Las campañas impactan significativamente en el rendimiento general de la empresa, lo que hace que la medición y predicción de la eficiencia de las campañas sea esencial. Este estudio propone una metodología integrada que combina la medición de la eficiencia con la predicción de la eficiencia para las campañas de correo electrónico de aerolíneas. En la primera parte de la metodología, se aplicó el Análisis de Envoltura de Datos (DEA) a datos reales de campañas de aerolíneas para evaluar la eficiencia; este es el primer estudio que analiza la eficiencia de las campañas de correo electrónico en este contexto. En la segunda parte de la metodología, se emplearon algoritmos de árboles de decisión para clasificar datos históricos de campañas basados en las puntuaciones de DEA, con el objetivo de predecir la eficiencia de futuras campañas, un enfoque novedoso en este contexto. Se analizó un conjunto de datos central de 76 campañas de correo electrónico de aerolíneas con seis entradas y dos salidas utilizando modelos CCR (Charnes, Cooper, Rhodes) y BCC (Banker, Charnes, Cooper) orientados a la salida; se identificaron 26 y 46 campañas como eficientes, respectivamente. El análisis se segmentó aún más por tamaño de grupo, estacionalidad y tipo de ruta. Las campañas eficientes se clasificaron luego a través de supereficiencia, y un análisis de sensibilidad evaluó los efectos de las variables y las campañas. Para la predicción, se emplearon algoritmos de árboles de decisión (J48 (C4.5), C5.0 y CART (Árboles de Clasificación y Regresión)) para clasificar las campañas como eficientes o ineficientes, utilizando las puntuaciones de eficiencia de DEA como variable objetivo y las entradas de DEA como atributos, con clasificación realizada para ambos modelos centrales BCC y CCR. Se abordó el desequilibrio de clases con SMOTE, y los modelos se evaluaron bajo validación cruzada estratificada de 10 pliegues. Después de equilibrar, el modelo central BCC (BCC_C) produjo las predicciones más confiables (precisión general del 76.3%), siendo J48 el que proporcionó los resultados más equilibrados, mientras que el modelo central CCR (CCR_C) se mantuvo débil en todos los algoritmos.