VIAJES HALCÓN: RESERVAS QUE VUELAN... Y SE PIERDEN
Del dato a la acción: patrones y decisiones claves
Halcón Viajes es una empresa con una plataforma de reservas moderna y funcional, donde cada mes miles de personas contratan vuelos, hoteles y paquetes turísticos. Sin embargo, en los últimos meses se ha detectado un aumento preocupante en el número de cancelaciones, sin una causa aparente clara.
Para comprender mejor este fenómeno, se llevó a cabo un análisis exhaustivo de los datos. Este permitió identificar patrones clave en el comportamiento de los clientes que respaldan las siguientes acciones estratégicas que la empresa podría implementar para reducir la tasa de cancelación y mejorar la retención.
Acción de negocio
Patrón detectado
Clientes que reservan en clase económica tienen mayor tasa de cancelación
Reservas con menor antelación tienen más cancelaciones
Clientes jóvenes (19 a 30 años) cancelan con mayor frecuencia
Clientes turistas cancelan más que los de negocio
Las promociones no son efectivas para reducir cancelaciones en ciertos grupos
Revisar políticas de cancelación para clase económica y ofrecer incentivos (mejoras de servicio o upgrades)
Incentivar la compra anticipada con descuentos exclusivos
Desarrollar estrategias de fidelización con promociones personalizadas o descuentos
Optimizar paquetes para turistas con beneficios adicionales que aumenten compromiso
Dejar de aplicar promociones en segmentos donde no generan impacto y redirigirlas hacia grupos más receptivos y con mayor probabilidad de conversión
Los clientes que reservan el paquete de "solo vuelo" tienen alta tasa de cancelación
Ofrecer descuentos o incentivos por elegir paquetes más completos
Reservas de hotel tienen mayor tasa de cancelación
Revisar políticas flexibles o promover estancias largas con beneficios adicionales
Problemas en la reserva y mala calidad del servicio causan cancelaciones
Implementar retroalimentación proactiva para identificar problemas y mejorar servicio
Agentes de viajes y app móvil tienen más cancelaciones y comentarios negativos
Optimizar experiencia de usuario en app y agentes de viaje; mejorar atención al cliente
Resultados de negocio potenciales de las acciones propuestas
Tal como se detalla más adelante, si se implementan las acciones de negocio propuestas, Halcón Viajes podría reducir su tasa de cancelación hasta en un 10%, lo que supone proteger más de 640.000 € anuales en ingresos que ahora se están perdiendo.
Además, la mejora de la experiencia en los canales de reserva, como la app móvil y los agentes de viajes, podría aumentar la satisfacción del cliente en un 20%, y con ello, retener más viajeros, fidelizar más, y vender mejor.
Habilidades demostradas en este proyecto
-
Conciencia del impacto en negocio: foco constante en el ahorro de tiempo, mejora en la eficiencia operativa y aumento de la retención de clientes.
-
Pensamiento estratégico y comprensión del negocio: Priorizo una comprensión profunda del contexto, las métricas clave y los objetivos empresariales antes de iniciar cualquier análisis, asegurando que los resultados sean relevantes y aporten valor real.
-
Buenas prácticas en calidad, validación y gobernanza del dato: validación de consistencia, tratamiento de nulos y outliers, normalización y limpieza con enfoque en la integridad de la información.
-
Automatización con inteligencia artificial: uso de IA para documentar procesos, asistir en tareas repetitivas y generar código, lo que permitió centrar el esfuerzo en el análisis de valor.
-
Mentalidad orientada a la eficiencia y al rendimiento: optimizo procesos mediante funciones en Python y aplico buenas prácticas en Power BI y SQL para mejorar tiempos de carga, eficiencia de consultas y experiencia de uso.
-
Análisis exploratorio de datos (EDA).
-
Aplicación de clustering (segmentación de clientes) con Scikit-learn para el ajuste de estrategias de marketing y personalización de ofertas.
-
Diseño e implementación de una base de datos relacional en PostgreSQL.
-
Consultas SQL orientadas al negocio.
-
Visualización y storytelling con PowerBI.
-
ETL básico y modelado de datos.
Historia del proyecto: Reservas que vuelan... y se pierden
Contexto
Imagina que diriges Halcón Viajes, una empresa con una plataforma de reservas moderna y funcional. Todo parece ir bien: cada mes, miles de personas reservan vuelos, hoteles y paquetes turísticos. Sin embargo, poco a poco empiezas a notar algo preocupante... las cancelaciones no dejan de aumentar.
