Este capítulo de la tesis se centra en el framework SYSTEM-TH-001, un sistema diseñado para optimizar la gestión de servicios turísticos en una agencia de viajes mediante el uso de inteligencia artificial y una arquitectura de agentes bioinspirada. SYSTEM-TH-001 integra módulos que actualizan diariamente los repositorios de conocimiento de proveedores y servicios turísticos. Aunque requiere intervención manual, el sistema automatiza y simplifica las tareas del administrador.
El framework fue probado en la agencia COMPANY-002, incorporando un Sistema Multiagente (MAS) basado en una organización bioinspirada, con configuraciones adaptadas a las necesidades de la empresa. Se realizaron experimentos que evaluaron parámetros clave y la satisfacción de clientes y agentes de viajes. Los resultados iniciales indicaron que los clientes priorizan atributos como precio y calidad del servicio.
Los experimentos compararon el rendimiento de SYSTEM-TH-001 frente a métodos tradicionales y otros algoritmos, evaluando su capacidad para predecir la propensión a la compra. El modelo bi-stage de SYSTEM-TH-001 demostró un mejor equilibrio entre entrenamiento y prueba, evitando problemas de sobreajuste y optimizando las recomendaciones.
En pruebas reales, el sistema mostró una mejora significativa en la tasa de conversión, redujo el tiempo de atención y aumentó las recomendaciones precisas, beneficiando tanto a los clientes como a los empleados, y reforzando la agilidad en los procesos de reserva. SYSTEM-TH-001 se posiciona así como una solución eficaz para la transformación digital en el sector turístico.
3.1 Introducción
Hoy en día, el turismo es una de las industrias más rentables del mundo Camilleri (2018). Cada año, ejércitos de turistas visitan ciudades famosas, vestigios históricos o simplemente disfrutan del placer de conocer nuevas culturas y otras formas de vivir. También, hay otros turistas que simplemente buscan la calma y el relax durante sus vacaciones, disfrutando de paisajes y playas de ensueño Tureac y Turtureanu (2010).
Todos estos eventos humanos producen el uso de múltiples tipos de transporte como aviones, trenes, autobuses y coches Dinu et al. (2018). Además de generar millones de reservas en hoteles, apartamentos y otras inmuebles similares que permiten alojar a estos turistas.
Toda esta actividad debe ser gestionada por las agencia de viajes, mediante la obtención de información sobre los destinos y las preferencias de los diferentes tipos de turistas Moliner et al. (2007). Es por ello, que la aparición de sistemas enfocados a proporcionar un soporte al usuario final (ya sea el turista o el agente de viajes) que facilite el proceso de reserva resulta completamente necesario y está a la orden del día.
Además, los agentes de viajes deben realizar un esfuerzo adicional para proporcionar a sus posibles clientes la opciones más interesantes, con el fin de cerrar la venta. Dada esta situción, es natural que empiecen a florecer sistemas que automáticamente realicen las recomendaciones sobre los viajes y destinos, seleccionando los transportes óptimos según las necesidades del cliente Zapata et al. (2019).
Todos estos sistemas tienen sus limitaciones. El principal cuello de botella consiste en la dificultad de elaborar los presupuestos por parte de los agentes de viajes. Es una tarea que requiere de una gran inversión de tiempo y esfuerzo, que aumenta según se incrementa la complejidad y la combinación de destinos durante el viaje deseado. Otro problema relevante es la incapacidad de proporcionar retroalimentación sobre los servicios ofrecidos a los clientes. Este problema es esencial para las agencias de viajes porque necesitan conocer si el trabajo generado fue adecuado y los clientes han quedado satisfechos tras haber disfrutado de los servicios contratados. En este sentido, las recomendaciones que filtran las preferencias iniciales de los clientes son clave. Estas normalmente marcan la evolución de los servicios turísticos ofrecidos, dado que suelen atraer la atención del cliente desde el primer momento.
La pandemia del COVID-19 fue otro gran problema para el sector turístico debido al establecimiento de restricciones de movimientos con el fin de limitar la expansión del virus. Esta medida obviamente influyó muy negativamente en el turismo, reduciendo los viajes, y por tanto generando grandes pérdidas en el sector Bakar y Rosbi (2020). Sin embargo, los avances en los programas de vacunas, así como las medi-
das de relajación contra el contagio del virus, han permitido que el turismo vuelva a niveles prepandemia y un nuevo optimismo se apodere del sector.
Por esta razones, resulta fundamental el desarrollo de un completo framework que pueda gestionar la creciente nueva demanda. Este sistema debe ser capaz de resolver los puntos débiles detectados, mediante una gestión óptima de todos los problemas que aparecen desde que el cliente muestra su interés en un servicio turístico, proporcionando soporte al agente de viajes en la selección de las diferentes posibilidades y obteniendo la correspondiente retroalimentación del cliente cuando el servicio ha terminado.
En este sentido, esta tesis presenta el framewok SYSTEM-TH-001 . Este es un sistema automático que incluye múltiples asistentes gráficos para proporcionar un completo soporte a los agentes de viajes y turistas. Su novedad reside en los siguientes puntos:
Cubre todos los procesos necesarios con el proceso de venta de servicios turísticos, enfocándose fundamentalmente en los intereses del cliente y las posibles ofertas que encajen mejor con la política de la agencia de viajes. El agente de viajes y el cliente son guiados por la recomendaciones generadas por el sistema, en cada fase del proceso de venta.
Genera presupuestos de forma rápida en tiempo real, lo que produce una mejora en la toma de decisiones tanto a nivel operativo, agentes de viajes, como estratégico, dirección.
Es capaz de aprender mediante la experiencia y ayuda a priorizar aquellos clientes o potenciales clientes con una alta propensión a la compra. Un modelo de propensión a la compra de ML ha sido incluido en el sistema para dicha tarea.
La inclusión de un MAS así como de sus agentes inteligentes permite gestionar de forma óptima el intercambio de conocimiento y optimizar las comunicaciones. Dicho MAS se ha desarrollado siguiendo la abstracción bioinspirada de un hormiguero, el cual gestiona las cargas de trabajo en el sistema Moreno et al. (2022), característica muy relevante, dado que la mayoría de las empresas necesita realizar interacciones en tiempo real, con el fin de cubrir las necesidades de sus clientes.
