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
- Tez No: 830003
- Danışmanlar: DOÇ. DR. RESUL AYDEMİR
- Tez Türü: Doktora
- Konular: Ekonomi, Economics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İktisat Ana Bilim Dalı
- Bilim Dalı: İktisat Bilim Dalı
- Sayfa Sayısı: 105
Özet
Havacılık sektöründe gelir yönetimi, havayolu şirketlerinin gelirlerini en üst düzeye çıkarmak amacıyla kullandıkları son derece karmaşık bir stratejik sistemdir. Bu sistem, doğru biletin doğru yolcuya ve doğru fiyata satılmasını sağlamak için sürekli olarak geliştirilen aksiyonlar ve stratejilerin bütününü içerir. Havayolu şirketleri için, doğru gelir yönetimi uygulamaları, sektörde ayakta kalmaları ve rekabetçi bir şekilde ilerlemeleri açısından son derece önemlidir.Gelir yönetimi, başarılı sonuçlar alabilmek için birçok faktörü göz önünde bulundurmak zorundadır. Bu faktörlerin dikkate alınması ve hesaba katılması sayesinde anlık gelen rezervasyonlar, seyahat taleplerinin önceden tahmin edilmesi ve yolcuların ödemeye razı olduğu fiyatın doğru şekilde belirlenmesi gibi önemli unsurlar ile, başarılı stratejilerin temelini oluşturur. Ayrıca, rekabetin yoğun olduğu bu sektörde, rakip havayolu şirketleriyle rekabet edebilmek ve müşterilere çekici teklifler sunabilmek için gelir yönetimi hayati bir rol oynar. Sonuç olarak, havacılık sektöründeki gelir yönetimi, dinamik ve değişken bir ortamda başarıya ulaşmak isteyen havayolu şirketleri için vazgeçilmez bir stratejik araçtır. Bu makale, ücret sınıflarına göre kategorize edilmiş geçmiş rezervasyon verilerine dayanarak, bir yolcunun daha yüksek bir ücret sınıfına geçme olasılığını gösteren satış oranlarını tahmin etmek için yeni bir yaklaşım sunmaktadır. Literatürdeki Doğrudan Gözlem (DO) ve Ters Kümülatif (IC) gibi mevcut modeller, gerçek geçmiş rezervasyon verilerine uygulandığında, sonuçları işletme beklentileriyle uyumlu olmadığı için tatmin edici olmayan bir performans göstermiştir. Bu sınırlamayı ele almak için, veri ön işleme tekniklerini dahil ederek ve geçmiş rezervasyon verileriyle uğraşırken sektör uygulayıcılarının ihtiyaçlarını karşılayan çözüm stratejileri geliştirerek bu modelleri geliştiriyoruz. Ücret sınıfı müsaitlik verilerini dahil ederek ve geçmiş rezervasyonları buna göre ayarlayarak, önerilen modelimiz satış oranlarının sağlam bir tahminini sunmaktadır. Yaklaşımımızın etkinliğini doğrulamak için, büyük bir Avrupa havayolu şirketinin verilerini kullanarak bir analiz gerçekleştiriyoruz. Sayısal sonuçlar, önerdiğimiz yöntem kullanıldığında Ortalama Mutlak Yüzde Hatasında (MAPE) önemli bir düşüş olduğunu göstermekte ve bu da satış oranlarını tahmin etmede üstün doğruluğunu ortaya koymaktadır. Bu araştırma sadece mevcut literatürdeki boşluğu doldurmakla kalmayıp aynı zamanda gelir yönetimi uygulayıcıları için pratik çıkarımlar da sağlamaktadır. Satış oranı tahmin sürecini iyileştirerek ve geleneksel modellerin eksikliklerini gidererek, yaklaşımımız havayolu şirketlerinin gelir yönetimi stratejilerini optimize etmeleri için değerli bir araç sunmaktadır. Geçmiş rezervasyon verilerinin kullanımı, modelimizin geliştirmeleriyle birleştiğinde, daha güvenilir ve eyleme geçirilebilir içgörüler sağlayarak uygulayıcıların bilinçli kararlar almasını sağlar. Ayrıca çalışmamız, geçmiş rezervasyon verilerinin analizi için özel olarak tasarlanmış yeni veri ön işleme teknikleri sunarak alana katkıda bulunmaktadır. Bu teknikler, ilgili bilgilerin çıkarılmasını kolaylaştırmakta ve satış oranı tahminlerinin doğruluğunu artırmaktadır. Bu nedenle, araştırmamız hem teorik gelişmeleri hem de pratik uygulamaları kapsayan kapsamlı bir çerçeve sunmakta