Havayolu gelir yönetiminde başlangıç-varış talep tahminine yapay sinir ağı yaklaşımı
An artificial neural network approach to origin-destination demand forecasting in airline revenue management
- Tez No: 406588
- Danışmanlar: DOÇ. DR. ALEV TAŞKIN GÜMÜŞ
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2015
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 138
Özet
1978 yılında A.B.D'deki havayolu endüstrisinin deregülasyonu sonrasında artan rekabet büyük ve köklü havayollarının piyasaya yeni giren düşük maliyetli havayolları karşısında zorlanmalarına neden oldu. Düşük maliyetli havayollarına kıyasla maliyetlerinin çok yüksek olması nedeniyle bu havayollarıyla sadece fiyat düşürerek rekabet edemeyeceğini anlayan American havayolları, bir taraftan bu rakipleri ile rekabet ederken diğer taraftan da mevcut yolcularından elde ettiği geliri düşürmemek için çeşitli kısıtları bulunan indirimli kampanya ücretleri ihdas etti ve bu indirimli ücretlerden satılabilecek koltuk sayısını her uçuş için kısıtlamak suretiyle ilk gelir yönetimi uygulamasını başlatmış oldu. Bu başarılı uygulamanın ardından tüm havayolları gelir yönetimi tekniklerini uygulamaya başladılar. Doğru koltuğu, doğru yolcuya, doğru zamanda, doğru fiyata satarak toplam geliri maksimize etmeyi amaçlayan Gelir Yönetimi'nde bu amaca ulaşabilmek için her bir Başlangıç-Varış (B-V) pazarında yolcuların taleplerine göre farklı ücret sınıfları oluşturulmakta, yüksek ücret ödemeye razı olabilecek olan yolcuların düşük ücretli sınıflardan bilet almasını engellemek için düşük ücretlere bazı kısıtlamalar konulmakta ve yüksek ücretli sınıflara gelecek talebi karşılayabilmek için düşük ücretli sınıflardan satılabilecek koltuk sayısı sınırlandırılmakta, yani her bir parkurdaki her bir sınıftan satışına müsaade edilecek azami koltuk sayısı belirlenmektedir. Bunun için günümüzde havayolları her bir seferin gelirini ayrı ayrı maksimize eden bacak bazlı, ya da tüm uçuş ağının gelirini entegre bir bütün olarak maksimize eden Başlangıç-Varış gelir yönetimi sistemlerini kullanmaktadırlar. Zaki gelir yönetimi sayesinde havayollarının toplam yolcu gelirlerinin %10'u kadar ilave kazanç sağlayabildiklerini belirtmektedir. Ancak bu gelir artışları ancak kullanılan Gelir Yönetimi sisteminin ihtiyaç duyduğu detaydaki talebin doğru tahmin edilmesiyle mümkün olabilmektedir. Başlangıç-Varış gelir yönetimi sistemleri tüm uçuş ağının gelirini maksimize etmeyi amaçladığından en ince detayda talep tahminine ihtiyaç duymaktadırlar. Bu detayda ise talep verisi ortalama olarak onda birler, yüzde birler mertebesinde ufak sayılardan oluşmakta, yüksek varyans ve kırılganlık içermektedir. Ayrıca B-V talep verisi normal zaman serilerinden farklı olarak bir birine eş olmayan zaman aralıklarında gözlemlenmekte, bu ise klasik zaman serisi analizi yöntemlerinin bu alanda kullanımını kısıtlamaktadır. Bu çalışmada B-V verisinin karakteristiklerini öğrenebilecek bir Yapay Sinir Ağı (YSA) modeli tasarlanmış ve geliştirilen modelin performansı Avrupalı bir havayolunun B-V talep verisi kullanılarak test edilmiş ve ilgili havayolunca kullanılan gelir yönetimi sisteminin B-V tahmin performansıyla karşılaştırılmıştır. Elde edilen sonuçlar önerilen YSA modelinin tahmin performansının tatmin edici seviyede ve mevcut sisteminkinden daha yüksek olduğunu göstermektedir. Bu ise önerilen YSA yaklaşımının B-V talep tahmini yapmak üzere başarılı bir şekilde kullanılabileceğini göstermektedir. Her ne kadar gelir yönetimi sistemlerinde bir girdi olarak kullanılmasa da havayolları tarafından en sık kullanılan performans ölçütlerinden biri olan sefer doluluk oranının doğru tahmin edilmesi havayolları açısından büyük önem taşımaktadır. Zira bir hattın doluluk oranın gerçekleşecek değerden anlamlı oranda yüksek ya da düşük tahmin edilmesi fiyatlandırma, pazarlama ve satış, tarife ve reklam gibi birçok birimin yanlış aksiyonlar almalarına neden olabilir. Bu çalışmada uygulamanın yapıldığı havayolunun önemli bir seferindeki doluluk oranı verileri kullanılarak doluluk oranı tahmini yapılmıştır. B-V talebi verisinden farklı olarak doluluk oranı verisi bir birine eş zaman aralıklarında kaydedildiklerinde tam bir zaman serisi oluşturmaktadır. Dolayısıyla doluluk oranı tahmininde istatiksel zaman serisi tahmin yöntemlerinden ARIMA metodu da kullanılmıştır. Ancak doluluk oranı verisinde önemli ölçüde mevsimsellik harici dalgalanma ve nonlineerlik bulunmaktadır. Bu nedenle doluluk oranını tahmin etmek için ayrı bir YSA modeli oluşturulmuş ve YSA, ARIMA ve havayolunun mevcut sisteminin tahminleri karşılaştırılmıştır. Sonuçta önerilen YSA modelinin doluluk oranını gerek ARIMA gerekse havayolunun mevcutta kullandığı sistemden daha doğru tahmin ettiği tespit edilmiştir.
