En primer lugar en la región no necesitamos una aerolínea de bajo costo, sino de “ultra bajo costo”.

El modelo de aviación en la región ha sido de hub and spoke, el cual de acuerdo a Enrique Beltranena, CEO de Volaris ha hecho que el viajar en la región sea tan caro, el modelo predomina desde hace más de 25 años, en el cual, lo que se hace es combinar dos viajes en uno para llegar del destino A al B, y eso lo hace muy caro.

¿Por qué se sigue utilizando el modelo spoke-hub si es el más caro?, ¿Por qué no se utiliza dentro de la región el modelo short-haul (trayecto corto) de punto a punto?, ¿Por qué no se bajan las tasas aeroportuarias para cada ticket en los países de la región?, ¿Por qué siguen los gobiernos sin estimular a las líneas aéreas a hacer más barato volar en la región?.

¿Qué ha hecho Southwest Airlines para mantener su estrategia de ultra precio bajo?

Ha utilizado la ciencia de datos de varias maneras para reducir costos y mejorar su eficiencia operativa.

1.Utiliza los datos para predicción de la demanda de pasajeros en diferentes rutas y en diferentes momentos del año. Esto le permite optimizar su capacidad y mejorar la eficiencia en la asignación de vuelos.

2.Ha utilizado la ciencia de datos para analizar el clima, el tráfico aéreo y otras variables para optimizar las rutas de sus vuelos y reducir el tiempo de vuelo.

3.Ha implementado sistemas de ciencia de datos para analizar el mantenimiento de aviones y predecir cuándo se necesitará realizar reparaciones o sustituciones de piezas. Esto le permite planificar mejor el mantenimiento y reducir los costos.

4.Ha utilizado la ciencia de datos para analizar el consumo de alimentos y bebidas a bordo de sus aviones y optimizar su inventario en consecuencia. Esto le permite reducir los costos de alimentos y bebidas y mejorar la eficiencia.

Otras estrategias para reducir costos en Southwest Airlines han sido:

5.Utilizar una flota de aviones uniforme, lo que le permite ahorrar en costos de mantenimiento y capacitación de tripulación.

6.Prefiere volar a aeropuertos principales, ya que estos suelen tener tarifas más bajas y una mayor demanda de pasajeros.

7.Vender solo boletos de ida, Southwest Airlines no ofrece boletos de ida y vuelta, lo que le permite aprovechar mejor su capacidad y reducir los costos de distribución.

8.Utiliza sus aviones al máximo, volando aproximadamente el doble de horas al día que otras aerolíneas.

9.Ha implementado diversas estrategias para reducir sus costos de combustible, como mejorar la eficiencia del combustible y utilizar combustibles alternativos.

10.Aumentar frecuencias de viaje y capacidad de asientos.

11.Utilizar aviones de mayor tamaño y aumentar la frecuencia de vuelos en rutas populares

12.Mejorar la Calidad de Servicio.

13.Cash on hand / Estructura de costos

14.Alianzas con hoteles, renta de vehículos, innovación en la venta de boletos en línea, etc…

Si se puede y se debe, VOLARIS lo logró en México y esperamos que lo repita en Centroamérica, ya sean ellos mismos, AVIANCA, COPA o cualquier otra línea aérea.

Toma decisiones basadas en DATOS.

www.analitika.com.sv

#marketresearch #cienciadedatos #dataanalytics

La entrada ¿Por qué es tan caro volar en Centroamérica? se publicó primero en Analitika.

¿Por qué es relevante realizar una buena exploración de los datos antes de comenzar el modelamiento de algoritmos avanzado?

“La mayoría de los gerentes saben, al menos de manera anecdótica, que los datos de mala calidad hacen perder el tiempo, aumentan los costos, debilitan la toma de decisiones, hacen enfadar a los clientes y dificultan la implementación de cualquier tipo de estrategia de datos o de modelamiento. Por otra parte, diversos estudios confirman que sólo el 3 % de los datos de las empresas cumplen las normas básicas de calidad”.