ve böylece gelir yönetiminde satış oranı tahminindeki zorlukları ele almak için bütünsel bir yaklaşım sunmaktadır. Özetle, ilk bölümde ücret sınıfı tabanlı geçmiş rezervasyon verilerinden yararlanarak satış oranlarının tahmin edilmesine yönelik yeni bir yöntem tanıtılmaktadır. Mevcut modellerin iyileştirilmesi, veri ön işleme tekniklerinin ve çözüm stratejilerinin dahil edilmesi sayesinde yaklaşımımız daha doğru satış oranı tahminleri sağlamaktadır. Büyük bir Avrupa havayolu şirketinden alınan verilerin analizi, önerdiğimiz yöntemin Ortalama Mutlak Yüzde Hatayı (MAPE) azaltmadaki etkinliğini göstermektedir. Araştırmamız, satış oranı tahmin doğruluğunu artırarak gelir yönetimi uygulamalarının ilerlemesine katkıda bulunmakta ve sektördeki uygulayıcılar için değerli bilgiler sağlamaktadır. İkinci bölümde, Covid-19 pandemisinin getirdiği zorlu ve belirsiz şartları hesaba katarak özel olarak tasarlanmış havayolu uçuş doluluklarını tahmin etmek için yenilikçi bir model sunuyoruz. Modelimiz, rezervasyonlar, kapasite, rezervasyon eğilimleri ve mevsimsel etkiler gibi çeşitli değişkenleri bir araya getirerek, doğru uçuş dolulukları tahminleri sağlamayı amaçlamaktadır. Etkinliğini doğrulamak için, Avrupa'nın en büyük ağ havayollarından birinin 2021 yılının tamamını kapsayan veri setini kullanarak kapsamlı bir analiz gerçekleştirdik. Çalışmamızın bulguları, makine öğrenimi algoritmalarının geleneksel toplama yöntemine kıyasla uçuş dolulukları tahminlerinde önemli iyileştirmeler sunduğunu ortaya koymaktadır. Özellikle Covid-19 pandemi dönemi, havayolu uçuş dolulukları açısından geçmişe göre çok büyük farklılaşmalara sebep olduğundan dolayı, geçmişte kullanılan tahmin metotları denendiğinde gerçek anlamda çok büyük sapmalarla doluluk oranı tahminleri ürettiği gözlemlenmiştir. Bununla birlikte, gelişmiş makine öğrenimi modellerinden yararlanarak, bu çalkantılı dönemde uçuş doluluk oranlarındaki karmaşıklıkları ve varyasyonları etkili bir şekilde yakalayabildik ve bu da doğruluğu önemli ölçüde artırdı. Önerilen modelimiz, uçuş dolulukları tahminleri için Ortalama Mutlak Hata (MAE) puanında kayda değer bir düşüş göstermektedir. Toplama yöntemiyle karşılaştırıldığında, MAE puanı 7,94'ten etkileyici bir şekilde 1,99'a düşmüştür. Bu sonuçlar, gelişmiş makine öğrenimi tekniklerinin, özellikle Covid-19 pandemisi gibi benzeri görülmemiş aksaklıklar karşısında uçuş doluluklarını doğru tahmin etme potansiyelinin altını çizmektedir. Modelimize çeşitli değişkenlerin dahil edilmesi, uçuş dolulukları dinamiklerini etkileyen faktörlerin kapsamlı bir şekilde değerlendirilmesini sağlamaktadır. Rezervasyonlar, kapasite, rezervasyon eğilimleri ve mevsimsel etkiler gibi değişkenleri dikkate alan modelimiz, bu faktörler ile uçuş dolulukları performansı arasındaki karmaşık etkileşimi yakalamaktadır. Bu eksiksiz yaklaşım, uçuş dolulukları tahminlerinin doğruluğunu ve güvenilirliğini artırarak havayolu şirketlerine bilinçli karar alma süreçleri için değerli içgörüler sağlamaktadır. Modelin en önemli değişkenlerinden biri rezervasyonların eğilimleridir. Bu veri rezervasyonların gelişimini, veya bir başka deyişle rezervasyonların gelme hızını ölçmeyi ve modele dahil etmeyi sağlamaktadır. Model son 7 güne bakarak rezervasyonlar hızlı ve önemli miktarda gelmekte mi yoksa rezervasyonlar eriyor, veya daha açık bir ifadeyle yolcular rezervasyonlarını iptal mi ediyor olduğunu ölçümlemektedir. Bu sayede modelin doluluk oranı tahmini, rezervasyon gelme hızı ile yüksek korelasyon halindedir. Model rezervasyon gelme hızı yüksekse daha yüksek doluluk oranı tahmini üretirken, rezervasyon gelme hızı düşerse daha düşük