Proporciona soporte al agente de viajes ayudándole a filtrar entre las mejores opciones según los intereses del cliente. El sistema podría ser clasificado como un sistema de recomendación, que simplifica los procesos que se deben realizar en al agencia de viajes.
Se ha diseñado una serie de experimentos, para demostrar el valor de la propuesta. El módulo que se encarga de la priorización de clientes ha sido evaluado de forma
independiente para poder comprobar el valor añadido que aporta. Posteriormente, se ha puesto a prueba todo el sistema y se han obtenido resultados muy prometedores en dicha evaluación.
3.2 Propuesta
3.2.1 Gestión automática del turismo
La gestión automática del turismo es una de las tareas básicas dentro de este área, debido a la ingente cantidad de diferentes procesos para considerar las ofertas disponibles, configuraciones de viaje, oportunidades de marketing y las preferencias e indicaciones de los clientes Kler (2009).
El proceso de gestión está basado en dos enfoques: el cliente y el vendedor (por ejemplo, el recurso final o la agencia de viajes). El primero es el más desarrollado por diferentes estudios y sistemas disponibles. El problema está relacionado con la implementación de las nuevas tecnologías y el turimso electrónico (por ejemplo, ofertas y marketing de servicios turísticos en internet, lo que significa que el proveedor de servicios turísticos tiene contacto directo con el cliente Hamid et al. (2021).
En relación a los enfoques que permiten automatizar los diferentes procesos relacionados con el turismo, la mayoría de los sistemas son sistemas de recomendación desde ambos enfoques.
En el caso del enfoque de las agencias de viajes, típicamente trabajan con clientes que no saben dónde viajar o cuales son sus preferencias. Por ello, los sistemas que son capaces de extrar y procesar información de los clientes pueden proporcionar soporte para la toma de decisiones o seleccionar el proveedor óptimo desde la agencia para un determinado cliente Hsu et al. (2013). La información puede ser contenidos de textuales Loh et al. (2003) o generados a través de la creación de perfiles Adriana (2018).
Sobre el enfoque de los clientes, hay múltiples problemas en los que trabajar. Por ejemplo, sistemas capaces de elaborar específicas configuraciones de viajes para clientes con necesidades especiales son realmente útiles Novikova et al. (2015). Así mismo, existen otros enfoques más generalistas, algunos ejemplos de ello, son aquellos que se centran en la selección de la mejor ruta de acuerdo al tiempo metereológico y las condiciones del tráfico Subramaniyaswamy et al. (2018), o aquellos que recomiendan los mejores viajes para individuos o grupos Herzog et al. (2018). Todos ellos son como diseñadores virtuales de planes de viaje Al Fararni et al. (2021) que usualmente se basan en los gustos de los clientes y sus viajes ya realizados Garcia et al. (2009). Para la selección de destinos, sistemas similares han sido considera-
dos. Procesan las opiniones de los turistas para encontrar los destinos más populares para ellos Zheng et al. (2018) y también producen rankings de interés Alrasheed et al. (2020). Por último, el problema de ofrecer el alojamiento óptimo de acuerdo a las preferencias del cliente, también ha sido considerado. Estas preferencias son en realidad, las necesidades de los clientes Forouzandeh et al. (2021), así como su capacidad económica Ray et al. (2021).
El framework SYSTEM-TH-001 está fundamentalmente enfocado a la perspectiva de la agencia de viajes, proporcionando elementos específicos para interactuar con los clientes. En el primer caso, el vendedor obtiene recomendaciones en tiempo real acordes a las indicaciones realizadas por los clientes sobre sus intereses. El sistema dispone de un componente realmente novedoso para informar al vendedor de qué clientes tiene una mayor tendencia a comprar un servicio turístico. Esto facilita el trabajo e incrementa el beneficio de la agencia. En el segundo caso, los clientes pueden introducir sus características e intereses. El sistema las usa para proporcionar información filtrada al vendedor.
3.2.2 El framework SYSTEM-TH-001
El principal objetivo del framework SYSTEM-TH-001 es dar soporte a los clientes y agentes de viaje. Por ello, el sistema cubre ambas perspectivas relacionadas con la gestión de servicios turísticos.
Desde la perspectiva turística, SYSTEM-TH-001 proporciona diferentes servicios turísticos acordes a las preferencias y características. Para los usuarios del perfil tipo agente de viajes, el sistema ofrece los servicios óptimos considerando las preferencias suministradas por el cliente, reseñas y puntuaciones previas del servicio. Además, SYSTEM-TH-001 incluye una funcionalidad extremadamente novedosa para una pyme, esta es la capacidad de seleccionar a aquellos clientes con una mayor propensión a la compra en un momento determinado, lo que permite a los agentes de viajes establecer las prioridades de su plan de trabajo, así como establecer la acciones necesarias en cada caso.
El sistema es alimentado por múltiples fuentes de información, que proporcionan el conocimiento necesario, como por ejemplo: la disponibilidad y precio de los vuelos, hoteles, traslados, excursiones, coches, etc.
Las siguientes secciones detallan la arquitectura del framework SYSTEM-TH-001 considerando los diferentes módulos y haciendo enfásis en los procesos que cubren sus funcionalidades.
Figura 3.1: Arquitectura del framework SYSTEM-TH-001.
3.2.3 Arquitectura general y módulos
La arquitectura del framework SYSTEM-TH-001 consiste en cinco módulos diferentes: el Information gatherer, el Tourist service manager, el Customer manager, el Travel agent manager y el Maintenance manager. Estos módulos son complementados con dos bases de datos de conocimientos que permiten almacenar dicha información: el Suppliers knowledge y el Tourist services knowledge (ver Fig. 3.1). Estos módulos son capaces de llevar a cabo estos tres procesos fundamentales: la venta de servicios turísticos, la retroalimentación del cliente y la actualización de la información.
El módulo Maintenance manager sirve como punto central para el mantenimiento de la información y parámetros comunes usados por el resto de módulos de SYSTEM-TH-001. Típicamente algunos ejemplos de mantenimiento de la información están relacionadso con modificaciones de los recursos turísticos (por ejemplo, cambios de nombre de hoteles, nuevos proveedores o cierre de eventos). Es necesario disponer de una capacidad de mapeo del mismo servicio turístico en diferentes proveedores para facilitar al sistema la generación de contenido de servicios con diferentes tarifas. Para ellos, usa el módulo de Information gatherer para realizar estas acciones (ver Fig. 3.2).
