05 · Product Requirements Document · v1.0
El algoritmo que trabaja para ti, no para el proveedor.
Escapada es una plataforma web de recomendación de destinos de viaje dentro de España cuyo modelo de negocio invierte la lógica del sector: en lugar de cobrar visibilidad a los proveedores, cobra directamente al usuario final. El sistema recibe como input las restricciones reales del viajero —disponibilidad en el calendario, composición del grupo, presupuesto máximo y preferencias— y devuelve el destino como output. No al revés.
Principio rector — Regla de existencia
El modelo de negocio es el producto. Si el sistema alguna vez cobra a un proveedor por visibilidad, su razón de ser desaparece. No es una regla de diseño — es una regla de existencia sin excepción.
Arquitectura del producto
Cuatro capas funcionales, un flujo sin retorno.
01
Onboarding
Show before you ask. La primera recomendación útil se da con datos mínimos y mejora progresivamente.
Paso 1 — Nombre, calendario, compañía
Paso 2 — Origen, presupuesto, preferencias
Barra de precisión en tiempo real
02
Motor de Recomendación
Cuatro vectores esenciales con output probabilístico. Integración AEMET para filtro climático real.
V1 — Calendario real
V2 — Composición del grupo
V3 — Comportamiento pasado
V4 — Tolerancia a la incertidumbre
03
Top 3 Destinos
Tres tarjetas ordenadas por % de afinidad con razonamiento visible y explicable para ese usuario concreto.
% de afinidad prominente
Razonamiento en 2–3 líneas
Resultados completos, sin paywall
04
Detalle del Destino
Opciones filtradas por perfil en cada categoría. El plan B climático es obligatorio si lluvia >30%.
Transporte + Alojamiento
Actividades + Gastronomía
Plan B climático (AEMET)
Personas identificadas — Focus Group Abril 2026
Tres viajeros reales, tres modelos de valor distintos.
🧳
Javier
26–35 · Product Manager · Barcelona · sin hijos
Pago80–120 €/año
ModeloSuscripción
MotivaciónCalidad sobre precio
ViajesFrecuentes, pareja
Pain point: Las plataformas le recomiendan lo mismo que a todo el mundo. No aprenden de sus preferencias ni de su historial.
Tengo 19 días al año para respirar. Quiero que la app me diga exactamente dónde ir según mis fechas, no que me muestre mil opciones para que yo lo resuelva.
⚖️
Laura
36–45 · Abogada · Madrid · familia con niños
Pago150–180 €/año
ModeloPremium
MotivaciónAdaptación al grupo
ViajesComplejos, familia
Pain point: El sistema no tiene en cuenta la composición real del grupo. Planificar con adultos y niños con necesidades distintas lleva horas.
No busco el viaje más barato ni el más caro. Busco el que funciona para nosotros. Con niños, eso es casi imposible de encontrar en Booking.
📚
Carmen
46–60 · Docente · Madrid · historial rico
Pago30–40 €/plan
ModeloPago por valor
MotivaciónNo repetir errores
ViajesCon criterio propio
Pain point: Las plataformas no recogen qué salió mal. No aprenden de la experiencia negativa. "Booking es como un médico que cobra del laboratorio."
Para cambiar a algo nuevo, ese algo tiene que ser claramente mejor desde el primer uso. No después de seis meses. Desde el primer uso.
Onboarding — Requisitos funcionales
Show before you ask: demostrar antes de pedir.
Filosofía del onboarding
Como un sastre que toma medidas por etapas, no todas el primer día. La barra de progreso muestra al usuario que su perfil mejora con cada dato que aporta — convirtiendo el onboarding en mejora progresiva, no en formulario obligatorio.
Paso 1 — Datos de conexión y contexto
Nombre del usuario — personalización de copy desde el primer mensaje de respuesta.
Date picker de disponibilidad anual — rangos múltiples, no fechas concretas en primera instancia.
Selector de compañía de viaje: solo, pareja, familia con niños, amigos, grupo mixto.
Input de edades del grupo — condicional, solo si aplica según la compañía seleccionada.
Paso 2 — Restricciones y preferencias
Ciudad o región de origen — buscador con autocompletado. Excluye el destino de origen de las recomendaciones.
Presupuesto máximo total — constraint duro, no preferencia decorativa.
