Overbooking y análisis de datos: ¿por qué las aerolíneas venden billetes de más?

Foto de Suhyeon Choi en Unsplash

¿Sabías que una aerolínea puede vender más billetes que asientos disponibles tiene un avión? ✈️

Aunque pueda parecer un error de planificación, en muchos casos se trata de una decisión calculada. Esta práctica se conoce como overbooking o sobreventa y detrás de ella encontramos matemáticas, estadística y análisis de datos.

Las aerolíneas saben que no todas las personas que compran un billete terminan presentándose al vuelo. Cancelaciones, cambios de última hora, conexiones perdidas o simplemente pasajeros que no acuden hacen que algunos asientos puedan quedar vacíos.

La cuestión es: ¿cómo puede una aerolínea anticipar cuántas personas no se presentarán?

Aquí entran en juego los datos. 📊

¿Qué es el overbooking?

El overbooking consiste en aceptar más reservas que plazas disponibles existen para un determinado servicio.

En el sector aéreo, esto significa que una compañía puede vender un número de billetes superior al número de asientos del avión porque estima que una parte de los pasajeros finalmente no viajará.

El objetivo es reducir el número de asientos vacíos y aprovechar mejor la capacidad disponible.

Pero existe un problema evidente: ¿qué ocurre si finalmente se presentan todos los pasajeros?

Por eso, decidir cuántos billetes adicionales pueden venderse se convierte en un problema de gestión del riesgo.

¿Qué tiene que ver el análisis de datos con el overbooking?

Muchísimo. 📈

Las aerolíneas disponen de grandes cantidades de información procedente de vuelos anteriores. Analizando esos datos pueden identificar patrones y estimar la probabilidad de que determinados pasajeros no se presenten.

Entre las variables que pueden estudiarse encontramos:

  • 📅 El día de la semana.
  • ☀️ La época del año o temporada.
  • 🌍 La ruta.
  • 🕐 El horario del vuelo.
  • 🎟️ La antelación con la que se realizó la reserva.
  • ❌ Los patrones históricos de cancelaciones y no-shows.
  • 📊 El comportamiento observado en vuelos similares.

Los datos históricos permiten construir estimaciones sobre cuántas personas probablemente acabarán viajando. No se trata, por tanto, de saber con absoluta certeza qué hará cada pasajero, sino de trabajar con probabilidades para tomar una decisión.

El verdadero problema matemático: encontrar el equilibrio

Imaginemos un avión con 180 plazas.

Si históricamente algunos pasajeros no se presentan, vender exactamente 180 billetes podría provocar que el avión despegara con varios asientos vacíos. La compañía podría decidir vender algunos billetes adicionales, pero aquí aparecen dos escenarios.

  • Si vende demasiado poco, puede terminar con plazas vacías y desaprovechar capacidad.
  • Si vende demasiado, existe el riesgo de que se presenten más pasajeros que asientos disponibles, generando costes de compensación, reubicaciones y problemas operativos.

Por tanto, la pregunta relevante no es simplemente “¿cuántos billetes podemos vender?”, sino “¿qué nivel de sobreventa ofrece el mejor equilibrio entre riesgo y beneficio esperado?” Y esta pregunta puede formularse y estudiarse matemáticamente. 🧮

Probabilidad y estadística para anticipar el comportamiento

La probabilidad y la estadística permiten estudiar la incertidumbre asociada al número de pasajeros que finalmente se presentarán.

A partir del comportamiento histórico pueden estimarse probabilidades de cancelación o no-show y construirse modelos que representen diferentes escenarios. Por ejemplo, una aerolínea podría estudiar qué probabilidad existe de que se presenten 175, 180, 183 o 185 pasajeros cuando ha vendido una determinada cantidad de billetes.

Cuanto mayor sea la sobreventa, mayor puede ser el aprovechamiento de las plazas, pero también aumenta el riesgo de superar la capacidad del avión.

Modelos predictivos: aprender de los datos históricos

El problema puede sofisticarse mediante modelos predictivos.

En lugar de utilizar únicamente una tasa media de pasajeros que no se presentan, un modelo puede incorporar diferentes variables para realizar estimaciones más precisas. Aquí pueden entrar en juego técnicas de machine learning, capaces de detectar relaciones y patrones en grandes volúmenes de datos históricos. De esta forma, la predicción puede adaptarse a las características concretas de cada vuelo.

Optimización: ¿cuántos billetes conviene vender?

Predecir cuántos pasajeros se presentarán es solo una parte del problema. Después hay que tomar una decisión.

Las técnicas de optimización permiten comparar diferentes escenarios teniendo en cuenta factores como los ingresos obtenidos, la capacidad disponible, la probabilidad de no-show y los posibles costes derivados de una sobreventa excesiva.

Así, matemáticas y computación ayudan a transformar una predicción en una decisión operativa.