“Predicción de conversión de viajes y análisis de eficiencia en gasto de incentivos a través de Machine Learning”

Abstract

Los avances en las tecnologías de la información y comunicación han permitido la generación de nuevas soluciones para las necesidades de las personas, lo que ha generado a su vez cambios disruptivos en muchas industrias y en el día a día de millones de personas alrededor del mundo. En sólo un par de años, hemos sido testigos de cómo empresas tecnológicas se han posicionado en distintas industrias como es el caso de Airbnb en la industria hotelera, Uber en la industria de transportes o Cornershop en el retail. El éxito de estos nuevos participantes tecnológicos es atribuido a la economía colaborativa. Llamada así por distintos autores como Rafael Anaya Sánchez (Anaya et al., 2020) este modelo económico corresponde a un modo de compartir, intercambiar o alquilar bienes o servicios entre personas que permite aprovechar recursos de manera eficiente. Este modelo no es nuevo en la sociedad, sin embargo, históricamente las personas se limitaban a compartir con personas de confianza, como familiares, amigos, vecinos y no con extraños o con personas ajenas a sus redes, por lo que el término más exacto para este nuevo modelo sería “economía colaborativa con extraños” (Frenken et al., 2019). En esta “economía colaborativa con extraños” las plataformas tecnológicas, a través de internet, son las encargadas de generar la confianza que no existía anteriormente además de equilibrar el mercado de los bienes o servicios en el que participan. En el caso de las aplicaciones de transporte como Uber, el balance de mercado consiste en equilibrar la cantidad de usuarios que necesitan transportarse de un lugar a otro (demanda) y la cantidad de socios conductores conectados a la aplicación (oferta). De no existir este balance, no se cumpliría la expectativa de alguna de las partes y se caería el modelo. Por ejemplo, en el caso de no existir demanda, el escenario sería “sobreoferta”, con lo cual los socios conductores estarían en las calles esperando viajes recibiendo muy pocas solicitudes y por consecuencia caerían sus ganancias y terminarían desconectándose. Por otro lado, si no existe oferta suficiente para la demanda de viajes de los usuarios, estos no podrían encontrar alguien que los lleve a sus destinos o sufrirían largos tiempos de espera optando por utilizar medios de transporte convencionales. Para solucionar el problema del balance de mercado, se utilizan incentivos monetarios (Uber, 2018 [4]) que por el lado del socio conductor se traduce en aumentar sus ganancias y por el lado del usuario, reducir sus costos de viaje. Estos incentivos representan un costo para las empresas de transporte por lo cual en esta tesis se analizan las oportunidades de eficiencia en gasto de incentivos hacia los usuarios. Para esto, se desarrollan distintos modelos estadísticos de conversión de viajes utilizando machine learning para encontrar las variables determinantes de conversión en las que se pueden observar las oportunidades de mejoras en la utilización de recursos y se discuten los potenciales ahorros que se podrían generar al optimizar los incentivos hacia los usuarios dados estos resultados. Dentro de los principales hallazgos de este trabajo, se destaca que de los 10 modelos estadísticos desarrollados, el modelo de AdaBoost es el algoritmo que mejor predice la conversión de viajes, con una tasa de acierto del 71.2%. Dentro de las principales variables determinantes de conversión en este modelo están la Distancia (24%), Hora del día (8%), Cluster de RFM (3%) y Medio de Pago (1%), Sobre el potencial de ahorro, se descubre que al diseñar incentivos más eficientes, es decir, restringiendo la asignación de recursos según los 4 determinantes mencionados a cotizaciones que tienen una menor probabilidad de convertir esos viajes sin incentivos, se puede llegar a alcanzar 22,4% de ahorro cuando se destinen recursos al 20% de los viajes con menor probabilidad de conversión. Esto se debe a que actualmente se destinan recursos a viajes que de igual forma se iban a realizar sin incentivos. La contribución de la tesis desde el punto de vista financiero tiene relación con la optimización del “asset allocation” (alocación de activos), la cual en este caso corresponde a la asignación de incentivos a los usuarios. Esta asignación de incentivos, en las industria tecnológica es relevante debido a que presentan un bajo nivel de activos físicos, y su mayor activo y donde se realizan las principales inversiones es en el "mercado", con el objetivo que los socios conductores sigan conectados a la aplicación y usuarios puedan solicitar un viaje cuando lo requieran. El documento está estructurado de la siguiente forma: En el capítulo 1, se realiza una introducción al tema presentando su motivación y necesidad del estudio. Además se resumen los principales resultados del trabajo realizado. En el capítulo 2, se presenta el marco teórico, el cual explica el modelo de negocio de las empresas de transporte, tomando como ejemplo el caso de Uber. También se realiza una revisión de las distintas herramientas de aprendizaje de máquinas (machine learning), seguido de una revisión literaria asociada al gasto en incentivos, para finalizar con la propuesta de investigación. En el capítulo 3, se muestra la metodología de trabajo para la definición de las variables, preparación de la información y ejecución de los análisis. En el capítulo 4, se presentan los resultados obtenidos y luego en el capítulo 5, se consolidan las conclusiones.