La finalidad del Análisis Exploratorio de Datos (EDA por sus siglas en inglés Exploratory Data Analysis) es examinar los datos previamente a la aplicación de cualquier técnica estadística y no necesariamente sólo para el modelamiento avanzado. De esta forma el analista de datos y/o científico de datos consigue un comprensión básica de los datos y de las relaciones existentes entre las variables analizadas, por ejemplo, para la aplicación de modelos supervisados para la predicción como la regresión lineal, KNN, y/o árboles y/o para clasificación como Gradient Boosting, Random Forest, árboles, KNN, Regresión Logística. Así como modelos no supervisados como un KMeans básico, clustering jerárquico, etc.. Si un modelaje avanzado de machine learning se alimenta con dirty data, pues generará un modelo poco útil, que hará perder tiempo, dinero, clasificará o predecirá de mal manera.

“Las tareas implícitas en el EDA pueden parecer sin consecuencias a primera vista, pero son una parte esencial de cualquier análisis estadístico”

El análisis exploratorio de datos es importante antes de hacer cualquier uso de un dataset. Permite identificar errores obvios, así como comprender mejor los patrones en los datos, detectar valores atípicos o sucesos anómalos, y encontrar relaciones interesantes entre las variables.

El EDA es estructurado, es decir, consta de una serie de pasos que incluye no sólo seleccionar métodos gráficos y/o numéricos, sino también examinar las relaciones existentes, comprobar si se verifican hipótesis de interés en los datos (normalidad, linealidad, homocedasticidad), identificar casos atípicos univariantes, bivariantes y multivariantes y comprender los diferentes tipos de datos ausentes y evaluar su impacto potencial.

Python proporciona métodos sencillos (para el científico de datos….) para organizar y preparar los datos, detectar fallos en el dataset y/o que se dieron en la recopilación de datos, tratamiento y evaluación de missing value, identificación de casos atípicos y comprobación de los supuestos subyacentes en la mayor parte de las técnicas multivariantes.

Las preguntas a realizarse previo a comenzar un modelamiento con algoritmos, son:

1.¿Existe algún tipo de estructura (normalidad, multimodalidad, asimetría, curtosis, linealidad, homogeneidad entre grupos, homocedasticidad, etc.) en los datos que voy a analizar que pueda afectar mis modelos?

2.¿Existe algún sesgo en los datos capturados/recogidos?

3.¿Hay errores en la codificación de los datos o en la naturaleza de las variables?

4.¿Existen datos atípicos (outliers)? Y ¿Cómo los trataré?

5.¿Hay datos ausentes (missing)?, ¿Tienen algún patrón sistemático? ¿Cómo tratarlos?

Los efectos de no hacer una “buena” exploración de datos la explicaré con algunos ejemplos:

Ejemplo 1 (Con valores ausentes el modelo no se puede ejecutar)  Identificar missing values es importante porque algunos algoritmos rechazan su uso, y utilizar un método de imputación y/o dar un tratamiento de exclusión y/o sustitución por mediana, moda o cualquier otro descriptivo en función de la variable “target, hará imposible soslayar esta ausencia de datos. En este ejemplo se quiere generar un modelo de Machine Learning, se utiliza un modelo no supervisado llamado K-means, si observas que el modelo no corrió…. es porque tiene Missing Values los cuales no le permite a K-means, hacer la clasificación en el dataset.

Ejemplo 2 (Con valores ausentes y outliers los resultados del modelo podrían incluir el sesgo del dirty data, ya que no hubo un data cleaning correcto). Estas con una base de datos de 10,000 casos, no hay missing value y pero sí hay outliers: por ejemplo, la media se ve afectada, la desviación estándar, la varianza, la asimetría, la curtosis, el rango, la amplitud y otros. En este caso, si la variable analizada es continua o discreta con un elevado número de valores distintos se tabula como una distribución de frecuencias agrupadas y se representa gráficamente mediante histogramas, diagramas de tallos y hojas y boxplots con el fin de estudiar la forma de la distribución y analizar, en particular, la posible existencia de varias modas en la misma que pongan de manifiesto la presencia de diversos grupos homogéneos en la muestra. Por último, pregúntate como afectará una data sucia la Correlación y causalidad Gawali (2021), el test de Kolmogorov-Smirnov, el contraste de Shapiro y Wilks y la toma de decisiones en las que derivará el modelaje avanzado.