doluluk oranı tahmini oluşturmaktadır. Bu değişkenin bu denli anlamlı olması kuşkusuz Covid-19 pandemisi yüzünden devletlerin uluslararası yolcuları ülkelerine giriş çıkışlarını yasaklaması veya serbest bırakmasındandır. Örneğin, Almanya devleti yayınladığı bir notamla bir anda belli ülkelerden gelecek yolcuların girişleri yasakladığında, rezervasyonlar hemen erimeye başlamaktadır. Bu durumda havayolları Almanya uçuşlarını doldurabilmek için yasaklı olmayan ülkelerden çıkış yapabilecek ikame yolcu bulmayı hedeflemektedir. Bu noktada modelin ürettiği çıktılar yön gösterici olmaktadır. Covid-19 pandemisiyle birlikte değişen diğer önemli bir husus da rezervasyon oluşturma süresinin daralmasıdır. Yani yolcular uçuşların iptali veya devleterin yasaklamaları sebepli uçup uçamayacağını bilemediğinden rezervasyonunu uçuşa sadece birkaç gün kala yapmaya başladılar. Bu durum havayollarını da zor duruma soktu. Örneğin, uçuşa bir ay kala uçakların doluluk oranları o kadar düşük olabiliyor ki, havayolu istediği doluluk oranına ulaşamayacağını düşünerek sefer iptali aksiyonunu almaya meylediyor. Fakat, aslında yolcular uçuş tarihi yaklaştıkça planları netleşebildiği için son günlerde rezervasyon yapabilmekteler. Bu yüzden, uçuşların rezervasyon karakteristiği değiştiği için uçuşların talep tahminini yapabilmek Covid-19 pandemi dönemi öncesine göre daha zorlaştı. İnsan muhakemesindense, bir çok değişkeni dikkate alarak tahmin üreten makine öğrenmesi modelleri tam da bu noktada çok isabetli tahminler üretmeyi başardı. Özellikle bu tezde oluşturduğumuz tahmin modeli, rezervasyonların gelişini çok iyi analiz ederek başarılı tahminler oluşturmaktadır. Uçuş bazlı talep tahmini modelimizin diğer bir değişkeni de uçuş için planlanan kapasite değişimini yakalayan değişkenlerdir. Öncelikle kapasite metriğini açıklamak gerekirse, geniş gövde uçakların kapasitesi dar gövde uçakların neredeyse iki katıdır. Bu iki uçak tipinin talebini yönetmek birbirinden çok farklı stratejileri gerektirmektedir. Uçuşların rezervasyon beklentisine göre dar gövde talep eden analist, talebi doğru tahmin edemediğinde ve son anda talep yığılması yaşadığında aslında ciddi bir gelir fırsatını kaçırmış oluyor. Bu yüzden, talep tahminini başarılı yapmak, kapasite yönetimini iyi yapıp geliri maksimize etmeyi kolaylaştırdığı için çok önemli bir ihtiyacı karşılamaktadır. Bu araştırmanın sonuçları, Covid-19 pandemisi gibi zorlu dönemlerde uçuş dolulukları tahmini için gelişmiş makine öğrenimi tekniklerinden yararlanmanın önemini vurgulamaktadır. Karmaşık veri modellerini etkili bir şekilde yakalama ve analiz etme becerisi, havayolu şirketlerinin değişen talep dinamiklerine yanıt olarak stratejilerini uyarlamalarını ve kaynak tahsisini optimize etmelerini sağlar. Havayolları, makine öğreniminin potansiyelini benimseyerek rekabet avantajı elde edebilir ve çalkantılı dönemleri başarıyla atlatmak için veri odaklı kararlar alabilir. Sonuç olarak, bu bölümde havayolu uçuş uçuş doluluklarının tahminine yönelik, Covid-19 pandemisinin sebep olduğu benzersiz koşullara özel olarak uyarlanmış farklı bir model tanıtılmaktadır. Makine öğrenimi algoritmalarının kullanılması ve çeşitli değişkenlerin dahil edilmesi sayesinde modelimiz, doğruluk açısından geleneksel toplama yöntemini geride bırakmaktadır. Ortalama Mutlak Hata (MAE) skorundaki önemli düşüş, önerilen modelimizin pandemi sırasında uçuş dolulukları verilerindeki karmaşıklıkları ve varyasyonları yakalamadaki etkinliğini göstermektedir. Araştırmamız, daha doğru uçuş dolulukları tahminleri sağlayarak, havayolu şirketlerine operasyonlarını optimize etmeleri ve zorlu zamanları etkili bir şekilde atlatmaları için değerli içgörüler sunmaktadır.