El módulo Information gatherer recolecta la información del mercado virtual del turismo. Este mercado esta basado en el intercambio de información entre proveedores y consumidores a través del uso de tecnologías XML y JSON. Este módulo recupera información de dos tipos, estática y dinámica. La primera no se modifica frecuentemente, como el nombre, descripción, características e imágenes relevantes. La segunda cambia varias veces de forma diaria. Típicamente algunos datos de este tipo de información son la ocupación del hotel o las tarifas. Toda esta información es almacenada en el repositorio de información Suppliers knowledge. Es importante indicar que parte de esta información no puede ser almacenada, debido a condiciones contractuales con los proveedores, que hacen que solo pueda ser consumida por
Figura 3.2: Visión del módulo Maintenance manager y Information gatherer.
este módulo de una forma pasiva.
El repositorio Suppliers knowledge tiene el principal objetivo de gestionar el conocimiento adquirido correspondiente a los proveedores. Nótese, que esta información se carga en dicho repositorio por un humano de forma manual. El sistema usa toda esta información para poder realizar recomendaciones de una forma automatizada. La interfaz visual de SYSTEM-TH-001 proporciona varios asistentes gráficos que sin duda también ayudan a al usuario a completar sus tareas,
El módulo Tourist service manager es el encargado de gesionar las oportunidades de potenciales clientes, así como la generación de ofertas personalizadas para realizar las recomendaciones óptimas (ver Fig. 3.3). Estas recomendaciones se basan en los cálculos realizados para obtener los mejores recursos turísticos para una operación, ordenados por interés. Cada tipo de recurso turístico es agrupado por un tipo de categoría. En la categoría transportes, vuelos, transportes colectivos ( por ejemplos, trenes y autobuses), y servicios de alquiler de coches, están incluidos. En la categoría de alojamientos, hoteles, apartamentos y sitios similares son considerados. Finalmente en la categoría de extras, excusiones y seguros son clasificados e incluidos.
La expresión que proporciona los mejores recursos turísticos para configurar un servicio turístico completo (TS ) es descrito de la siguiente forma:
TS = max k∈{1,...,|T|·|A|·|E|}TS k = X
C∈{T,A,E} θC · S coreC (3.1)
donde T es el transporte, A el alojamiento, y E son los extras. Además, los valores θ son los pesos que van de 0 a 1 para indicar la relevancia. Nótese que la suma de los pesos deber ser 1. Luego S coreC es el valor medio de los valores de S coreC j corres-
pondientes a la selección de recursos turísticos de un servicio. S coreC j se define de la siguiente forma:
S coreC j = wC u,j · f C u,j + wC e,j · f C e,j (3.2)
donde j ∈{1, . . . , |C|}, |C| es el número de elementos en la categoría C. Los valores denotados por w son los pesos de las contribuciones parciales a la puntuación global consecuentemente definida.
El elemento f C u,j son las variables preferidas y se expresa de la siguiente forma:
n X
f C u,j = 1
n
i preferredC j,i (3.3)
donde preferredC j,i es un valor ∈[0, 1] indicando la retroalimentación por los clientes en base a experiencias previas. Además, f C u, j es el valor medio de las opiniones de los clientes.
En el caso del elemento f T e,j, este depende de las categorías consideradas (T,A,E):
f T e,j = wT quality · qualityT j + wT stopovers · stopoversT j + wT time · timeT j + wT price · priceT j (3.4)
f A e,j = wA quality · qualityA j + wA location · locationA j + wA services · servicesA j + wA price · priceA j (3.5)
f E e,j = wE quality · qualityE j + wE flexibility · flexibilityE j + wE services · servicesE j + wE price · priceE j (3.6)
En cada categoría, se considera una conjunto de medidas con valores ∈[0, 1]. Para la categoría Transporte: calidad mide la calidad del transporte, paradas es el número de posibles paradas, tiempo mide el tiempo estimado en llegar al destino, y precio expresa el coste monetario. En la categoría Alojamiento: calidad mide la calidad del alojamiento, localización expresa la distancia relativa a las área turísticas, servicios expresa el nivel de servicios ofrecidos por el alojamiento y precio el coste del mismo. Finalmente, para la categoría Extras: calidad mide la calidad del extra, flexibilidad significa la capacida de reserva en horas y modalidades, servicios expresa el nivel del servicio proporcionado y precio significa el coste del mismo. Nótese que las medidas están ponderadas por pesos w cuya suma es 1 para cada categoría.
Mediante las medidas para cada una de las categorías, el sistema intenta responder a las siguientes cuestiones clave para un viaje:
CÓMO: mediante la definición de la calidad o nivel del recurso.
CUÁNDO: mediante la clasificación del tiempo necesario para llegar al destino.
DÓNDE: clasificando el lugar y sus alrededores.
QUÉ: clasificando la aceptación del recuros extra en términos de lo que ofrece.
POR QUÉ: define el conjunto de extras y seguridad ofrecida por el recurso.
El módulo es responsable de filtrar los clientes según su propensión a completar la compra. Un algoritmo que estima la propensión a la compra se encarga de establecer esta clasificación. Este algoritmo usa técnicas de procesamiento de puntuaciones clásicas y dos diferentes métodos de ML en una arquitectura de dos capas para categorizar a los clientes en cinco grupos de acuerdo a su probabilidad de reserva. Más detalles de este proceso serán presentados posteriormente.
El módulo integra tres componentes: el tourist services organizer, el tourist service filter y el customer feedback gatherer. El primero contiene un MAS para distribuir la carga de trabajo y conseguir que la tarea de toma de decisiones sea repartida. El segundo está a cargo del filtrado de recursos de acuerdo a las peticioines realizadas por los clientes y el tercero gestiona la retroalimentación posterior.
En relación al MAS, consigue realizar las tareas relacionadas con los métodos de ML usando una estructura bio-inspirada basada en un hormiguero con una reina, soldados y mútltiples agentes trabajadores. La agente reina distribuye las diferentes tareas entre los soldados, y construye el resultado final. Los soldados organizan las peticiones y hacen uso de los trabajadores para resolver el problema. Esta arquitectura de los agentes inteligentes, es de interés, porque permite implementar medidas de balanceo de carga. Estas medidas consisten en la creación de nuevos soldados y trabajadores, u nuevos hormigueros completos para incrementar la capacidad del sistema. Más detalles sobre el MAS se proporcionarán en las siguientes secciones.
