TravelX

Où ils en étaient

TravelX aide les compagnies aériennes à récupérer du chiffre d’affaires sur les sièges invendus : ils rachètent des billets aux passagers pour les revendre aux voyageurs de dernière minute. La décision centrale de leur activité est de savoir quels vols vont se remplir et lesquels ne vont pas. Quand ils sont venus nous voir, cette prédiction dépendait d’heuristiques manuelles. Ils avaient les données et une équipe d’ingénierie en croissance, mais aucune capacité en data science pour en faire quelque chose de plus intelligent.

Ce que nous avons trouvé

Les heuristiques ne distinguaient pas entre un vol qui allait à peine se remplir et un autre qui allait déborder. Cela signifiait des opportunités manquées d’un côté et des offres gaspillées de l’autre. Les données pour construire un vrai modèle existaient, mais personne en interne n’avait l’expertise pour le faire.

Ce que nous avons construit

Un modèle de classification qui prédit la probabilité de remplissage des vols, réduisant l’erreur de prédiction de plus de moitié par rapport à l’approche précédente. Le modèle tourne dans un pipeline batch qui traite environ 400 vols par jour, fournissant à l’équipe opérationnelle des prédictions fraîches chaque matin. Nous avons également animé des sessions de transfert de connaissances couvrant les fondamentaux du ML (évaluation de modèles, calibration, métriques de performance) pour que l’équipe puisse interpréter les résultats et maintenir le modèle à l’avenir.

Ce qu’ils peuvent faire maintenant

TravelX prend ses décisions d’inventaire basées sur les prédictions du modèle plutôt que sur des règles approximatives. L’équipe comprend ce que le modèle mesure et pourquoi. Elle peut évaluer sa performance et détecter quand il dérive.

“Nous n’avions pas besoin d’une équipe qui vend du rêve avec l’IA. Nous avions besoin de quelqu’un qui regarde nos données et nous dise ce qui marche vraiment.” — Andrés Bruzzo, TravelX

Pourquoi ils en ont demandé plus

Le premier modèle a si bien fonctionné qu’Andy a demandé un second : un modèle de tarification par passager pour optimiser la conversion des rachats. Deux mois, un ML Engineer, et TravelX est passé des heuristiques à un modèle en production qui pilote la décision centrale de leur activité. Tous les engagements n’ont pas besoin d’être des partenariats pluriannuels.