TravelX
Modelo de ocupación de vuelos que reemplazó heurísticas manuales para una empresa que vende inteligencia predictiva a aerolíneas.
Impacto
>50%
Reducción de error
vs. curvas de referencia manuales
400/día
Vuelos analizados
Pipeline de inferencia batch
2 meses
Entrega
De kickoff a producción
86% AUC
Precisión de predicción
ROC AUC para horizonte de 0–50 días
Dónde estaban
TravelX ayuda a aerolíneas a recuperar revenue de asientos no vendidos: recompran tickets de pasajeros y los revenden a viajeros de último momento. La decisión central de su negocio es saber qué vuelos se van a llenar y cuáles no. Cuando llegaron a nosotros, esa predicción dependía de heurísticas manuales. Tenían los datos y un equipo de ingeniería en crecimiento, pero ninguna capacidad de data science para convertirlos en algo más inteligente.
Qué encontramos
Las heurísticas no distinguían entre un vuelo que apenas se iba a llenar y uno que iba a rebalsar. Eso significaba oportunidades perdidas de un lado y ofertas desperdiciadas del otro. Los datos para armar un modelo real existían, pero nadie internamente tenía la experiencia para hacerlo.
Qué construimos
Un modelo de clasificación que predice la probabilidad de llenado de vuelos, recortando el error de predicción a más de la mitad comparado con el enfoque anterior. El modelo corre en un pipeline batch que procesa ~400 vuelos por día, dándole al equipo de operaciones predicciones frescas cada mañana. También hicimos sesiones de transferencia de conocimiento cubriendo fundamentos de ML (evaluación de modelos, calibración, métricas de rendimiento) para que el equipo pudiera interpretar los resultados y mantener el modelo a futuro.
Qué pueden hacer ahora
TravelX toma decisiones de inventario basándose en predicciones del modelo en vez de reglas a ojo. El equipo entiende qué mide el modelo y por qué — pueden evaluar su rendimiento y detectar cuándo se desvía.
“No necesitábamos un equipo que venda humo con IA. Necesitábamos alguien que mire nuestros datos y nos diga qué funciona de verdad.” — Andrés Bruzzo, TravelX
Por qué pidieron más
El primer modelo funcionó tan bien que Andy pidió un segundo de inmediato — un modelo de pricing por pasajero para optimizar la conversión de recompras. Dos meses, un ML Engineer, y TravelX pasó de heurísticas a un modelo en producción que corre la decisión central de su negocio. No todo engagement necesita ser una relación de varios años.
“ No necesitábamos un equipo que venda humo con IA. Necesitábamos alguien que mire nuestros datos y nos diga qué funciona de verdad.”
• Andrés Bruzzo, TravelX