El repositorio Tourist services knowledge almacena la información relacionada con los contratos de servicios turísticos para la consiguiente consulta y modificación por parte de los agentes de viajes. Esta información está sujeta a las decisiones de gestión y configuraciones realizadas en el módulo Tourist service manager. Sirve como guía en los procesos de composión o auto-generación de servicios turísticos. Las retroalimentación obtenida de los clientes una vez el servicio ha concluido también es considerada.
Figura 3.3: Visión de los módulos: Tourist service manager, Travel agent manager, y Customer manager.
El módulo Customer manager tiene como principal funcionalidad dar soporte a los clientes para realizar las tareas necesarias para crear servicios turísticos en tiempo real. Este módulo comunica con los repositorios Tourist services knowledge y Suppliers knowledge a través del módulo Tourist service manager para realizar composiciones de los diferentes elementos que conforman un servicio turístico. El servicio creado es almacenado para la posterior verificación y aprobación por parte de un agente de viajes.
El módulo Travel agent manager tiene como propósito servir de punto central de gestión interna para las operaciones de creación de servicios turísticos. Además se encarga de la revisión de los servicios creados por los cliente a través del módulo Customer manager. Está directamente conectado a una interfaz gráfica, permitiendo acceder a las información de las peticiones de los clientes. Esta peticiones son usadas para consultar a los repositorios Tourist services knowledge y Suppliers Knowledge a través del módulo Tourist service manager, y de esta forma obtener servicios turísticos interesantes para el usuario. Este módulo puede generar servicios turísticos desde cero mediante la selección de diferentes opciones. Nótese que la principal diferencia de este módulo respecto al anterior reside en la configuración de los privilegios del usuario (los agentes de viajes tienen más privilegios que los clientes).
El interfaz visual proporciona diferentes opciones de acuerdo a dos perspectivas: la del agente de viajes y la del cliente. Para el primer caso, la visualización soporta la creación de viajes (por ejemplo un conjunto completo de servicios turísticos). Una serie de asistentes gráficos tratan de aliviar la complejidad del diseño de viajes, reduciendo la toma de decisiones del cliente mediante un conjunto finito de opciones. Cuando el cliente aprueba cun servicio de viaje, es enviado a la agencia de viajes para su gestión: aprobación o modificación. Una serie de intercambios tiene lugar entre el cliente y la agencia de viajes hasta que el cliente confirma firmemente el viaje y
es confirmado por la agencia de viajes. Una vez que los servicios han sido confirmados y el pago completo ha sido verificado, se ejecuta un proceso de envio de toda la documentación necesaria para disfrutar de los servicios. Además dicha documentación, así como la legal asociada es puesta a disposición del cliente en el área privada de usuario para su consulta y descarga. Para la segunda perspectiva, la del agente de viajes, funcionalidades similares son proporcionadas. Sin embargo los agentes de viajes tienen aquí la iniciativa, pudiendo generar múltiples servicios turísticos para los clientes. Más detalles sobre los procesos de venta son descritos en las próximas secciones.
3.2.4 Algoritmo para la detección de clientes potenciales
El módulo Tourist service manager contiene un algoritmo de estimación de la propensión a la compra. Clasifica a los clientes potenciales en función de su probabilidad de cerrar la reserva de un servicio turístico. Este algoritmo proporciona información de alto valor a la agencia de viajes y permite que los agentes de viaje puedan diferenciar entre buenos y malos clientes (clientes que finalmente reservan o no). El algoritmo consiste en tres elementos fundamentales: transformación de variables, clustering y clasificación. El primer elemento prepara las entradas para la estimación de probabilidad, realizada por los métodos de clustering y clasificación. El segundo elemento proporciona una probabilidad inicial de compra y el último la refina en alguno de los clusters. La salida de algoritmo categoriza a los clientes potenciales según cinco grupos, acordes a su tasa de conversión (por ejemplo, la proporción de clientes que finalmente reservas un servicio turístico).
El elemento de transformación de variables es llevado a cabo por un codificador Weight Of Evidence (WoE) Weed (2005). Este tipo de transformación y sus beneficios han sido estudiados en el entorno del riesgo crediticio profundamente Anderson (2007); Zdravevski et al. (2011). Ayuda a trabajar con datos categóricos y numéricos simúltaneamente, además puede funcionar con datos faltantes con otra técnica adicional. Tradicionalmente, la codificación WoE es usada para separar malos de buenos clientes, lo cual encaja a la perfección con un algoritmo de estimación de la propensión a la compra. La ecuación de la transformación WoE es:
WoE = ln %non_events
%events (3.7)
dónde el valor de events se refiere a los buenos clientes y el valor de non-events representa a los malos.
Una de las ventajas más interesantes de WoE para el actual enfoque es que las variables con demasiados valores discretos se transforman a variables numéricas y serán ordenadas de acuerdo a auna relación monotónica con la variable dependien-
Figura 3.4: Módelo bifásico para la estimación de la probabilidad de la propensión a reservar un servicio turístico.
te. WoE proporciona una variable numérica que reagrupa ese gran número de valores discretos en una serie de categorías bien pobladas que expresan la información para la nueva categoría. Otra gran ventaja que se obtiene con la solución propuesta es que WoE es un valor estandarizado. La primera permite usar algoritmos Decision Tree (DT). Nótese que en un algoritmo básados en árboles puede ser reducida su potencial de predicción con variables categóricas con demasiadas categorías Friedman (2017). La segunda permite usar algoritmo basados en distancias como el algoritmo de agrupación k-means, que necesita variables con valores comparables porque usa la distancia euclídea Mohamad y Usman (2013).
El algoritmo es un modelo bifásico tal y cómo se muestra en la figura 3.4, que primero aplica agrupamiento mediante k-means para conseguir tres clusters con diferentes tasas de conversión (baja, regular, alta). Además para más obtener unos resultados más precisos un clasificador DT actúa sobre los clusters bajo y alto, para dividirlos en bajo y muy bajo, y alto y muy alto, respectivamente. Por lo tanto, el algoritmo propuesto proporciona cinco categorías de salida: muy bajo, bajo, regular, alto y muy alto. Este tipo de salida es calculada sobre la base de la probabilidad a priori de la propensión a la compra Pons et al. (1997), y ofrece un resultado interpretable para un agente de viajes.