Özet (Çeviri)
This thesis presents an approach for estimating sell-up rates, which indicate a passenger's likelihood to upgrade to a higher fare class, based on historical booking data categorized by fare classes. Previous models explored in the literature, including Direct Observation (DO) and Inverse Cumulative (IC), have demonstrated limitations when applied to real-world historical booking data, as their outcomes may not align with the desired business expectations. To address this limitation, we enhance these models by incorporating data pre-processing techniques and devising solution strategies that provided to the needs of industry practitioners when dealing with historical booking data. By incorporating fare class availability data and adjusting past bookings accordingly, our proposed model offers a robust estimation of sell-up rates. To validate the effectiveness of our approach, we conduct an analysis using data from a major European airline. The numerical results demonstrate a significant decrease in the Mean Absolute Percentage Error (MAPE) when employing our proposed method, indicating its superior accuracy in estimating sell-up rates. This research not only fills the gap in the existing literature but also provides practical implications for revenue management practitioners. By refining the sell-up rate estimation process and addressing the shortcomings of traditional models, our approach offers a valuable tool for airlines to optimize their revenue management strategies. The utilization of historical booking data, combined with our model's enhancements, ensures more reliable and actionable insights, empowering practitioners to make informed decisions. Furthermore, our study contributes to the field by introducing data pre-processing techniques tailored specifically for historical booking data analysis. These techniques facilitate the extraction of relevant information and enhance the accuracy of sell-up rate estimations. As such, our research provides a comprehensive framework that encompasses both theoretical advancements and practical applications, thus offering a holistic approach to addressing the challenges of sell-up rate estimation in revenue management. In summary, the first chapter introduces a new method for estimating sell-up rates by leveraging fare class-based historical booking data. Through the refinement of existing models, along with the incorporation of data pre-processing techniques and solution strategies, our approach yields more accurate sell-up rate estimations. The analysis of data from a major European airline demonstrates the effectiveness of our proposed method in reducing the Mean Absolute Percentage Error (MAPE). By enhancing sell-up rate estimation accuracy, our research contributes to the advancement of revenue management practices and provides valuable insights for industry practitioners. In the second chapter, we present an innovative model for forecasting airline flight load factors specifically designed to account for the unique circumstances brought about by the Covid-19 pandemic. By incorporating various variables, including bookings, capacity, booking trends, and seasonal effects, our model aims to provide accurate load factor predictions. To validate its effectiveness, we conducted an extensive analysis using the dataset of one of Europe's largest network airlines, spanning the entirety of 2021. The findings of our study reveal that machine learning algorithms offer substantial improvements in load factor predictions compared to the traditional pickup method. Notably, the