CWT enseña a sus clientes a ahorrar en viajes
Publicada 30/11/18
- Gracias a esta nueva función, el cliente pudo identificar áreas susceptibles de ahorros potenciales de hasta un 10 %
- CWT ha creado un modelo de datos de viajes que analiza el histórico de desplazamientos y otros datos sobre precios
- Los datos se analizan para identificar patrones y correlaciones, lo que genera predicciones sólidas sobre los gastos futuros
Carlson Wagonlit Travel (CWT) ha introducido funciones de análisis predictivo que, según esta agencia internacional especializada en los viajes de empresa, “mejoran significativamente la precisión de los pronósticos, proporcionan mayor claridad sobre las principales métricas de viajes y ofrecen a los clientes nuevas oportunidades para controlar su gasto en viajes”.
CWT Solutions Group, la división de consultoría de CWT, ha creado un modelo de datos de viajes que analiza el histórico de desplazamientos, así como datos públicos sobre los precios de los productos básicos, los indicadores macroeconómicos, el tiempo y los periodos vacacionales. Todos estos datos se analizan para identificar patrones y correlaciones, lo que genera predicciones sólidas sobre los gastos futuros de una empresa, en concreto sobre el número de viajes y el coste de cada uno.
"Con estos nuevos algoritmos, podemos predecir el gasto de una empresa con una precisión notable”, afirma Christophe Renard, vicepresidente de CWT Solutions Group. “El análisis predictivo es muy útil para ofrecer a nuestros clientes información práctica. Incluso pequeños cambios en las políticas de viaje o en los programas de los proveedores pueden suponer un gran ahorro. Como una de las mayores empresas de viajes de negocios, tenemos acceso a un tesoro de datos. Gracias al análisis predictivo, podemos hacer que esos datos trabajen para nuestros clientes”, añade.
Un 10% de ahorro
CWT ha realizado una prueba de cómo funciona ese análisis predictivo con uno de sus grandes clientes. Esa prueba “puso de manifiesto una gran mejora en la precisión de las predicciones, en comparación con enfoques anteriores. Gracias a esta nueva función, el cliente pudo identificar áreas susceptibles de ahorros potenciales de hasta un 10%. El ensayo también demostró que los resultados mejoran con el tiempo, a medida que el sistema aprende de conjuntos de datos de mayor volumen”.
Para comentar, así como para ver ciertos contenidos de Hosteltur, inicia sesión o crea tu cuenta
Inicia sesiónEsta noticia no tiene comentarios.