La clave del modelo está en cómo agrupa las variables en dos fases. En la primera fase, la transformación WoE es aplicada al conjunto de variables que contienen información sobre quién es el cliente y de dónde viene. Algunos ejemplos de este tipo de variables son: canal de contacto ( web, email, presencia física o teléfono), compra a corto plazo o largo, si el viaje está relacionado con algún evento particular (aniversario o boda). Con estas variables, la agrupación es desarrollada para primero obtener tres grupos (bajo, regular, alto), que después serán divididas en las cinco categorías
finales deseadas. Después en la segunda fase, las transfomración WoE es aplicada a las variables inherentes al viaje, como el número lugares que visitar, duración del viaje, flexibilidad, precio final, etc. Nótese que la codificación WoE debe ser aplicada de forma separada a los grupos baja y alta probabilidad, aún con la misma variable relacionada, porque el objetivo es capturar los patrones de acuerdo a cada grupo independiente. Finalmente, dos DT aplicados a los clusters de baja y alta probabilidad subdividen dichos grupos en dos grupos más cada uno, resultando en cinco categorías con diferentes propensiones a la compra.
3.2.5 Organización Multi-Agente (MAS) bio-inspirada
Los agentes inteligentes son entidades independientes que son usados por SYSTEM-TH-001 para gestionar los métodos de ML. Establecen actividades cooperativas organizadas mediante una arquitectura MAS jerárquica.
El MAS propuesto consiste en un hormiguero que involucra agentes que juegan tres roles diferentes como hormigas: la reina, los soldados y los trabajadores (ver Fig. 3.5). Por lo tanto, se organiza siguiendo una estructura social de hormigas bioinspirada. La reina (es decir, el agente gerente) es responsable del hormiguero, recibiendo las solicitudes para analizar. Hay que tener en cuenta que se pueden enviar varias solicitudes a este agente. Luego, el agente reina asigna la actividad de evaluación de los elementos de la solicitud a un agente soldado (es decir, el agente evaluador). Este agente es el encargado de asignar la información relevante a los agentes trabajadores. Estos últimos procesan la información y aplican los métodos de ML proporcionados por el sistema. Obsérvese que hay una copia del modelo ML disponible para cada trabajador. Una vez que los agentes trabajadores han concluido su tarea, los soldados se unen al resultado si es necesario (protegiendo y supervisando el resultado obtenido por un trabajador o un conjunto de ellos) y devuelven el resultado al agente reina.
Este proceso se basa en el modelo Belief-Desire-Intention (BDI) De Silva et al. (2020) donde cada agente presenta un objetivo o un conjunto de ellos que deben cumplirse para completar su ciclo de vida. En este sentido, la reina tiene el objetivo assignedtask, los soldados tienen el objetivo evaluatedinfo y los trabajadores tienen el objetivo processedinfo. Todos los objetivos suelen incluir tareas asociadas que son acciones a conseguir. Los agentes inteligentes han sido implementados con al menos una tarea, que les permite conseguir sus objetivos. Estas tareas son implementadas en un entorno compartido por los agentes, dicho entorno está formado por las oportunidades de los posibles clientes. Cada agente inteligente, tiene un estado mental y su procesador y gestor, además de un conjunto de creencias (motivaciones). La reina además tiene una serie de reglas y un plan para gestionar las solicitudes de oportunidades, al mismo tiempo los soldados tienen un conjunto de reglas similares para distribuir el conocimiento sobre las oportunidades entre los trabajadores. Sin em-
Figura 3.5: Extracto de las principales entidades involucradas en el hormiguero MAS.
bargo, los trabajadores incluyen el modelo ML en sus estados mentales para lograr la evaluación de la información, un plan y algunas reglas sencillas para organizar el proceso en las creencias. Por último, las interacciones entre los individuos siguen la estructura jerárquica que consiste principalmente en conversaciones directas. Nótese que en este caso, los trabajadores no necesitan establecer conversaciones con otros trabajadores, ya que abordan su compromiso individualmente de acuerdo con las órdenes del soldado.
En cuanto al diseño del modelo de hormiguero, se ha abordado a través de la metodología de agentes SOFTWARE-TH-001. A continuación, la composición resultante se ha transformado para que cumpla con el marco MESA. Las conversaciones e interacciones de los agentes se han implementado siguiendo los estándares ORG-TH-006 (ORG-TH-006) Melo et al. (2019).
3.2.6 Procesos internos del sistema
El marco de trabajo de SYSTEM-TH-001 presenta tres procesos principales de acuerdo con su arquitectura. El primer proceso engloba las diferentes acciones logradas por el agente de viajes y el cliente hasta que se concreta la venta de un servicio turístico. El segundo proceso se refiere a la tarea de retroalimentación. Finalmente, el tercer proceso comprende los pasos para actualizar la información sobre tarifas, servicios y
Figura 3.6: Procesos de oferta y venta de un servicio de prestación de servicios turísticos.
otra información relevante.
El proceso de venta de un servicio turístico consta de un conjunto de etapas, la mayoría de ellas comunes a ambos tipos de usuarios finales (es decir, agente de viajes y cliente). Ocurre debido a que ambos roles interactúan varias veces durante el proceso (ver Fig. 3.6). Inicialmente, los usuarios finales inician sesión en el sistema. Si los usuarios son ya clientes, pueden solicitar un servicio turístico concreto y enviar dicha petición a la agencia de viajes. Sin embargo, si los usuarios son agentes de viajes, pueden tomar la iniciativa (los clientes son físicos con ellos) o responder a las posibles solicitudes realizadas por los clientes previamente. Luego, el sistema analiza
Figura 3.7: Proceso de actualización de la información basado en el feedback del cliente.
a los clientes para decidir si son propensos a la venta o no. En caso de que sean propensos, los agentes de viajes priorizan sus demandas. Si los clientes responden a la respuesta proporcionada por las agencias de viajes y uno de los servicios turísticos les interesa, el sistema finaliza el proceso de envío de los documentos con la transacción y la información relacionada con el servicio turístico. Sin embargo, si los clientes no pudieron responder a los servicios turísticos estipulados por las agencias de viajes. En este caso, el proceso concluye. Además, los clientes pueden no estar satisfechos por las ofertas realizadas desde la agencia de viaje, en dicho caso la agencia deberá generar nuevos servicios que cumplan con los deseos de los clientes.
