Rationalit´ e d’une manipulation

Conforme discutido na introdução do presente trabalho, o controlo da disponibilidade e preço de lugares num voo é crítico para a otimização de receita. Assim, a previsão do momento de compra de lugares é um processo crítico para o sucesso comercial de uma empresa de aviação.

Neste trabalho procurámos traçar um perfil comportamental de cliente. Este perfil é definido, no caso do corrente trabalho, pelo momento de compra do bilhete, dias da estadia em Portugal, dia da semana em que o bilhete é adquirido e pelo ponto de venda. Uma correta previsão do pricing associado a um cliente com determinado perfil comportamental traz valor à TAP, já que lhe permite conhecer com maior profundidade o perfil de cliente associado a cada tarifa.

Complementarmente, procedemos a uma análise de clusters, que permitiu traçar segmentos de clientes que correspondem a determinados padrões comportamentais. Assim, identificámos um segmento de clientes que compram bilhete perto da data de voo (Segmento 7), um segmento de clientes que compra com antecedência e usufrui de melhor pricing (Segmento 4) e, finalmente, um segmento de clientes que comprando passagem relativamente perto da data de partida do voo, consegue ainda assim usufruir de um pricing atrativo. Acreditamos que este poderá corresponder a um tipo de cliente mais orientado para a pesquisa de preços através de motores de busca - metasearch relacionados com a venda de bilhetes, com um perfil mais oportunista em relação à compra do mesmo. No entanto, não nos foi possível validar esta hipótese, por limitações dos dados existentes. O aprofundamento destes resultados preliminares obtidos é uma oportunidade para desenvolvimento do corrente trabalho em investigações futuras.

Uma análise com detalhe sociodemográfico dos clientes traria grande valor acrescentado a este trabalho e à TAP, mas não foi possível recolher dados demográficos. Esta limitação deveu-se aos dados disponíveis na área de gestão de receita. Existem dados demográficos noutras áreas da empresa, como CRM, Marketing, Fidelização, entre outras, que – no entanto – não foram disponibilizados para o efeito deste trabalho. Considero que no futuro, caso seja possível realizar um estudo em que todas as secções da empresa estejam onboard, o potencial das árvores de decisão poderá sair reforçado. Assim, para além do perfil comportamental no momento da venda, seria possível usar como variáveis preditivas algumas características sociodemográficas que acrescentassem valor à previsão do pricing praticado.

Os modelos preditivos em utilização nas diferentes companhias aéreas têm a função de modelar a procura por bilhetes de cada rota aérea, bem como identificar os determinantes dessa procura. O presente trabalho não tem a pretensão de dar origem a um modelo preditivo que mude o paradigma do forecast de receitas no sector da aviação. Tem sim a ambição de averiguar quais são as variáveis determinantes para a definição do preço na rota Salvador-Lisboa da TAP, utilizando uma técnica de forecasting pouco utilizada no ramo da aviação: as árvores de decisão.

Consideramos de especial interesse a comparação entre os resultados obtidos através da árvore de decisão escolhida com as previsões de vendas da TAP quanto à rota Salvador-Lisboa. Essa possibilidade deverá ser explorada no futuro. A base de dados que resulta do modelo preditivo bayesiano usado pela TAP é dinâmica, sendo que a utilizada neste trabalho é estática. Logo, a base de dados do PROS contemporânea da base de dados utilizada neste trabalho já foi alimentada com

79 novos inputs. Assim, um exercício deste tipo teria de partir de esforço coordenado entre o departamento de gestão de receitas e o departamento de IT.

Este trabalho poderá ser um ponto de partida para uma discussão estratégica para a TAP quanto ao seu modelo de gestão de receitas. Em rotas com maior track record, a grande quantidade de dados históricos permite modelar com grande fidelidade o comportamento de clientes que procurem ingressos no futuro para essas mesmas rotas. No entanto, a técnica de árvores de decisão poderá – fazendo uso de um dataset relativamente reduzido, usado como training set – fornecer inputs sobre o comportamento de clientes associado a cada tarifa.

A identificação dos principais determinantes da escolha do momento de compra configura também um passo importante para que a TAP possa conhecer melhor as preferências e comportamentos dos seus clientes. Este conhecimento e inteligência poderá aportar valor tanto numa perspetiva de negócio como numa lógica de melhoria de experiência dos clientes no momento da compra.

A metodologia utilizada carece de futuras validações com outras rotas e o seu interesse poderá ser testado através da comparação com dados históricos. Seria também relevante testar esta metodologia com o sentido oposto da mesma rota (Lisboa-Salvador), algo que foi feito numa fase inicial neste trabalho, sendo depois omisso para efeitos de simplificação e concisão.

Outras abordagens metodológicas serão fundamentais para, no futuro, complementar os insights deste trabalho. Será, nomeadamente, interessante aferir como as variáveis preditivas encontradas influenciam o pricing praticado através de uma regressão linear21_.

A análise conduzida através de árvores de decisão é especialmente relevante se tivermos em conta que, com o aparecimento das companhias low-cost, se colocam vários desafios às companhias aéreas, que deixaram de competir puramente ao nível do preço. O modelo tradicional foi irrompido e neste momento as companhias aéreas devem focar-se em providenciar a melhor experiência possível ao cliente, bem como garantir que a sua oferta se adequa à procura de mercado. Nesse sentido, considero estratégico para a TAP que haja um maior foco no mapeamento do comportamento dos clientes e sua relação com o pricing estabelecido.

80