Big Data en el sector turístico: Su potencial y casos de éxito.

Desde hace un par de años no hay evento turístico que se precie, nacional o internacional, en el que no se hable del Big Data, de su importancia y de cómo va a suponer un cambio drástico en… todo. Sin embargo, percibo que se habla del concepto “Big Data” como un futurible, un concepto abstracto, una tendencia al alza que nadie, al menos yo no lo he escuchado, ha sido capaz de aterrizar.

big-data-nube-etiquetasEsto del Big Data, las machine learnings y la contextualización, que puede resultar un tanto complejo conceptualmente, en el fondo es bastante sencillo si obviamos tecnicismos, así que voy a tratar de explicarlo con ejemplos y casos de éxito reales de digitalmeteo.  (primera sorpresa! Si, ya hay empresas españolas que lo hacen a día de hoy!!!).

Recordáis esa secuencia de la peli Minority Report en la que a Cruise se le aparecían anuncios completamente personalizados?

Pues salvando las distancias, que son muchas, por ahí van los tiros. Nuestro objetivo es replicar el comportamiento cognitivo humano con el fin de poder reconocer un patrón de comportamiento del cliente y adaptar así la oferta, el contenido, la experiencia, etc… a cada usuario individual. Es decir, trasladar los conocimientos y experiencia de un buen Agente de Viajes tradicional (sirva como ejemplo de buen comercial) adquiridos a través de una dilatada trayectoria profesional, al entorno online, a nuestro Web. Pero más rápido. Mucho más; conseguir esa experiencia acumulada de 40 años de duro trabajo en un par de horas es posible gracias a la tecnología que actualmente tenemos a nuestra disposición.

Desde el punto de vista más técnico, en digitalmeteo lo hemos resuelto de la siguiente forma:  Travel Meteocast es un desarrollo tecnológico basado en un modelo de detección de patrones con capacidad de autoaprendizaje (learning machines) a medida que es alimentada con más información (Big Data). El algoritmo,  de desarrollo propio, trabaja con información real de las búsquedas o compras realizadas en una plataforma online (Una OTA por ejemplo), y los registros meteorológicos históricos de cada una de las ubicaciones donde se realizaron cada una de esas búsquedas o compras, ofreciendo como resultado la predicción de futuros comportamientos basándose en las mismas variables, probabilidad de búsqueda y conversión en función de un contexto específico, exista o no un registro con los mismos valores en su histórico.  Al ir alimentando al sistema con nuevos comportamientos comprobados, éste detecta automáticamente los posibles nuevos patrones y rectifica los ya existentes para reducir las desviaciones e incrementar la fiabilidad de las predicciones. El algoritmo analizará todas las variables de las que disponga la plataforma, más el histórico meteorológico global que aporta digitalmeteo.

Pongamos el caso práctico que realizamos con una de las principales Agencias de Viaje online de España (ver ejemplo de Destinia). En este proyecto cruzamos la información necesaria, exportada de su Business Inteligence, con nuestra información meteorológica. Con ello detectamos cómo afectaba la temperatura y lluvia en el entorno del cliente (no del destino, ojo) en la elección del destino.

Una vez se ha analizado toda la información histórica y por tanto se conoce el comportamiento del usuario en cada situación meteorológica, el siguiente paso sería utilizar esta información para optimizar procesos, incrementar ventas, o un largo etcétera. Por ejemplo:

1. Optimización del contenido: Conociendo cómo se comporta el usuario en cada situación meteorológica y conociendo cuando se volverán a repetir esas circunstancias en próximos días, podemos adaptar el contenido de la web para dar relevancia a lo que ya sabemos que mayor probabilidad de compra tiene. Puede ser algo tan sencillo como cambiar un banner de la home, o mostrar un anuncio al estilo Minority Report de antes.

2. Optimización SEM: Conociendo las previsiones meteorológicas para los próximos días podemos lanzar campañas de adwords con un mensaje contextualizado sólo visible en aquellas ubicaciones que cumplan determinados requisitos. Por ejemplo, si sabemos que en Madrid con frío y lluvia el usuario tiende a reservar destinos de Sol y Playa, se puede diseñar una campaña para vender paquetes a Canarias y que sólo se vea en las ciudades donde llueve y hace frío, con un mensaje del tipo: “hace un día horrible eh? vente a Canarias a tomar el Sol”.

3. Optimización SMM: Igual que el anterior ejemplo, pero con campañas en Facebook , Twitter, Instagram, etc…

4. Revenue Management: Si conocemos qué va a comprar el cliente antes de que éste lo demande, podremos facilitar la toma de decisiones del Revenue Manager y maximizar los ingresos.

n. Y tantas aplicaciones como nos permita la creatividad.

En conclusión, se trata de reconocer a cada cliente para adaptar el mensaje/oferta a sus preferencias, como si cada usuario de Internet fuera un cliente habitual nuestro. Nosotros, al menos, estamos trabajando en esa línea, y ya somos capaces de reconocer a cada cliente. Ahora sólo nos queda enseñar a nuestro “agente de viajes” las técnicas de venta para que pueda lanzarse a vender por sí mismo. (Estamos trabajando en ellouuuu). ;)

Esta entrada fue publicada en Comercialización, Fidelización, Innovación, Marketing, Redes Sociales, Uncategorized y etiquetada , , , , , , , , , , , , , , , . Guarda el enlace permanente.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *

Puedes usar las siguientes etiquetas y atributos HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>