Preferencias de experiencia — checkboxes múltiples: naturaleza, gastronomía, cultura, aventura, descanso, etc. Mínimo 2.
Preguntas de comportamiento A/B — situaciones concretas, no preferencias declaradas. Mínimo 2 preguntas.
Experiencias negativas pasadas — campo opcional. Copy: el dato mejora la recomendación, no es una queja.
Restricciones críticas del onboarding
El sistema NUNCA bloquea la primera recomendación por perfil incompleto.
El sistema NUNCA pide registro o cuenta antes de entregar la primera recomendación.
Las preguntas de comportamiento no pueden formularse como preferencias declaradas. Deben ser situaciones concretas.
La barra de precisión muestra el beneficio de completar cada campo — nunca bloquea el acceso al resultado.
Motor de Recomendación — Algoritmo honesto
Cuatro vectores bien recogidos superan a cien checkboxes declarados.
V1
Calendario real
Date picker de disponibilidad efectiva. Sin este dato, el clima, la afluencia y los precios no son calculables. Es el primer filtro de viabilidad temporal.
V2
Composición del grupo
Quiénes son y qué necesitan — edades, necesidades específicas. Niños pequeños, movilidad reducida, grupos mixtos cambian completamente la recomendación.
V3
Comportamiento pasado
Inferido, no declarado. La preferencia declarada miente por sesgo de deseabilidad. Las preguntas de comportamiento + feedback post-viaje revelan lo que el usuario hace.
V4
Tolerancia a la incertidumbre
Medida por preguntas de situación A/B. Un viajero espontáneo y uno planificador necesitan propuestas distintas en estructura y detalle.
Ejemplo de output del motor
"En tus fechas (julio, 5 días), con tu grupo (pareja sin hijos), tu presupuesto (800 €) y tus preferencias (gastronomía + costa tranquila), el Cabo de Gata tiene un 87% de probabilidad de cumplir lo que buscas. Razones: clima estable en julio (AEMET histórico), accesible en coche desde Valencia (3h), presupuesto dentro del rango, baja afluencia relativa en la zona norte."
Reglas del output probabilístico
Prohibido usar certezas fabricadas: "clima perfecto", "experiencia garantizada", "los mejores".
SIEMPRE explicar el porcentaje con razones específicas para ese usuario concreto — no genéricas.
Si el sistema no puede explicar por qué recomienda algo para ese usuario concreto, no lo recomienda.
Plan B climático obligatorio si la probabilidad de lluvia en las fechas supera el 30%.
Perfil progresivo y memoria continua
El mayor diferencial competitivo a largo plazo.
Principio I del manifiesto
El sistema aprende de cada viaje. El usuario nunca vuelve a empezar desde cero. Cada interacción refina el perfil. Cada recomendación es más precisa que la anterior.
Destinos visitados y valoración post-viaje con contexto — no solo puntuación.
Qué funcionó y qué no en cada viaje — quiénes eran, cuándo fue, qué buscaban.
Cambios en la composición del grupo a lo largo del tiempo (hijos que crecen, parejas, etc.).
Comportamientos inferidos: cuánto antes reservó, qué opciones modificó, qué plan B activó.
El feedback negativo es el dato más valioso del sistema — no una queja a gestionar.
Modelo de negocio
Una sola fuente de ingresos: el usuario final.
Suscripción base
80–120 €/año
Acceso completo al motor y al historial. Ingresos recurrentes con alineación total de incentivos. Riesgo: abandono si el valor no se percibe en los primeros usos.
Perfil: Javier — viajero frecuente y predecible
Suscripción premium
150–180 €/año
Viajes complejos, soporte ampliado. Ticket alto, alta fidelización si el servicio cumple. Expectativas elevadas desde el primer uso.
Perfil: Laura — familia, viajes complejos
Pago por resultado
30–40 €/plan
Cobro tras demostración de valor. Compatible con show before you ask. Elimina la barrera de entrada. Menor predictibilidad de ingresos.
Perfil: Carmen — escéptica, quiere ver antes de pagar
Filosofía de escala — Modelo boutique
50.000 usuarios bien atendidos pueden ser un negocio excelente y sostenible. El crecimiento se produce por recomendación directa, no por presión de escala o inversores. La cultura del servicio debe estar blindada antes de que llegue esa presión.
