Oportunidad de nuevos mercados

• Oportunidad de Nuevos Mercados: se muestran perfiles de turistas según la intención de su búsqueda del viaje. Estos perfiles se muestran teniendo en cuenta el comportamiento en cuanto a intención de viaje por cada mercado no teniendo en cuenta el volumen de viajeros por cada origen. Se trata de una agregación estadística para explorar posibles mercados emergentes que, por similitud en la intención de búsqueda, se comportan de forma parecida entre sí.
• Intención de Viaje: se crean perfiles de turistas teniendo en cuenta el volumen de búsquedas vuelo hacia el destino, pudiendo desagregar esa información por mes, días de antelación y comportamiento similar del turista. El objetivo es mostrar las características comunes que pueden tener turistas de diferentes ámbitos geográficos con la intención de viajar al mismo destino. Esas características comunes estar creadas con Inteligencia Artificial, clusterizando con técnica de Aprendizaje No Supervisado, donde no hay un etiquetado a priori.
• Exploración de Mercados por Duración de la Estancia: se crean perfiles de turistas no teniendo en cuenta el volumen de búsquedas vuelo hacia el destino, pudiendo desagregar esa información por mes, días de antelación y comportamiento similar del turista. Se añade la dimensión de duración de la estancia.
• Intención de Viaje por Duración de la Estancia: se crean perfiles de turistas teniendo en cuenta el volumen de búsquedas vuelo hacia el destino, pudiendo desagregar esa información por mes, días de antelación, comportamiento similar del turista, y duración de la estancia. El objetivo es mostrar las características comunes que pueden tener turistas de diferentes ámbitos geográficos con la intención de viajar al mismo destino. Esas características están creadas con Inteligencia Artificial, clusterizando con técnica de Aprendizaje No Supervisado, donde no hay un etiquetado a priori.

• Oportunidad de Nuevos Mercados: en mi destino la distribución por nacionalidades está muy concentrada en un mercado como puede ser el inglés. Dentro de mi plan estratégico tengo como objetivo diversificar mercados ya que no se quiere tener una alta dependencia.
  Con lo cual, marcando el mes para hacer la campaña y los días de antelación (ventana de oportunidad) podemos observar mercados que se comportan similar al inglés. Una vez identificado de que el comportamiento del turista inglés es similar al que tiene uno de Múnich o Frankfurt, podríamos crear una estrategia similar para ese tipo de turista con la intención de atraer a ese turista alemán.
• Intención de Viaje: somos un destino como València o alrededores y queremos atraer a más turistas para Fallas. El primer dato en el que se nos debemos fijar es en la ventana de oportunidad, que son los días que tenemos para realizar un marketing más efectivo.
  En el análisis realizado se detectan diferentes perfiles de turistas que sí que tienen intención de viajar, ya que en este experimento cuentan las búsquedas de vuelo.
  La acción de marketing que podríamos hacer como destino hacia esas ciudades es con una misma creatividad cambiarle el idioma y lanzarla de forma segmentada a las ciudades que se resaltan en el mapa. De esta forma el destino es eficiente a la hora de creación de imagen o video y saben exactamente a qué zona geográfica enviarla y con cuantos días de antelación.
• Exploración de Mercados por Duración de la Estancia: en mi destino la distribución por nacionalidades está muy concentrada en un mercado como puede ser el inglés. Dentro de mi plan estratégico tengo como objetivo diversificar mercados ya que no se quiere tener una alta dependencia.
  Con lo cual, marcando el mes para hacer la campaña y los días de antelación (ventana de oportunidad), y la duración de la estancia podemos observar como diferentes mercados se comportan de manera similar.
  El siguiente paso es crear una estrategia de prospección hacia mercados diferentes, ya que conocemos su interés por conocer destinos de esa provincia. 
• Intención de Viaje por Duración de la Estancia: somos un destino como Benidorm, donde se celebra la Fancy Dress siempre en noviembre, y que normalmente reúne cerca de 35.000 británicos en su desfile con carrozas. Este experimento es importante para los eventos o épocas de alta demanda que se repiten cada año y conocemos su fecha de celebración.
  En el selector marcaremos las opciones de Alicante; noviembre; ventana de oportunidad no tocamos; y estancia de 2-3 días.
  El resultado serán las ciudades desde donde tienen intención de viajar en esta fecha y con qué antelación están buscando.
  Si fuésemos un alojamiento de Benidorm deberíamos hacer una creatividad con la temática de la Fancy Dress en inglés, y programar su lanzamiento según los días que nos marca cada ciudad. Ya que los de Manchester y East Midlands buscan antes que los de Birmingham o Londres.

Se han utilizado algoritmos para extraer el número ideal de grupos y la composición de los grupos o clústeres. Este proceso de clusterización ha tenido diferentes iteraciones. En cada iteración se han refinado los parámetros de entrada, se han discretizado variables de diferentes formas y se han utilizado diferentes variables para poder comparar y ver qué clusterización es más relevante o puede resultar más útil.

Para la clusterización se manejaron diferentes variables, de manera tal que no hubo un criterio previo de agrupación ni una predeterminación de la relevancia de cada variable empleada. Sino, que se usaron técnicas de clustering basados en Aprendizaje No Supervisado, donde no hay un etiquetado de datos a priori, y la determinación del total de clúster de manera que los elementos o items, que pertenecen a un mismo clúster tienen una proximidad entre ellos, a la vez, que se separan del resto de los elementos agrupados en otros clústeres.

Se manejaron variables categóricas, y el proceso de escalado fue normalizado siguiendo una distribución normal estándar, de manera que la mediana estuviera cercana a 0 y la desviación estándar a 1. Cada clúster fue perfilado de acuerdo al total de elementos que lo conforman y las características del item o elemento que lo distingue (conocido técnicamente como “centroide”).

En total fueron generados 4 clústeres diferentes. Para ello, se analizaron las variantes que incluían la ventana de oportunidad y las que incluían adicionalmente el aeropuerto de origen. Cada aeropuerto fue identificado con el total de búsquedas que aparecía en los registros de Mabrian. También se analizó la variante de agrupación que se deriva de incluir la duración de la estancia, lo cual se puede interpretar como una segunda ventana de oportunidad, que comienza a partir de que el cliente llega a su destino y comienza su estancia.

Por último, sobre este aspecto, señalamos que la naturaleza de cada clúster estará determinada por las variables empleadas durante la agrupación. Cualquier interpretación posterior dirigida a un proceso de toma de decisiones, dependerá únicamente de ello.