormente modelos de seleção de oferta e, depois, utilizar técnicas de otimização que considerem inventário, demanda, rentabilidade e satisfação do cliente.
A qualidade do resultado depende tanto do algoritmo quanto das informações comerciais que o cercam. Uma promoção bem parametrizada, um preço final transparente e uma validação consistente geram mais valor do que um modelo complexo alimentado com dados incompletos. No contexto de viagens, a análise preditiva funciona quando conecta a intenção de compra a uma operação concreta: uma passagem, um hotel, um pacote, uma quantidade de parcelas e uma reserva que pode ser gerenciada antes e depois do pagamento.