Y no hablamos de unas pocas. Hablamos de tasas de cancelación tan altas que afectan directamente los ingresos, la planificación y la confianza en la marca. Lo más preocupante es que nadie sabe exactamente por qué están ocurriendo.
Ahí es donde entra este proyecto.
Entonces, ¿cuál es exactamente el problema?
Aunque la plataforma funcionaba correctamente, los datos mostraban que la mitad de las reservas terminaban cancelándose.
Esto no solo era una pérdida directa de ingresos, sino también un síntoma de algo más profundo: desconexión con las necesidades reales del cliente y promociones que no estaban funcionando.
¿Por qué ha sucedido esto?
Gracias a un análisis profundo, salieron a la luz patrones muy claros y valiosos:
-
Las promociones no estaban sirviendo para retener clientes: la gente cancelaba igual, con o sin descuento.
-
Los paquetes de “solo vuelo” eran los más populares y los que más se cancelaban.
-
Los jóvenes y turistas eran los que más cancelaban.
-
Las reservas de clase económica y de corta duración tenían una tasa de cancelación muy superior.
-
Los comentarios negativos se repetían constantemente, con quejas como “problemas con la reserva” o “no me gustó el servicio”, especialmente en la app móvil y con los agentes de viaje.
¿Qué soluciones proponemos?
Entre las acciones propuestas, destacan especialmente estas tres, aunque el análisis completo incluye otras recomendaciones operativas detalladas en la sección superior.
-
Optimizar la estrategia de promociones, dejando de aplicarlas en segmentos donde no funcionan y enfocándolas en reservas de alto valor y clientes más comprometidos.
-
Segmentar mejor a los clientes y personalizar las ofertas según su perfil y comportamiento.
-
Fomentar la conversión a paquetes más completos, como vuelo + hotel + tour, que no solo tienen menor tasa de cancelación, sino que también generan mayor valor por cliente
La primera opción es la más recomendada porque es la que ofrece un impacto más inmediato, directo y medible: mejora la rentabilidad al reducir el gasto promocional en segmentos que no responden, y potencia las ventas en aquellos donde sí hay un retorno real.
¿Y si no implementamos estos cambios?
Si no se aplican estas soluciones, la empresa seguirá perdiendo una parte significativa de sus ingresos potenciales. Las cancelaciones continuarán afectando la estabilidad financiera y operativa del negocio, y las promociones mal dirigidas seguirán generando costes sin retorno.
En un mercado tan competitivo como el del turismo, no actuar a tiempo significa quedarse atrás, perder clientes y desaprovechar oportunidades reales de crecimiento.
¿Y los beneficios si adoptamos la solución recomendada?
Si Halcón Viajes aplica estas recomendaciones, podría reducir la tasa de cancelación hasta un 10%, lo que supone proteger más de 640.000 € anuales en ingresos que ahora se están perdiendo.
Además, al optimizar la experiencia en los canales de reserva más problemáticos, la empresa podría mejorar la satisfacción del cliente en un 20%, y con ello, retener más viajeros, fidelizar más, y vender mejor.
La oportunidad está sobre la mesa
Lo que empezó como un problema difuso de cancelaciones terminó revelando una oportunidad clara de negocio.
Este proyecto no solo ofrece los datos que explican el problema, sino también las soluciones para resolverlo, con impacto económico directo y medible.
Visualización de resultados clave
Se muestra aquí una de las páginas clave del dashboard desarrollado en Power BI (detallado más adelante), diseñada para visualizar los principales patrones de cancelación, analizar el comportamiento de los usuarios y detectar áreas de mejora en la estrategia comercial.
Gracias al análisis realizado, esta visualización identifica los perfiles con mayor probabilidad de cancelar y permite orientar decisiones estratégicas basadas en datos reales.
Desarrollo técnico del análisis
A continuación, se presentan las herramientas empleadas y el enfoque técnico que guiaron el desarrollo del análisis y la resolución del problema
Tecnologías utilizadas
- Python (Pandas, Numpy, Scikit-learn, psycopg2, matplotlib, seaborn)
- SQL (PostgreSQL)
- Power BI (Power Query, DAX, modelado, storytelling)
- Inteligencia artificial (modelos de aprendizaje automático, ChatGPT)
- GitHub (Mantenimiento en la nube)
- Figma (Diseño de plantillas para Power BI)
- Visual Studio Code (código y documentación)
Fases del análisis
1. Comprensión del negocio y definición del objetivo
Antes de comenzar el análisis, dediqué un tiempo a estudiar el contexto de la empresa, comprender sus necesidades reales, identificar claramente el problema y formular múltiples preguntas de negocio orientadas a posibles soluciones.
