Mejora en la gestión de clientes en base a revenue management y RFM en una empresa de transporte interprovincial de pasajeros

DOI: https://doi.org/10.26439/ciii2024.7788
Palabras clave: demanda, modelo RFM, precios, predicción, revenue management

Resumen

Este estudio investiga la fijación de precios basada en la demanda mediante el uso de la herramienta recencia-frecuencia-monto (RFM) para analizar el comportamiento del consumidor e incrementar las ganancias en una empresa de transporte. En primer lugar, se predice la demanda para meses representativos mediante el uso de un modelo de pronóstico de serie de tiempos. Luego, se emplean técnicas de revenue management (RM) para establecer precios óptimos. Además, se proponen estrategias promocionales para mejorar la lealtad del cliente y maximizar las ganancias. La eficacia del algoritmo propuesto fue validada mediante experimentos con datos simulados y datos reales, cuyos resultados demuestran que la aplicación de las herramientas RM y RFM conducen a una mejora signifi cativa del 6,99 % en la tasa de ocupación de asientos y un crecimiento del 15,51 % en las ganancias. Este enfoque innovador promete transformar la gestión de ingresos y la planificación estratégica promocional en el sector de transporte.

Biografía del autor/a

Cintia Lucero Ccalla Surco, Facultad de Ingeniería Industrial Universidad de Lima, Perú

Bachiller en Ingeniería Industrial por la Universidad de Lima. Con experiencia en las áreas de Commercial Strategy y Business Intelligence. Especializada en optimización de procesos y Data-Driven.

Fiorella Munayco Rojas, Facultad de Ingeniería Industrial Universidad de Lima, Perú

Bachiller en Ingeniería Industrial por la Universidad de Lima. Con experiencia en las áreas de Digital Ad Operations y Data Analyst. Especializada en Dashboard & Analytics.

José Antonio Taquía Gutiérrez, Facultad de Ingeniería Industrial Universidad de Lima, Perú

Doctor en Gestión de empresas por la Facultad de Ingeniería Industrial de la Universidad Nacional Mayor de San Marcos. Magister en Ingeniería Industrial por la Universidad de Lima. Ingeniero Industrial por la Universidad de Lima. Tiene amplia experiencia en el diseño e implementación de tecnología orientada al análisis de datos y metodología de investigación científica con proyectos desarrollados en operaciones, cadenas de abastecimiento, analítica en retail y servicios de educación.

Citas

Brandizzi, N., Russo, S., Galati, G., & Napoli, C. (2022). Addressing vehicle sharing through behavioral analysis: A solution to user clustering using recency-frequency monetary and vehicle relocation based on neighborhood splits. Information, 13(11), 511. https://doi.org/10.3390/info13110511

Dalalah, D., Khasawneh, M., & Khan, S. (2022). Pricing and demand management of air tickets using a multiplicative newsvendor model. Journal of Revenue and Pricing Management, 21(5), 517-528. https://doi.org/10.1057/S41272-021-00368-1/TABLES/3

Estrada-Esquivel, H., Martínez-Rebollar, A., Wences-Olguin, P, Hernandez-Perez, Y., & Ortiz-Hernandez, J. (2022). A smart information system for passengers of urban transport based on IoT. Electronics, 11(5), 834. https://doi.org/10.3390/electronics11050834

Fan, W., Wu, X., Shi, X. Y., Zhang, C., Hung, I. W., Leung, Y. K., & Zeng, L. S. (2023). Support vector regression model for flight demand forecasting. International Journal of Engineering Business Management, 15, 1-9. https://doi.org/10.1177/18479790231174318

Guerriero, F., Luzzi, M., & Macrina, G. (2021). Revenue management approach for passenger transport service: An Italian case study. En R. Cerulli, M. Dell’Amico, F. Guerriero, D. Pacciarelli & A. Sforza (Eds.), Optimization and decision science. ODS, Virtual Conference, november 19, 2020 (pp. 237-247). Springer. https://doi.org/10.1007/978-3-030-86841-3_20

Handojo, A., Pujaman, N., Santosa, B., & Laksono Singgih, M. (2023). A multi layer recency frequency monetary method for customer priority segmentation in online transaction. Cogent Engineering, 10(1). https://doi.org/10.1080/23311916.2022.2162679

Horita, Y., & Yamashita, H. (2019). Bayesian network considering the clustering of the customers in a hair salon. Cogent Business & Management, 6(1), 1-15. https://doi.org/10.1080/23311975.2019.1641897

Kourentzes, N., Li, D., & Strauss, A. K. (2019). Unconstraining methods for revenue management systems under small demand. Journal of Revenue Pricing Management, 18(1), 27-41. https://doi-org.ezproxy.ulima.edu.pe/10.1057/s41272-017-0117-x

Martí, P., Jordán, J., De la Prieta, F., & Julian, V. (2023). Optimization of rural demand-responsive transportation through transfer point allocation. Electronics, 12(22), 4684. https://doi.org/10.3390/electronics12224684

Oliveira, B. B., Carravilla, M. A., & Oliveira, J. F. (2018). Integrating pricing and capacity decisions in car rental: A matheuristic approach. Operations Research Perspectives, (5), 334-356. https://doi.org/10.1016/j.orp.2018.10.002.

Shaw, S., Chovancová, M., & Bejtkovský, J. (2022). Managing price changes: Role of consumer thinking styles on perceived price fairness and purchase intention. Innovative Marketing, 18(2), 212-223. http://dx.doi.org/10.21511/im.18(2).2022.18

Tang, L., Gan, A., Cevallos, F., & Alluri, P. (2018). Characteristics of bus transit vehicles in the United States: A 30-year national trend analysis. Transportation Research Record, 2672(8), 41-51. https://doi.org/10.1177/0361198118782268

Wilbert, H. J., Hoppe, A. F., Sartori, A., Stefenon, S. F., & Silva, L. A. (2023). Recency, frequency, monetary value, clustering, and internal and external indices for customer segmentation from retail data. Algorithms, 16(9), 396. https://doi.org/10.3390/ a16090396

Yuan, W., & Nie, L. (2020). Optimization of seat allocation with fixed prices: An application of railway revenue management in China. PLoS ONE, 15(4). https://doi.org/10.1371/JOURNAL.PONE.0231706

Zelenkov, Y. A., & Suchkova, A. S. (2023). Predicting customer churn based on changes in their behavior patterns. Business Informatics, 17(1), 7-17. https://doi.org/10.17323/2587-814X.2023.1.7.17

Publicado
2025-02-28
Número
Núm. 003 (2024): III Congreso Internacional de Ingeniería Industrial
Sección
Ponencias
Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.