El proceso de retroalimentación sigue una serie de pasos en los que los clientes introducen comentarios sobre un servicio turístico previamente comprado y concluido (ver Fig. 3.7). Es un proceso simple y opcional realizado solo por los clientes donde su opinión se almacena en el sistema. La información que proporcionan es utilizada para optimizar las fórmulas de recomendación contenidas en SYSTEM-TH-001.
El proceso de actualización de la información es el trabajo de mantenimiento típico del sistema. Modifica principalmente el conocimiento almacenado en los dos repositorios: módulos Suppliers knowledge y Tourist services knowledge. Esta tarea debe realizarse diariamente para mantener actualizado el marco SYSTEM-TH-001. Sin embargo, aunque es un proceso manual, el sistema proporciona pasos automatizados para administrar las acciones y simplificar la tarea al administrador. Tenga en cuenta que el administrador no es considerado un usuario final por el sistema (ver Fig. 3.6),
3.3 Experimentos
En esta sección se muestran la mayor parte de experimentos, al menos los más relevantes, para la validación del rendimiento como solución de SYSTEM-TH-001, se incluyen tres experimentos en entornos reales. COMPANY-002 1 fue la agencia de viajes seleccionada para desarrollar los experimentos. Tenga en cuenta que esta es la primera empresa en la que el sistema se ha implantado en producción una vez que se ha completado la etapa de desarrollo.
En cuanto al MAS incluido en el sistema, presenta una configuración básica adaptada a las necesidades de la empresa. Estas necesidades han sido previamente probadas ajustando los parámetros antes de los experimentos aquí presentados. Así, el MAS se compone de dos hormigueros, con cinco soldados y diez obreros.
El primer experimento cubre la configuración de los parámetros y la configuración del sistema. Además, se presenta una prueba básica para evaluar el nivel de satisfacción que produce el sistema entre los agentes de viajes y los clientes de acuerdo con las recomendaciones realizadas. El segundo experimento detalla el rendimiento del algoritmo de detección de clientes potenciales. Se incluye una comparación con otros métodos del estado del arte. El tercer experimento evalúa el rendimiento del sistema una vez implantado en la agencia de viajes. Se abordan las comparaciones entre los beneficios de la agencia de viajes utilizando y no utilizando el marco SYSTEM-TH-001. Este hecho permite ilustrar la relevancia del sistema durante la gestión de una agencia de viajes.
3.3.1 Configuración de parámetros y validación inicial del sistema
El primer experimento consiste en un conjunto de pasos para mostrar cómo funciona el sistema propuesto. Inicialmente, los parámetros del marco SYSTEM-TH-001 se configuraron para producir recomendaciones sobre servicios turísticos a clientes y agentes de viajes. Estos valores fueron proporcionados por 3 expertos en el dominio de la agencia de viajes seleccionada (es decir, las personas responsables de la empresa). Luego, 10 clientes (preservando su anonimato) y 3 agentes de viajes de la empresa (es decir, algunos de los trabajadores de la empresa) evaluaron las recomendaciones obtenidas para sus deseos turísticos específicos. Finalmente, estos actores proporcionaron retroalimentación sobre el desempeño del sistema y su satisfacción con los resultados obtenidos. Esta satisfacción se ha medido según una Escala Analógica Visual de Satisfacción (Satis VAS) Lynskey et al. (2021). Este SVA se incluyó en un documento anónimo. El resultado del SVA se convirtió a un rango de valores de 0 a 1 para obtener la opinión resultante.
1[LINK-REDACTED]
Rol Satis VAS Agente A 0,85 Agente B 0,93 Agente C 0,73 Mean ± S.D. 0.84 ± 0.10
Tabla 3.1: Valores de satisfacción proporcionados por los agentes de viajes.
Rol Satis VAS Cliente 1 0,71 Cliente 2 0,62 Cliente 3 0,89 Cliente 4 0,76 Cliente 5 0,95 Cliente 6 0,58 Cliente 7 0,78 Cliente 8 0,69 Cliente 9 0,92 Cliente 10 0,76 Media ± D.E. 0.77 ± 0.12
Tabla 3.2: Valores de satisfacción aportados por los clientes.
En cuanto a la configuración de los parámetros (consulte la sección 3.2.3), los expertos de la agencia de viajes decidieron los siguientes valores para ellos. Por θT. θA y θE, los valores se fijaron en 0,3, 0,45 y 0,25 respectivamente. Esta decisión fue motivada por el supuesto de que los clientes dan más importancia al alojamiento y a la ubicación que al resto de características del servicio turístico. Luego, wC u,j y wC e,j se fijaron en 0,4 y 0,6, dando una relevancia moderada a los comentarios proporcionados por los clientes anteriores. Por último, se establecen los pesos de los elementos de cada categoría (transporte, alojamiento y extras). Para la categoría de transporte, wT quality, wT stopovers, wT time y wT price se configuran en 0,3, 0,1, 0,2 y 0,4 respectivamente. Esta decisión de los expertos estuvo motivada por el supuesto de que los usuarios suelen considerar muy relevante el precio del transporte por encima de la otra característica. Para la categoría de alojamiento, wA quality, wA location, wA services y wA price se configuran en 0,35, 0,25, 0,15 y 0,25 respectivamente. Estos valores corresponden a la suposición de que los usuarios suelen considerar como relevante el precio y la calidad del rehén, a menos que la ubicación y los servicios prestados también sean muy importantes. Para la categoría de extras, wE quality, wE flexibilidad, wE services y wE price están configurados en 0,45, 0,15, 0,15 y 0,25 respectivamente. Esta decisión parte de la premisa de que los usuarios dan más importancia al precio y a la calidad de los extras.
Una vez que los parámetros del sistema están completamente fijos, los tres agentes de viajes hacen peticiones a SYSTEM-TH-001 para obtener recomendaciones de acuerdo con sus preferencias. Estas preferencias se seleccionaron lo más heterogéneas posible para validar el sistema a través de un amplio espectro de posibilidades.
