SOBREVENTA DE BOLETOS EN AMERICAN AIRLINES*

La sobreventa de boletos en la industria de las líneas aéreas es la práctica de vender más

boletos para un vuelo de la capacidad que tiene el avión. American Airlines estima que, sin la
sobreventa, aproximadamente 15% de los asientos no estarían ocupados al despegar el avión.

Como parte de su programa de administración del rendimiento, American utiliza herramientas

cuantitativas de decisión para determinar el nivel óptimo de sobreventa. La administración
intenta maximizar la rentabilidad de la sobreventa al tomar en cuenta explícitamente varias
probabilidades y las implicaciones que esta decisión tiene en los ingresos y en los costos.

Quizás el factor principal a tener en cuenta cuando se determina el nivel óptimo de sobreventa
es la evaluación de las probabilidades relevantes. Se requieren tres probabilidades:

1. La probabilidad de que un pasajero cancele.

2. La probabilidad de que un pasajero con una reservación activa no se presente el día
del vuelo.
3. La probabilidad de que un pasajero rechazado escoja otro vuelo de American
(probabilidad de recaptura).

Estas probabilidades, junto con los costos de vender más asientos de los disponibles y vender
menos, son los determinantes clave de la política de sobreventa de American Airlines. Por esta
razón se hace un esfuerzo considerable para obtener buenas estimaciones de las
probabilidades. American Airlines espera una contribución anual de ingresos de más de 500
millones de dólares, gracias a éste y otros aspectos de su programa de administración del
rendimiento.
PRUEBAS DE CONTROL DE CALIDAD PARA LOS PRODUCTOS DE MORTON INTERNATIONAL*

Morton International es una empresa con negocios en sal, productos para el hogar, motores
de cohetes y productos químicos especializados. Carstab Corporation, una subsidiaria de
Morton, fabrica una variedad de productos químicos diseñados para cumplir con las especifi
caciones únicas de sus clientes. Para un cliente en particular, Carstab produjo un catalizador
muy costoso que se usa en el procesamiento químico. Algunos de los catalizadores fabricados
por Carstab, pero no todos, cumplieron con las especifi caciones del cliente. El cliente de
Carstab aceptó probar cada lote después de recibirlo para determinar si el catalizador
desempeñaría la función deseada. Los lotes que no aprobaron las pruebas del cliente se
regresarían a Carstab. Con el tiempo, Carstab encontró que el cliente aceptaba 60% de los
lotes y devolvía 40%. En términos de probabilidad, cada envío de Carstab al cliente tenía una
probabilidad de 0.60 de ser aceptado y una de 0.40 de ser devuelto. Ni Carstab ni su cliente
estaban complacidos con estos resultados. En un esfuerzo por mejorar el servicio, Carstab
exploró la posibilidad de duplicar la prueba del cliente antes del envío. Sin embargo, el alto
costo del equipo de pruebas especial volvió esa alternativa inviable. Los químicos de Carstab
propusieron entonces una prueba nueva, a un costo relativamente bajo, para indicar si un lote
aprobaría la prueba del cliente. La pregunta de probabilidad que nos interesa es: ¿Cuál es la
probabilidad de que un lote que pasó la nueva prueba de Carstab pase también la prueba del
cliente? Una muestra de lotes se probó tanto bajo el procedimiento del cliente como bajo el
procedimiento propuesto por Carstab. Los resultados fueron que 55% de los lotes pasó la
prueba de Carstab y 50% pasó tanto la prueba del cliente como la de Carstab. En notación de
probabilidad tenemos:

A= el evento de que el lote pasa la prueba del cliente

B= el evento de que el lote pasa la prueba de Carstab

Donde:

P(B)= 0.55 y P(A Ω B) =0.50

La información de probabilidad buscada era la probabilidad condicional P(A B) dada por

P(A /B)= P(A Ω B) = 0.50 = 0.909

P(B) 0.50
Antes de la nueva prueba de Carstab, la probabilidad de que un lote pasara la prueba del
cliente era de 0.60. No obstante, los resultados nuevos mostraron que un lote dado que
pasaba la nueva prueba de Carstab tenía una probabilidad de 0.909 de pasar la prueba del
cliente. Este resultado era una evidencia que apoya de manera contundente el uso de la
prueba antes del envío. Con base en este análisis de probabilidad, el procedimiento de
pruebas previo al envío se implementó en la empresa. Los resultados inmediatos mostraron un
nivel mejorado de servicio al cliente. Aún se devuelven algunos lotes, pero el porcentaje se
redujo en gran medida. El cliente quedó más satisfecho y los costos de devoluciones de
mercancía se redujeron.

MARKETING POR INTERNET*

Alan Montgomery explicó cómo se aplican los métodos cuantitativos al marketing por
Internet: describió el uso del análisis conjunto para predecir la probabilidad de compra, el uso
de modelos estadísticos para predecir el rápido crecimiento en el uso de Hotmail y otros
enfoques que involucran la probabilidad y el análisis bayesiano. Internet hace posible el
marketing interactivo. Una vez que un consumidor potencial accede a un sitio web, el
propietario de éste puede establecer contacto con ese consumidor para enviarle ofertas
especiales, promociones de marketing directo y otros esfuerzos de marketing. Una clave para
el marketing exitoso es la identifi cación de los consumidores con más posibilidades de benefi -
ciarse de una oferta, de modo que las campañas se les envíen por correo electrónico o correo
directo. La secuencia de URL (direcciones de sitios web) que una persona visita, junto con otra
información sobre la visita, se conoce como datos del fl ujo de clics. Los datos del fl ujo de clics
pueden combinarse con datos demográfi cos y el historial de compras para hacer un perfi l de
los visitantes a un sitio web. Por ejemplo, Media Metrix informó que 66% de los visitantes a
ivillage.com son mujeres; 73% de los visitantes a netradio.net son hombres, etc. Suponga que
quiere predecir si un visitante a un sitio web es mujer. Para empezar, se sabe que 45% de los
usuarios web son mujeres. Ahora, suponga que sabemos a partir del fl ujo de clics que la
persona también ha visitado ivillage.com. Utilizando el teore ma de Bayes podemos calcular
que la probabilidad revisada de que el visitante sea mujer es 0.62. Con más información del fl
ujo de clics esta probabilidad puede revisarse aún más. Montgomery probó esta metodología
bayesiana utilizando una muestra de 19,000 usuarios web y pudo clasifi car correctamente el
género de 60% de los usuarios. Este mismo enfoque puede utilizarse para predecir otras
variables demográfi cas, como la edad y los ingresos. Por ejemplo, The Wall Street Journal
realiza encuestas para enterarse sobre los niveles de ingresos y una variedad de otras
características de sus suscriptores. Por tanto, si los datos del fl ujo de clics muestran que una
persona visitó wsj.com, podemos inferir algo sobre el nivel de ingresos de la persona. Desde
luego, las preguntas sobre la privacidad son un aspecto importante cuando se utilizan estas
técnicas.