{"id":{"repo_id":"utdt","oai_identifier":"oai:repositorio.utdt.edu:20.500.13098/14432"},"canonical_url":"https://search.dev.ndltd.org/etd/utdt/oai:repositorio.utdt.edu:20.500.13098/14432","repository":{"repo_id":"utdt","name":"Universidad Torcuato di Tella","base_url":"https://repositorio.utdt.edu/oai/request"},"display":{"title":"Clusterización y aplicación del método Newsvendor para optimizar los perfiles de sobreventa en vuelos single leg","abstract":"La presente tesis desarrolla un modelo sistemático de optimización de sobreventa para la ruta Ezeiza–Madrid de una Aerolínea comercial, con el objetivo de proveer a los analistas de Revenue Management un procedimiento reproducible para determinar la cantidad óptima de asientos a sobrevender a 30 días de la salida (DTD=30). La metodología propuesta integra tres componentes: la segmentación de vuelos mediante un modelo de mezclas gaussianas (Gaussian Mixture Model, GMM), la determinación de políticas óptimas a través de un modelo tipo Newsvendor bajo supuestos de demanda con distribución empírica acumulada de no-shows, y la operacionalización de dichas políticas en producción mediante un clasificador basado en XGBoost. Los vuelos son segmentados en tres perfiles de demanda, Alta, Media y Baja, diferenciados por RASK (Ingreso por Asiento-Kilómetro Disponible), tarifa media, ritmo de acumulación de reservas y comportamiento de no-show, de forma independiente para cada tramo o leg (EZE–MAD y MAD–EZE) y horario de vuelo (diurno/nocturno). La política de sobreventa se deriva de la razón crítica del modelo Newsvendor, parametrizada con tarifas mínimas estacionales como costo de underage y las políticas oficiales de compensación como costo de overselling, incorporando un factor reputacional λ=1,5 que modera la política en perfiles de alta demanda. El modelo fue validado ex-post sobre 998 vuelos operados durante el año 2025. Los resultados muestran que la política hubiera recuperado USD 1,58M en revenue adicional, representando el 1,14% del revenue real total y el 47,1% del revenue perdido por no-show, sin generar ningún caso de denegación de embarque (denied boarding) en todo el período de validación. El pipeline de producción procesa archivos de vuelos a DTD=30 y genera recomendaciones de sobreventa de forma automática, permitiendo una implementación escalable y actualizable sin intervención manual por vuelo.","abstract_html":"La presente tesis desarrolla un modelo sistemático de optimización de sobreventa para la ruta Ezeiza–Madrid de una Aerolínea comercial, con el objetivo de proveer a los analistas de Revenue Management un procedimiento reproducible para determinar la cantidad óptima de asientos a sobrevender a 30 días de la salida (DTD=30). La metodología propuesta integra tres componentes: la segmentación de vuelos mediante un modelo de mezclas gaussianas (Gaussian Mixture Model, GMM), la determinación de políticas óptimas a través de un modelo tipo Newsvendor bajo supuestos de demanda con distribución empírica acumulada de no-shows, y la operacionalización de dichas políticas en producción mediante un clasificador basado en XGBoost. Los vuelos son segmentados en tres perfiles de demanda, Alta, Media y Baja, diferenciados por RASK (Ingreso por Asiento-Kilómetro Disponible), tarifa media, ritmo de acumulación de reservas y comportamiento de no-show, de forma independiente para cada tramo o leg (EZE–MAD y MAD–EZE) y horario de vuelo (diurno/nocturno). La política de sobreventa se deriva de la razón crítica del modelo Newsvendor, parametrizada con tarifas mínimas estacionales como costo de underage y las políticas oficiales de compensación como costo de overselling, incorporando un factor reputacional λ=1,5 que modera la política en perfiles de alta demanda. El modelo fue validado ex-post sobre 998 vuelos operados durante el año 2025. Los resultados muestran que la política hubiera recuperado USD 1,58M en revenue adicional, representando el 1,14% del revenue real total y el 47,1% del revenue perdido por no-show, sin generar ningún caso de denegación de embarque (denied boarding) en todo el período de validación. El pipeline de producción procesa archivos de vuelos a DTD=30 y genera recomendaciones de sobreventa de forma automática, permitiendo una implementación escalable y actualizable sin intervención manual por vuelo.","abstract_has_math":false,"creators":["Yakimovicz Niccolini, María José"],"institution":"Universidad Torcuato Di Tella","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Montemurri, David"],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-27T21:55:12Z","subjects":["Industria aeronáutica","Transporte Aéreo","Modelos matemáticos","Toma de decisiones","Análisis estadístico","Rentabilidad","Aerospace industry","Air transport","Mathematical models","Decision-making","Statistical analysis","Profitability"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.utdt.edu/handle/20.500.13098/14432","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Montemurri, David"]},{"key":"dc:creator","label":"Author","values":["Yakimovicz Niccolini, María José"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-07-21T22:15:57Z"]},{"key":"dc:date.issued","label":"Date","values":["2026"]},{"key":"dc:publisher","label":"Institution","values":["Universidad Torcuato Di Tella"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Industria