Özet (Çeviri)
After the deregulation of the airline industry in the United States in 1978, increased competition caused by new low cost entrants put well established legacy carries into a difficult position. One of these legacy carries, namely American Airlines, realized that it is not possible to compete with the low cost carriers by simply reducing the prices due to its very high cost structure compared to its low cost new entrant rival. As a response to this severe low cost competition, American Airlines formulated a counter attack by publishing promotional fares with restrictions and limiting the number of promotional fares that can be sold in each flight. This was the origin of Revenue Management practice and American's success encouraged other airlines to use revenue management as well, and Revenue Management has become common practice among all airlines. In order to maximize revenue by selling the right seat, to the right customer, at the right price at the right time, Revenue management is concerned with establishing different fare classes in each and every Origin and Destination (OD) market with imposed restrictions on the lower fares in order to prevent passengers with high maximum willingness pay from buying the lower fares, and limiting the number of seats that can be sold by the lower fare classes in order not to reject the late coming higher fare class demand due to capacity limits. Airlines use revenue management systems in order to determine the maximum number of seats that can be sold in each flight/fare class or OD/fare class combination. Leg based revenue management systems are utilized for maximizing each flights revenue separately whereas, advanced airlines with high transit passenger ratio are using OD revenue management systems which strive for maximizing the revenue of the whole network totally. Zaki reported airlines could obtain up to 10% incremental revenues by applying revenue management. Yet this percentage of incremental revenue can only be achieved by having accurate demand forecasts in the detailed level required by the utilized revenue management system. In order to maximize the whole network`s revenue totally, OD revenue management systems require demand forecast in the finest detail possible. Demand observations in this fine detailed level are so small that they are usually much less than one, in the order of one tenth or one hundredth. Hence, the dataset is highly nonlinear and extremely noisy. Apart form that, OD demand data, unlike time series are not measured within equally spaced time intervals. This fact dramatically undermines the applicability of time series methods in OD demand forecasting. In this study, an Artificial Neural Network (ANN) model is designed specifically for the OD demand forecasting in the detailed level required by OD revenue management systems, and its performance is tested by utilizing a major European carrier`s data and compared to the currently utilized revenue management system`s forecasting performance. Obtained results suggest that the proposed ANN approach`s OD demand forecasting performance is satisfactory and its forecasts are more accurate compared to the currently utilized revenue management system. These finding reveal that the proposed ANN approach can be successfully utilized for the OD demand forecasting required by OD revenue management systems. Even though they are not used as inputs to the revenue management systems, load factor (LF) forecasts are of extreme importance since load factor has been considered as one of the most commonly used and important performance indicators for passenger airlines. Significant under or overestimated forecasts of a route`s load factor can cause pricing, marketing and sales, scheduling and advertisement teams to take inappropriate actions. In this study, the historical load factors of a major flight of the considered airline has been utilized to in order to develop a robust model for forecasting load factors. Unlike B-V data, load factors are obtained in equally spaced time intervals. Hence, ARIMA method has been used to forecast load factors since it is considered as one of the most successful statistical times series analysis technique. Yet, load factor data set also represent high fluctuations and nonlinearity not only caused by seasonal variability. Therefore, in order to forecast load factor another ANN model has been designed and its forecasting performance has been compared with ARIMA and the airline`s current system. Obtained results indicate the proposed ANN approach for load factor forecasting produce more accurate forecasts compared to ARIMA and the system in place utilized by the considered airline.
Benzer Tezler
- Origin and destination based demand of continuous pricing for airline revenue management
Havayolu gelir yönetimi için sürekli fiyatlandırma yapısında başlangıç ve varış yerine dayalı talep tahmini
MEHMET MELİH DEĞİRMENCİ
- Leasing, uçak finansmanı ve hava taşımacılığında leasing uygulamaları
Leasing, aircraft financing and leasing applications in airline industry
ALİ OKYAY ÖZTUGRAN
- Gelir yönetimi ve Türkiye'deki havayolu işletmelerinde gelir yönetimi üzerine bir uygulama
Yield management and a application yield management airline companies in Turkey
İLKER HACIOĞLU
Yüksek Lisans
Türkçe
2011
İşletmeTrakya Üniversitesiİşletme Ana Bilim Dalı
YRD. DOÇ. DR. BATUHAN GÜVEMLİ
- Prioritization of factors affecting agency value for an airline company using fuzzy cognitive mapping method
Bir havayolu şirketi için acente değerini etkileyen faktörlerin bulanık bilişsel haritalama yöntemi ile önceliklendirilmesi
MUHAMMED FATİH ÖZER
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İREM UÇAL SARI
- Düşük maliyetli havayolu şirketlerinde yan gelirlerin gelir yönetimine ve yolcu tercihlerine etkileri
The effects of ancillary revenues on revenue management and passenger preferences in low-cost airlines
ŞÜKRİYE ŞULE UTKU TOPHAN