Covid-19 pandemic period introduces distinctive patterns and challenges to airline load factor data, leading to decreased performance of the pickup method. However, by leveraging advanced machine learning models, we were able to effectively capture the complexities and variations in load factors during this turbulent period, resulting in significantly enhanced accuracy. Our proposed model demonstrates a remarkable reduction in the Mean Absolute Error (MAE) score for load factor forecasts. When compared to the pickup method, the MAE score decreased from 7.94 to an impressive 1.99. These results underscore the potential of advanced machine learning techniques in accurately predicting load factors, particularly in the face of unprecedented disruptions like the Covid-19 pandemic. The incorporation of diverse variables into our model enables a comprehensive assessment of the factors influencing load factor dynamics. By considering variables such as bookings, capacity, booking trends, and seasonal effects, our model captures the intricate interplay between these factors and load factor performance. This complete approach enhances the accuracy and reliability of load factor forecasts, providing airlines with valuable insights for informed decision-making. The outcomes of this research highlight the significance of leveraging advanced machine learning techniques for load factor forecasting during challenging periods like the Covid-19 pandemic. The ability to effectively capture and analyze complex data patterns empowers airlines to adapt their strategies and optimize resource allocation in response to changing demand dynamics. By embracing the potential of machine learning, airlines can gain a competitive edge and make data-driven decisions to navigate through turbulent times successfully. In conclusion, this chapter introduces a different model for forecasting airline flight load factors, specifically tailored to the unique circumstances presented by the Covid-19 pandemic. Through the utilization of machine learning algorithms and the incorporation of various variables, our model surpasses the traditional pickup method in terms of accuracy. The significant reduction in the Mean Absolute Error (MAE) score demonstrates the efficacy of our proposed model in capturing the complexities and variations in load factor data during the pandemic. By providing more accurate load factor forecasts, our research equips airlines with valuable insights to optimize their operations and navigate through challenging times effectively.
Benzer Tezler
- Akademisyenlerin yolculuk tercihlerinin incelenmesi: İTÜ örneği
Investigation of academicians' trip preferences: An example of ITU
ERAYCAN DEMİRER
Yüksek Lisans
Türkçe
2019
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN ONUR TEZCAN
- APPN mimarisi ile diğer şebeke mimarilerinin bütünleştirilmesine ilişkin yöntemler
Integration methods of APPN architecture and other networking architectures
ALPER GÜVENER
Yüksek Lisans
Türkçe
2000
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. GÜNSEL DURUSOY
- Yalın yönetim öğeleri ve tekstil sektörüne uygulanabilirliği
Lean management concepts and their applicability to the textile industry
İSMAİL CİHAN PEKER
Yüksek Lisans
Türkçe
1997
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. SEMRA DURMUŞOĞLU
- Zamanın ve mekânın genişlemiş alanında bir kültürteknik: paralel projeksiyon
A cultural technique in the expanded field of time and space: parallel projection
MELEK KILINÇ
Doktora
Türkçe
2021
MimarlıkMimar Sinan Güzel Sanatlar ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. AHMET TERCAN