aeronáutica","Transporte Aéreo","Modelos matemáticos","Toma de decisiones","Análisis estadístico","Rentabilidad","Aerospace industry","Air transport","Mathematical models","Decision-making","Statistical analysis","Profitability"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.utdt.edu/handle/20.500.13098/14432"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["La presente tesis desarrolla un modelo sistemático de optimización de sobreventa para la ruta Ezeiza–Madrid de una Aerolínea comercial, con el objetivo de proveer a los analistas de Revenue Management un procedimiento reproducible para determinar la cantidad óptima de asientos a sobrevender a 30 días de la salida (DTD=30). La metodología propuesta integra tres componentes: la segmentación de vuelos mediante un modelo de mezclas gaussianas (Gaussian Mixture Model, GMM), la determinación de políticas óptimas a través de un modelo tipo Newsvendor bajo supuestos de demanda con distribución empírica acumulada de no-shows, y la operacionalización de dichas políticas en producción mediante un clasificador basado en XGBoost. Los vuelos son segmentados en tres perfiles de demanda, Alta, Media y Baja, diferenciados por RASK (Ingreso por Asiento-Kilómetro Disponible), tarifa media, ritmo de acumulación de reservas y comportamiento de no-show, de forma independiente para cada tramo o leg (EZE–MAD y MAD–EZE) y horario de vuelo (diurno/nocturno). La política de sobreventa se deriva de la razón crítica del modelo Newsvendor, parametrizada con tarifas mínimas estacionales como costo de underage y las políticas oficiales de compensación como costo de overselling, incorporando un factor reputacional λ=1,5 que modera la política en perfiles de alta demanda. El modelo fue validado ex-post sobre 998 vuelos operados durante el año 2025. Los resultados muestran que la política hubiera recuperado USD 1,58M en revenue adicional, representando el 1,14% del revenue real total y el 47,1% del revenue perdido por no-show, sin generar ningún caso de denegación de embarque (denied boarding) en todo el período de validación. El pipeline de producción procesa archivos de vuelos a DTD=30 y genera recomendaciones de sobreventa de forma automática, permitiendo una implementación escalable y actualizable sin intervención manual por vuelo."]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Clusterización y aplicación del método Newsvendor para optimizar los perfiles de sobreventa en vuelos single leg"]}]}],"canonical_facts":{"dc:contributor.advisor":["Montemurri, David"],"dc:creator":["Yakimovicz Niccolini, María José"],"dc:date.accessioned":["2026-07-21T22:15:57Z"],"dc:date.issued":["2026"],"dc:description.abstract":["La presente tesis desarrolla un modelo sistemático de optimización de sobreventa para la ruta Ezeiza–Madrid de una Aerolínea comercial, con el objetivo de proveer a los analistas de Revenue Management un procedimiento reproducible para determinar la cantidad óptima de asientos a sobrevender a 30 días de la salida (DTD=30). La metodología propuesta integra tres componentes: la segmentación de vuelos mediante un modelo de mezclas gaussianas (Gaussian Mixture Model, GMM), la determinación de políticas óptimas a través de un modelo tipo Newsvendor bajo supuestos de demanda con distribución empírica acumulada de no-shows, y la operacionalización de dichas políticas en producción mediante un clasificador basado en XGBoost. Los vuelos son segmentados en tres perfiles de demanda, Alta, Media y Baja, diferenciados por RASK (Ingreso por Asiento-Kilómetro Disponible), tarifa media, ritmo de acumulación de reservas y comportamiento de no-show, de forma independiente para cada tramo o leg (EZE–MAD y MAD–EZE) y horario de vuelo (diurno/nocturno). La política de sobreventa se deriva de la razón crítica del modelo Newsvendor, parametrizada con tarifas mínimas estacionales como costo de underage y las políticas oficiales de compensación como costo de overselling, incorporando un factor reputacional λ=1,5 que modera la política en perfiles de alta demanda. El modelo fue validado ex-post sobre 998 vuelos operados durante el año 2025. Los resultados muestran que la política hubiera recuperado USD 1,58M en revenue adicional, representando el 1,14% del revenue real total y el 47,1% del revenue perdido por no-show, sin generar ningún caso de denegación de embarque (denied boarding) en todo el período de validación. El pipeline de producción procesa archivos de vuelos a DTD=30 y genera recomendaciones de sobreventa de forma automática, permitiendo una implementación escalable y actualizable sin intervención manual por vuelo."],"dc:format.medium":["application/pdf"],"dc:identifier.uri":["https://repositorio.utdt.edu/handle/20.500.13098/14432"],"dc:language":["spa"],"dc:publisher":["Universidad Torcuato Di Tella"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:subject":["Industria aeronáutica","Transporte Aéreo","Modelos matemáticos","Toma de decisiones","Análisis estadístico","Rentabilidad","Aerospace industry","Air transport","Mathematical models","Decision-making","Statistical analysis","Profitability"],"dc:title":["Clusterización y aplicación del método Newsvendor para optimizar los perfiles de sobreventa en vuelos single leg"],"dc:type":["info:eu-repo/semantics/masterThesis"]},"updated_at":"2026-07-27T21:55:12Z"}