También analicé los datos disponibles para asegurarme de que respondían a esos objetivos y ofrecían el potencial necesario para extraer valor.
Esta fase me permitió conectar los datos con los objetivos estratégicos de la empresa, y plantear el análisis desde una perspectiva orientada a impacto real.
2. Preparación, limpieza y validación de los datos (Python)
Comencé trabajando con Python para cargar y explorar los datos, asegurando su calidad desde el inicio. Normalicé formatos, detecté y traté outliers según el contexto del negocio, y gestioné los valores nulos de forma estratégica.
También verifiqué la consistencia entre tablas y apliqué principios de validación cruzada para mantener la integridad del dataset tanto a nivel técnico como operativo. En este proceso, detecté errores y posibles inconsistencias lógicas en la importación de datos relacionados con las columnas temporales, por lo que realicé ajustes y correcciones justificadas para mejorar la consistencia y calidad de los datos para su correcto análisis.
Además, para optimizar el desarrollo, modularicé el código en funciones dentro de un archivo src, que importé en los notebooks correspondientes. Esta estructura permitió evitar duplicaciones, facilitar el mantenimiento y fomentar la reutilización eficiente del código.
3. Análisis exploratorio y generación de insights
Realicé un análisis exploratorio detallado, tanto univariado como multivariado, centrándome en relaciones clave entre variables para detectar patrones relevantes y descubrir oportunidades de mejora. Para ello, utilicé gráficos de dispersión, matrices de correlación y gráficos de barras, con el fin de entender cómo ciertos factores influían en métricas clave, por ejemplo, la tasa de cancelación. Además, realicé un análisis exploratorio temporal para detectar estacionalidades, tendencias mensuales y comportamientos asociados a días específicos.
4. Modelado predictivo (clustering)
Se implementó un algoritmo de aprendizaje no supervisado mediante K-means Clustering, que permitió segmentar a los clientes en grupos con características y comportamientos de compra similares.
Gracias a ello, descubrimos tres perfiles clave:
-
Clientes impulsivos (alta cancelación): jóvenes, de bajo gasto y reserva tardía. → Ofrecer descuentos y beneficios inmediatos para incentivar la fidelización.
-
Clientes premium (fieles y planificadores): mayor edad, alto gasto, paquetes completos. → Diseñar paquetes exclusivos con servicios adicionales y personalización.
-
Clientes intermedios (comprometidos): gasto moderado, viajes largos. → Fomentar su lealtad con incentivos y promociones cruzadas en actividades.
Esta segmentación proporcionó insights valiosos para personalizar ofertas, adaptar promociones y ajustar las estrategias de marketing según las preferencias y patrones de comportamiento detectados en cada grupo.
Además, esta agrupación ofrece una base sólida para futuras acciones automatizadas, como campañas específicas por segmento, mejoras en la retención y una una estrategia comercial más precisa.
5. Modelado relacional y consultas en SQL (PostgreSQL)
Diseñé un modelo relacional en PostgreSQL que reflejase con precisión la estructura lógica del dataset. Para ello, trabajé con relaciones uno a varios, definiendo correctamente claves primarias y foráneas para garantizar la integridad referencial y facilitar futuras consultas.
Una vez cargados los datos desde Python, elaboré consultas SQL específicas orientadas a responder preguntas clave del negocio, como: “¿Qué tipo de paquete genera más cancelaciones?” o “¿Qué grupo de edad presenta la mayor tasa de cancelación?”.
Estas consultas no solo reproducen los principales hallazgos del análisis exploratorio, sino que también permiten obtener respuestas reproducibles, escalables y directamente accionables desde la base de datos.
6. Visualización y storytelling en Power BI
Integré los datos desde PostgreSQL directamente en Power BI, manteniendo la estructura relacional optimizada. En Power Query validé los datos, establecí relaciones en el modelado y desarrollé medidas DAX personalizadas, así como una tabla calendario para análisis temporal detallado.
Se desarrollaron cuatro dashboards principales:
-
Inicio: Portada con branding corporativo y objetivos del análisis.
