Clübo: pricing dinámico de parkings con deep learning

El contexto

Clübo gestiona parkings en España, un negocio donde el precio de cada plaza tiene sentido cambiarlo según el momento: no vale lo mismo una plaza a las 8 de la mañana de un día laborable que la misma plaza un domingo por la tarde. Fijar un precio único para todo el día deja dinero sobre la mesa en las horas de mayor demanda, y aleja clientes en las de menor demanda.

Qué se hizo

Desarrollo desde cero de modelos de deep learning responsables del precio dinámico de cada plaza, que ajustan las tarifas en función de la demanda en tiempo real, la ocupación del parking en ese momento, la estacionalidad, los eventos cercanos y el comportamiento histórico de reservas de cada ubicación. El objetivo del modelo es doble: maximizar los ingresos de cada plaza y, a la vez, optimizar la ocupación global del parking, evitando tanto plazas vacías en horas de baja demanda como precios desaprovechados en horas punta.

El modelo no se entregó como una caja negra: se acompañó de una monitorización continua de KPIs —ocupación, revenue por plaza, conversión y elasticidad del precio— con la que el equipo comercial y operativo pudo adaptar campañas y políticas tarifarias por ubicación, en vez de aplicar una tarifa única en todos los parkings.

Tecnologías utilizadas

• Deep Learning
• Python
• Pricing dinámico
• SQL

Por qué es un caso de automatización con IA

A diferencia de un panel de Business Intelligence, aquí el sistema no se limita a mostrar información: actúa, fijando un precio de forma automática sin que nadie tenga que revisarlo plaza por plaza. Es un ejemplo claro de automatización con IA aplicada sobre un proceso de negocio concreto. Puedes ver cómo se compara con un proyecto de Business Intelligence puro en Business Intelligence vs. automatización con IA.