Una buena exploración de los datos antes de comenzar el modelamiento avanzado no es una pérdida de tiempo, es importante y relevante, es la base del modelaje, un EDA en profundidad genera mucha información, y permite la aplicación de técnicas multivariadas que nos ayudan a confirmar impresiones iniciales a partir de un EDA.

“Los científicos de datos utilizan el análisis exploratorio para garantizar que los resultados del modelaje avanzado sean válidos y aplicables a las conclusiones y objetivos de negocio. Una vez se ha completado el EDA y se ha extraído la información útil, sus características pueden utilizarse para un análisis o modelado de datos más complejo, incluido el machine learning”.

Toma decisiones basadas en DATOS.

www.analitika.com.sv

#datascience #dataanalytics #marketresearch #analitika

La entrada Exploratory Data Analysis se publicó primero en Analitika.

A medida que la tecnología móvil se ha vuelto cada vez más integrada en nuestra vida cotidiana, es importante comprender cómo el uso adictivo de estos dispositivos puede afectarnos.

Desde una perspectiva sociológica, el uso adictivo de los celulares es visto como un reflejo de la actual sociedad, en la que la conectividad constante y la disponibilidad en línea se han vuelto normas culturales. Esta necesidad de estar siempre conectados puede ser impulsada por factores externos, como la presión social para estar al tanto de las últimas noticias y tendencias o para no perderse eventos o conversaciones importantes. También puede ser impulsada por factores internos, como la ansiedad o el miedo a perder oportunidades o ser excluidos.

Desde una perspectiva psicológica, el uso adictivo de los celulares también está relacionado con trastornos de ansiedad o dependencia. Algunos investigadores han sugerido que la gratificación inmediata que obtenemos de revisar nuestros teléfonos o de interactuar en línea puede activar las mismas áreas del cerebro que se activan durante la adicción a sustancias químicas. Esto puede llevar a una necesidad cada vez mayor de revisar constantemente el teléfono y a síntomas de abstinencia cuando no podemos hacerlo.

Además de sus implicaciones, el uso adictivo de los celulares también tiene importantes implicaciones para las marcas y las estrategias de mercadeo y comunicación. En un mundo cada vez más conectado, es más probable que las personas vean o interactúen con publicidad o mensajes promocionales a través de sus dispositivos móviles. Esto ofrece a las marcas una oportunidad única de llegar a su audiencia a través de aplicaciones, redes sociales y otras plataformas móviles.

Sin embargo, es importante tener en cuenta que el uso adictivo de los celulares también puede ser un obstáculo para la efectividad de las estrategias de mercadeo y comunicación. Si las personas están tan pegadas a sus teléfonos que no prestan atención a los mensajes promocionales, es menos probable que reaccionen a ellos o que se conviertan en clientes. Además, si las marcas utilizan tácticas de marketing invasivas para atraer la atención de los usuarios, es más probable que provoquen rechazo o indignación en lugar de fidelización.

En concreto, el uso adictivo de los celulares es un fenómeno complejo que tiene importantes implicaciones para las marcas. A medida que la tecnología móvil se vuelve cada vez más integrada en nuestras vidas, es importante comprender cómo su uso puede afectar los procesos de compra, la lealtad y el word of mouth.

Aquí hay algunos ejemplos de marcas que han utilizado el celular de manera exitosa en sus campañas de marketing:

Toyota: La marca de automóviles utilizó la publicidad en aplicaciones móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban cerca de concesionarios o en el camino a sus destinos. También utilizó la aplicación móvil para ofrecer a los usuarios pruebas de manejo virtuales y para facilitar el proceso de compra.

Domino’s Pizza: La cadena de pizzerías utilizó su aplicación móvil para permitir a los clientes hacer pedidos y seguir el progreso de sus entregas en tiempo real. También ofrecieron a los clientes la opción de pagar con la aplicación y de recibir notificaciones push con ofertas y promociones.

Airbnb: La plataforma de alquiler de viviendas utilizó la publicidad en aplicaciones móviles para atraer a nuevos usuarios a su plataforma. También utilizó notificaciones push y mensajes de correo electrónico personalizados para mantener a sus usuarios comprometidos y activos.

Coca-Cola: La marca de bebidas utilizó la publicidad en aplicaciones móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban cerca de establecimientos que venden sus productos. También utilizó la aplicación móvil para lanzar juegos y concursos que incentivan a los usuarios a interactuar con la marca.