Lo que está prohibido en el modelo de negocio
Ningún ingreso puede provenir de proveedores cuya visibilidad esté influida por el pago. Sin excepción.
No se venden datos de usuarios a terceros.
No se muestran recomendaciones patrocinadas sin distinción visual explícita e identificación como publicidad.
Anti-patrones prohibidos
Lista de control operativa — no negociable.
✗ Rankings sin criterio visible
«Más valorado», «el más popular» sin contexto del usuario es opacidad. El mismo sesgo que critica en sus competidores.
Viola: III — Criterio explicable
✗ Registro antes del primer valor
El usuario no puede percibir que el sistema le necesita más a él que él al sistema. La confianza se gana mostrando, no pidiendo.
Viola: Show before you ask
✗ Paywall a mitad del resultado
Destruye la confianza de forma irreversible. Se muestra la recomendación completa o no se muestra.
Viola: II — Incentivo blindado
✗ Certezas fabricadas en el copy
«Clima perfecto», «experiencia garantizada». La plataforma es probabilística por diseño. Las certezas fabricadas son la traición más directa a su identidad.
Viola: III — Criterio explicable
✗ Imágenes aspiracionales descontextualizadas
Una foto de playa perfecta sin contexto de quién va, cuándo y con quién es publicidad, no recomendación.
Viola: IV — El listón es humano
✗ Comisiones con proveedores
Si este acuerdo existe en cualquier punto del sistema, el modelo entero pierde su razón de ser. No es una regla de diseño — es una regla de existencia.
Viola: II — Incentivo blindado
✗ Onboarding que bloquea el resultado
La primera recomendación útil se da con datos mínimos. Bloquear es abandonar al usuario en el momento más frágil de la relación.
Viola: I — Memoria continua
✗ Recomendaciones genéricas sin contexto
Si el sistema recomienda lo mismo a Carmen que a Javier, el sistema no ha aprendido nada. Es el error más costoso en percepción de valor.
Viola: III — Criterio explicable
Métricas de éxito
Lo que importa medir, no métricas de vanidad.
Conversión onboarding completo
% de usuarios que completan Paso 1 + Paso 2. Valida que la fricción del onboarding es tolerable.
Objetivo: > 60%
Elección de destino del Top 3
De los que ven resultados, los que seleccionan uno. Valida la relevancia de las recomendaciones.
Objetivo: > 40%
Satisfacción post-viaje
Valoración del viaje realizado vs. expectativas. Valida que el algoritmo cumple lo que promete.
NPS > 50
Precisión percibida del perfil
Autovaloración del usuario sobre cuánto le conoce el sistema. Valida el aprendizaje progresivo.
Media > 7/10 (3er viaje)
Tasa de feedback post-viaje
% de usuarios que responden el cuestionario. Alimenta el Vector 3 del algoritmo.
Objetivo: > 40%
Retención a 12 meses
% de suscriptores que renuevan al año. Valida el modelo de negocio sostenible a largo plazo.
Objetivo: > 70%
Preguntas abiertas — Decisiones pendientes
Requieren decisión del equipo antes de entrar en desarrollo.
1
¿Cuál es el modelo de monetización inicial: suscripción o pago por resultado? Define el flujo de conversión y el momento del paywall (si existe).
Alta
2
¿Hay presencia humana en el loop inicial (revisión de recomendaciones por un experto)? Determina el coste operativo del MVP.
Alta
3
¿Cómo se gestiona el cold start de un nuevo usuario sin historial? Define la calidad de la primera recomendación.
Alta
4
¿Cuál es la identidad visual definitiva? Paleta, tipografía, logo. Pendiente de desarrollo de marca. Bloqueante para producción de UI.
Alta
5
¿Qué nivel de granularidad tiene el date picker? (días concretos, rangos, meses). Afecta al cálculo climático y de afluencia.
Media
6
¿El perfil del usuario se guarda localmente o en cuenta registrada? Define la arquitectura de memoria continua.
Media
7
¿Se muestran precios en la pantalla de resultados o solo en el detalle? Afecta a la gestión de expectativas.
Media
8
¿El sistema recomienda solo destinos con contenido curado o también con datos externos? Define el catálogo disponible en MVP.
Media
PRD Escapada v1.0 · Abril 2026 · CONFIDENCIAL
Basado en Focus Group Abril 2026 + Brand Consolidated