A continuación, los clientes proporcionaron indicaciones de que el sistema estaba siendo asistido por los agentes de viajes para resolver posibles problemas relacionados con el funcionamiento del sistema. Las agencias de viajes también proporcionaron a los usuarios las mejores configuraciones obtenidas por el sistema. Si un cliente estaba de acuerdo con uno de los servicios turísticos ofrecidos, el sistema completaba el proceso de reserva correspondiente.
Finalmente, se entregó a los participantes el documento anónimo con el SVA. Los resultados se muestran en la Tabla 3.1 y en la Tabla 3.2. La satisfacción promedio de los agentes de viajes fue de 0,84, mientras que el promedio de los clientes fue de 0,77. En ambos casos se obtuvieron desviaciones estándar similares. Así, la satisfacción media global del sistema fue de 0, 80 ± 0, 11.
En conclusión, se puede decir que el resultado es muy aceptable desde ambas perspectivas (clientes y agentes de viajes). Además, los clientes son más apremiantes y exigentes que los agentes de viajes en la evaluación de la satisfacción producida por las recomendaciones hechas por el marco de trabajo SYSTEM-TH-001.
3.3.2 Validación del algoritmo de estimación de la propensión a la compra.
Este experimento aborda el rendimiento del modelo de estimación de propensión a la compra propuesto (modelo bi-stage). La propuesta se compara con los clasificadores ML de última generación más típicos Sen et al. (2020); González et al. (2020): Random Forest (RF), Gradient Boosting (GB), k-Nearest Neighbour (kNN) y Logistic Regression (LR).
COMPANY-002 ha proporcionado el conjunto de datos para el desarrollo de este experimento. Contiene alrededor de 104 instancias que presentan una tasa de conversión inicial de 14 %, es decir, el porcentaje de clientes que finalmente compraron el servicio turístico (es decir, los datos están desbalanceados).Cada instancia incluye una variedad de atributos: datos de contacto, canal de contacto, servicio, destino del viaje, tipo de viaje, etcétera. En este caso particular, no se dispone de información más precisa de los datos debido a la confidencialidad. Todos los algoritmos seleccionados se entrenan con 80 % de todos los datos y se prueban con los 20 % restantes. Esta división se realiza con muestreo estratificado. Los hiperparámetros de las alternativas ML se seleccionan mediante 10-fold-cross-validation. La salida de cada algoritmo se presenta en cinco categorías que atienden a la distribución de probabilidad
RF GB kNN LR Bi-stage
model freq. c.rate freq. c.rate freq. c.rate freq. c.rate freq. c.rate
Train
very low 75.0 0.0 74.2 5.8 0.0 100.0 72.5 11.5 16.6 1.7 low 9.9 0.0 10.3 25.2 54.2 0.0 9.0 17.8 17.1 5.1 regular 9.9 89.1 10.3 34.5 29.8 20.6 13.2 19.6 44.7 10.9 high 3.9 100.0 4.1 63.4 11.9 42.2 4.2 26.7 15.8 32.8 very high 1.2 100.0 1.0 87.3 4.1 100.0 1.1 28.2 5.9 48.0
Test
very low 57.5 4.9 73.6 7.0 0.0 - 72.3 6.7 17.0 2.5 low 17.1 16.5 10.0 25.0 75.2 7.5 2.0 25.0 17.0 6.7 regular 25.2 30.9 9.8 28.8 17.4 26.7 5.8 22.9 46.1 10.2 high 0.0 - 4.8 41.4 5.3 40.6 7.3 34.1 14.6 34.2 very high 0.2 100.0 1.8 63.6 2.0 58.3 12.6 35.5 5.4 51.5
Tabla 3.3: Rendimiento de los algoritmos de clasificación ML en términos de frecuencia relativa (freq.), expresada en porcentaje sobre el total general, y tasa de conversión (c.rate), para cada categoría.
de salida en el conjunto de entrenamiento. El rendimiento se mide en términos de tasa de conversión y frecuencia relativa en cada grupo de clasificación, expresado en porcentaje sobre el total general. El poder predictivo se evalúa comprobando la tasa de conversión en los diferentes grupos, y la frecuencia proporciona la significación del grupo. Por último, se evalúa el posible sobreajuste del entrenamiento y se realiza la concordancia con el conjutno de prueba.
Los resultados se muestran en la Tabla 3.3. RF tiene una mala concordancia entre entrenamiento y prueba, tanto en frecuencias como en tasas de conversión. De hecho, uno de los grupos no tiene representación en el conjunto de datos de prueba. kNN tiene un comportamiento similar en los conjuntos de entrenamiento y prueba, con diferencias de hasta 21 %. En esta situación no tiene sentido para evaluar ninguna otra medida de rendimiento. GB tiene una concordancia generalmente buena entre las instancias de entrenamiento y prueba, excepto en las tasas de conversión para las categorías high y very high con diferencias superiores a 20 %. Estas diferencias hacen, al igual que en RF y kNN, que no tenga sentido evaluar el resto de los ítems de evaluación. LR tiene la mejor concordancia entre entrenamineto y prueba, tanto en frecuencia como en tasas de conversión. La distribución de los datos es alta y desequilibrada en todas las categorías, donde el grupo low probability comprende más del 70 % de los datos. Además, las cinco categorías no tienen suficiente distancia entre ellas en el término de la tasa de conversión, 2 % en algunos casos, lo que dificulta la diferenciación entre grupos cercanos. Eventualmente, el modelo bi-stage propuesto tiene una excelente concordancia entre las instancias de entrenamiento y prueba, con una desviación máxima de 3 %. La distribución de datos es la más equilibrada de los modelos probados, donde la categoría regular es la más densa con 45 % de los datos y la very high la menos densa con 6 % de los datos para el entrenamiento, y 46 % y 5 % para el conjunto de prueba respectivamente. Las categorías de probabilidad obtenidas son definitivamente diferentes con cinco valores de probabilidad
Traditional Innovators Services n Time c.rate Rec. n Time c.rate Rec.