GoPro: La marca de cámaras de acción utilizó la publicidad en redes sociales móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban en destinos de vacaciones y lugares de aventura. También utilizó la aplicación móvil para facilitar la compartición de contenido y para ofrecer a los usuarios acceso a tutoriales y recursos.

Delta Air Lines: La aerolínea utilizó la publicidad en aplicaciones móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban cerca de aeropuertos. También utilizó la aplicación móvil para facilitar el proceso de reserva y check-in y para ofrecer a los usuarios acceso a recompensas y descuentos exclusivos.

H&M: La marca de ropa utilizó la publicidad en redes sociales móviles y la geolocalización para mostrar anuncios personalizados a los usuarios mientras se encontraban cerca de sus tiendas. También utilizó la aplicación móvil para ofrecer a los usuarios acceso a recompensas y descuentos exclusivos y para facilitar el proceso de compra. En la imagen encontrarás el timeline de la evolución de los celulares desde su aparición hasta el presente.

Toma decisiones, basadas en DATOS.

www.analitika.com.sv 

#celular #cienciadedatos #marketresearch #investigaciondemercados #analisisdedatos

La entrada El uso del celular y las marcas se publicó primero en Analitika.

El uso de algoritmos es muy útil para entender mejor a los clientes potenciales, por ejemplo:

1.El algoritmo analiza los datos de búsqueda y las preferencias de un cliente potencial para recomendarle propiedades que se ajusten a sus necesidades y preferencias.

2.Un algoritmo analiza el rendimiento de los anuncios en línea y ajusta su distribución para asegurar que se está llegando a las personas adecuadas y maximiza el rendimiento de la campaña publicitaria.

3.Análisis de la audiencia mediante el impulso que brinda un algoritmo, este analiza los datos demográficos y de comportamiento de los clientes potenciales para identificar a las personas más propensas a comprar o alquilar una propiedad.

4.Predicción del precio de la propiedad, mediante algoritmos, se analizan datos sobre el precio de las propiedades en una zona específica y se predice el precio ideal de una propiedad una zona determinada. Esto sirve para establecer un precio de venta o alquiler adecuado para una propiedad.

Hay varias empresas inmobiliarias que utilizan algoritmos para vender/rentar propiedades. Algunas son:

Redfin: Utiliza algoritmos para analizar el rendimiento de los anuncios en línea y optimizar su distribución para asegurar que se están llegando a las personas adecuadas y para maximizar el rendimiento de la campaña publicitaria.

Compass: Utiliza algoritmos para analizar la audiencia y personalizar el contenido que se le muestra a una persona en particular. Los datos sobre el comportamiento del usuario en línea ayudan a personalizar el contenido de marketing que se le muestra a una persona en particular. Por ejemplo, si una persona ha estado buscando propiedades de lujo en una ciudad específica, es posible mostrarle anuncios de propiedades de lujo en esa ciudad en lugar de anuncios de propiedades más económicas.

Opendoor: Utiliza algoritmos para analizar el rendimiento del sitio web, optimizar el contenido y experiencia del usuario en el sitio. Los datos sobre el comportamiento en el sitio web permiten identificar las áreas del sitio que funcionan bien y las que no, y tomar medidas para mejorar el rendimiento.

Zillow: Utiliza algoritmos para recomendar propiedades a los clientes potenciales basándose en sus preferencias y para predecir el precio de una propiedad en una zona específica.

Para predecir el precio de una propiedad inmobiliaria, se utiliza una variedad de datos, por ejemplo:

a) Características de la propiedad, es decir, el tamaño, ubicación, acabados, si es nueva o usada.

b) Precios de propiedades similares, ya que un algoritmo compara el precio de una propiedad con el de propiedades similares en la misma zona.

c) El algoritmo analiza tendencias en una zona específica para predecir cómo afectará el precio.

d) Datos demográficos y socioeconómicos, entre otros.

Toma decisiones basadas en DATOS.

 www.analitika.com.sv

#algoritmos #dataanalytics #marketresearch #cienciadedatos #data

La entrada Algoritmos y el marketing inmobiliario se publicó primero en Analitika.