IA preditiva para yield management em transportes

Contexto

Companhia ferroviária (10.000 funcionários, 3 bilhões de euros de faturamento). Yield management baseado em regras tarifárias simples (alta/baixa temporada, classe). Taxa de ocupação média de 72% contra 85% dos concorrentes low-cost. Receita perdida estimada em 50 milhões de euros/ano. Diretoria comercial quer precificação dinâmica com IA.

Problema & Desafio

Yield management baseado em regras simples – taxa de ocupação 72% vs 85% nos concorrentes. Receita perdida estimada em 50M€/ano – margem de progressão considerável. Tarifação batch D-7/D-30/D-90: nenhuma reatividade em tempo real à demanda. 200 linhas tarifárias gerenciadas manualmente por 15 revenue managers. Nenhuma exploração dos dados históricos (10 anos, 500M de transações) para o pricing. Concorrentes low-cost com pricing dinâmico em tempo real, desvantagem competitiva crescente.

Solução & Entregas

- Modelo ML de yield management entregue e operado (gradient boosting + deep learning) - pricing dinâmico em tempo real - Taxa de ocupação melhorada de 72% para 82% em 8 meses - trajetória rumo aos 85% alvo - Receita adicional de 30M€/ano desde o primeiro ano - ROI do projeto em 3 meses - Pricing automatizado nas 200 linhas. revenue managers refocados na estratégia - Exploração de 10 anos de histórico + dados meteorológicos, eventos, concorrência para otimização - A/B testing contínuo → melhoria iterativa do modelo com feedback em circuito fechado

Tecnologias