Web
N. Coasts 20 3.2 15.0 2 20 2.9 25.0 3 N. Islands 20 5.2 10.0 2 20 4.8 15.0 3 Dubai-Maldives 16 10.1 6.3 1 16 9.6 12.5 2 Safaries 12 11.2 16.7 1 12 10.7 16.7 2
Other
N. Coasts 8 4.2 37.5 1 8 2.7 50.0 2 N. Islands 8 5.7 25.0 0 8 3.0 37.5 1 Dubai-Maldives 4 12.0 25.0 1 4 8.0 50.0 1 Safaries 4 12.5 25.0 0 4 9.0 25.0 1
Tabla 3.4: Resumen de los resultados obtenidos para los grupos Traditional y Innovators para cada servicio turístico. n es el número de clientes potenciales en cada servicio y grupo. El tiempo es el tiempo promedio (en horas) que cada agente de viajes pasa tramitando el servicio turístico hasta que es aceptado o descartado. Se presenta la tasa de conversión (c.rate) y el número de recomendaciones (Rec.).
representativos, y se valida en el conjunto de datos de prueba con desviaciones mínimas.
El experimento llevado a cabo muestra que este problema en particular necesita un enfoque ad-hoc, como el modelo bi-stage presentado. Esta solución es la adecuada para resolver el problema de propensión a la compra proporcionado por COMPANY-002. El modelo bi-stage es el que mejor clasifica en las diferentes categorías de probabilidad con frecuencias equilibradas. Además, es el que proporciona la mejor concordancia entre entrenamiento y prueba, garantizando así la inexistencia de sobreajuste. Por lo tanto, de acuerdo con los requisitos de rendimiento, el método propuesto sirve mejor que el clasificador de última generación para el objetivo actual.
3.3.3 Evaluación de la eficiencia del sistema completo
En este experimento se comprueba la eficiencia de SYSTEM-TH-001 en una situación real. Se ha mantenido la puesta a punto del sistema con la configuración de parámetros, siendo los mismos del primer experimento.
El experimento comienza organizando aleatoria y proporcionalmente a los clientes potenciales de 184 en dos grupos: Traditional y Innovators, para hacer comparaciones entre ellos. Todos ellos buscan el mismo tipo de servicios turísticos: National Coasts, National Islands, Dubai-Maldives y Safaris. Además, se consideran canales web y otros canales como llamadas telefónicas, recomendaciones familiares, visitas presenciales a la agencia de viajes, etcétera. Nótese que estos servicios comprenden un conjunto de servicios turísticos específicos.
El grupo Traditional consiste en 92 clientes que fueron atendidos manteniendo la forma tradicional en que se ha utilizado la empresa (es decir, sin el apoyo del marco
SYSTEM-TH-001). Por otro lado, el grupo Innovators está formado por 92 clientes que fueron atendidos utilizando el marco SYSTEM-TH-001 para llevar a cabo las solicitudes realizadas por los usuarios y las configuraciones proporcionadas por la agencia de viajes. Ambos grupos trabajaron con la misma agencia de viajes para minimizar las posibles variaciones en los resultados.
El experimento considera tres variables principales: el tiempo promedio (en horas) que cada agente dedica a procesar el servicio turístico ofrecido a los clientes, la tasa de conversión y el número de recomendaciones. Estos resultados se presentan en la tabla 3.4 para ambos grupos.
Para el grupo Traditional, los resultados muestran que el tiempo promedio para gestionar los servicios es menor en los destinos nacionales. Es decir, los clientes son más exigentes cuando el destino del viaje no está en el mismo país. La tasa de conversión fluctúa en el canal web, teniendo un valor bajo para el servicio Dubai-Maldives (es decir, solo unos pocos clientes completan la compra), mientras que Safaris y National Coasts tienen un porcentaje alto. Se han obtenido un total de recomendaciones de 8 para este grupo.
Para el grupo Innovators, el servicio Dubai-Maldives tiene la tasa de conversión más baja y National Coasts tiene la más alta en el canal web. Se han detectado diferencias de relevancia en el número de horas invertidas, el número de recomendaciones y la tasa de conversión entre Traditional y Innovators. El sistema incrementó aceptablemente la tasa de conversión, el número de horas se redujo significativamente y el número de recomendaciones también fue mayor. Se han obtenido un total de 15 de recomendaciones para el grupo Innovators. Los cambios en la tasa de conversión y el número de horas dedicadas están motivados por el algoritmo de estimación de propensión a la compra. Permitió seleccionar a los mejores clientes para la agencia de viajes, descartando a los clientes con menor interés en la compra. Además, la información visual proporcionada por el sistema, y las recomendaciones precisas también podrían haber hecho que los clientes aceptaran más fácilmente el servicio turístico.
SYSTEM-TH-001 ha demostrado que funciona perfectamente con los problemas diarios de una empresa de viajes. Además, podría aumentar la tasa de conversión que se traduce en beneficios para la empresa, y reducir el número de horas hasta que el cliente acepta o descarta las diferentes posibilidades que se ofrecen para un determinado servicio turístico. Este hecho se traduce en situaciones menos estresantes para los empleados y más agilidad en el proceso de reserva.
3.4 Conclusiones
El capítulo sobre la gestión de servicios turísticos a través de scoring de clientes utilizando una arquitectura de agentes bioinspirada concluye que el framework SYSTEM-TH-001 representa una solución innovadora y eficaz para la transformación digital en el sector turístico. Este sistema combina herramientas avanzadas de inteligencia artificial y un enfoque bioinspirado para optimizar la interacción entre agentes de viajes y clientes. A través de su arquitectura modular, SYSTEM-TH-001 facilita la recolección, procesamiento y actualización de información relevante, mejorando tanto la eficiencia como la precisión de las recomendaciones.
El análisis de los experimentos realizados en COMPANY-002 demostró que SYSTEM-TH-001 supera a los métodos tradicionales y algoritmos estándar en términos de tasa de conversión, satisfacción del cliente y reducción de tiempos de atención. El modelo bi-stage, integrado en el framework, destacó por su capacidad para predecir la propensión a la compra con alta precisión, permitiendo a los agentes priorizar a los clientes con mayor potencial.
La implementación de un sistema multiagente bioinspirado añadió flexibilidad y escalabilidad, asegurando un balance de carga eficiente y la capacidad de respuesta en tiempo real. Además, el enfoque dual de SYSTEM-TH-001, que beneficia tanto a los agentes como a los clientes, consolida su potencial como una herramienta clave para abordar las demandas actuales del sector turístico, posicionándose como un estándar para la innovación en este ámbito.