-
Clientes: Análisis del perfil de usuario y su relación con las cancelaciones.
-
Reservas: Información detallada sobre los tipos de reservas, paquetes, canales y patrones de cancelación.
-
Análisis final: KPIs clave, mayores patrones de cancelación, tabla de acciones de negocio y recomendaciones estratégicas.
Se aplicó storytelling visual en los títulos de cada gráfico para guiar al lector, y se utilizó la paleta de colores corporativa.
El dashboard fue diseñado con foco en:
-
Responder preguntas clave del negocio.
-
Mostrar insights claros, rápidos y accionables.
-
Aplicar principios de visualización, jerarquía visual y elementos preatentivos.
Incorporé marcadores, tooltips personalizados y visuales de alerta para destacar indicadores críticos. Previamente, diseñé las plantillas en Figma, garantizando un mejor rendimiento y una experiencia más optimizada.
El resultado es un dashboard pensado tanto para perfiles técnicos como de negocio, que facilita la toma de decisiones desde el primer vistazo.
7. Cuantificación del impacto
Para estimar el impacto de las acciones propuestas, se siguió un enfoque basado en datos, comparando patrones detectados en el análisis exploratorio con benchmarks del sector y aplicando métricas clave del negocio.
-
Reducción de cancelaciones (hasta 10%):
Las acciones propuestas actúan sobre los grupos con mayor tasa de cancelación (jóvenes, bajo costo, solo vuelo). La estimación se basa en referencias de casos reales y estudios del sector turismo, donde medidas similares generaron mejoras equivalentes.
-
Impacto económico (hasta 644.000 €):
Con 10.000 reservas anuales y un coste medio de 800 €, una reducción del 10% en cancelaciones representaría hasta 800.000 €. Aplicando un ajuste conservador, se estiman 644.000 € protegidos.
-
Satisfacción del cliente (+20%):
Dado que las cancelaciones están ligadas a problemas de reserva y mala atención, las mejoras de estas pueden elevar la satisfacción entre un 15% y un 25%. Se adopta una estimación prudente del 20% para este caso, según benchmarks del sector (McKinsey, 2023)
8. Automatización e inteligencia artificial
Durante el proceso, integré automatizaciones para tareas repetitivas, desde la generación asistida de funciones en Python hasta el uso de inteligencia artificial (GPT) para documentar, generar código y explicar errores.
Esto permitió optimizar el tiempo y enfocar los esfuerzos en obtener insights relevantes y aplicables al negocio.
9. Documentación del proyecto y datos
Todo el desarrollo técnico del proyecto está documentado con más detalle en mi repositorio de GitHub, donde puede consultarse el código completo:
🔗 Acceder a GitHub
Este análisis se ha realizado a partir de un dataset disponible en Kaggle, adaptado para simular un caso real del sector turístico.
Reflexiones finales y evolución futura
Este análisis no solo permitió identificar los factores clave detrás de las cancelaciones, sino también construir una base sólida para mejorar la retención de clientes, la efectividad de las promociones y la calidad del servicio en Halcón Viajes. A futuro, este enfoque puede ampliarse con modelos de predicción de cancelaciones, sistemas automatizados de recomendación de paquetes y análisis continuos de comportamiento por segmento.
Entre las soluciones propuestas, destacan especialmente tres acciones clave con impacto inmediato:
-
Fomentar la compra anticipada y los viajes largos, incentivando reservas con mayor compromiso.
-
Reorientar las promociones hacia segmentos más receptivos, dejando de aplicarlas en grupos donde no generan efecto.
-
Optimizar los paquetes ofertados, reduciendo la dependencia del modelo “solo vuelo” y promoviendo experiencias más completas.
Estas acciones forman parte de un conjunto más amplio de siete recomendaciones estratégicas detalladas en la sección “Del dato a las acciones de negocio”, todas ellas diseñadas para reducir cancelaciones, aumentar la fidelización y mejorar la experiencia del viajero.
La medida más prioritaria es la optimización de las promociones y paquetes, por su capacidad de generar resultados rápidos, reducir cancelaciones innecesarias y proteger ingresos de forma directa.
Este proyecto demuestra cómo los datos, bien analizados, pueden convertirse en decisiones escalables que no solo resuelven problemas operativos, sino que transforman el modelo de negocio hacia una mayor sostenibilidad y enfoque en el cliente.
