Der große Reset:
Warum ein Umdenken im Airline Revenue Management notwendig ist
Krisen und Veränderungen haben sich schon immer auf die Entwicklung von Revenue Management Systemen (RMS) ausgewirkt. Nachfrageschocks im Zuge globaler Krisen und Entwicklungen in den Geschäftsmodellen von Fluggesellschaften haben zu neuen wissenschaftlichen Erkenntnissen zur Optimierung der Umsätze von Fluggesellschaften geführt.
Die COVID-19-Pandemie stellt jedoch eine einzigartige Herausforderung für RMS dar. Monatelange gestrichene Flüge haben Lücken in der historischen Datenbank von RMS hinterlassen, während sich das Buchungs- und Stornierungsverhalten der Kunden sowie ihre Zahlungsbereitschaft gegenüber dem Niveau vor der Pandemie abrupt und erheblich verändert haben. Bei solch drastischen Änderungen könnte es den Anschein haben, dass der RMS-Bedarfsprognostiker im Wesentlichen bei Null anfangen Anforderungen.
Glücklicherweise sieht die Realität nicht so schlimm aus. Die Nachfrageprognose von Amadeus verwendet bereits Live-Verkaufsdaten von nicht abgeflogenen Flügen und passt die Nachfrage daher automatisch an, wenn die Fluggesellschaften den Betrieb wieder aufnehmen. Wir haben jedoch festgestellt, dass die Fluggesellschaften in der aktuellen Situation, die mit erheblichen Unsicherheiten hinsichtlich der zukünftigen Kundennachfrage behaftet ist, eine Prognose Anforderung, mit der die aktuellsten Nachfragemuster auf der Grundlage von Live-Verkaufsdaten von nur wenigen Monaten erfasst werden können.
Um diese Herausforderung zu meistern, hat unser Revenue Management Research Team eine neuartige Nachfrageprognose entwickelt, die wir Active Forecast Adjustment (AFA) nennen und die sich schnell an Änderungen der Marktnachfrage anpassen kann.
Was haben wir getan, um die Prognosen für das Umsatzmanagement der Fluggesellschaften anzupassen?
Um die Prinzipien hinter dieser Prognose zu erklären, Anforderungen wir etwas tiefer in den Prognoseprozess eintauchen, wie in der folgenden Grafik dargestellt. Das linke Feld zeigt den RMS-Prognostiker unter normalen Betriebsbedingungen und das rechte Feld zeigt den Prognostiker während der Erholungsphase nach der Pandemie und den neuen normalen Bedingungen.
Zweidimensionale Zeitaspekte in der Prognose für einen bestimmten Verkehrsfluss für jedes Abfahrtsdatum (dep) und jeden Tag bis zum Abflug (dtd). Das blaue Quadrat (1) stellt die historischen Daten nach dem Abflug dar, die zur Schätzung der Bedarfsparameter p im Prognosemodell und zur Erstellung der Prognose der kommenden Nachfrage (3) für zukünftige Abflugtermine verwendet werden, wie in meinem Artikel Bedarfsprognose und Messung der Prognosegenauigkeit in allgemeinen Tarifstrukturen beschrieben.
Das Dreieck (2) enthält Live-Verkaufsdaten (nicht abgefahren), die unter normalen Betriebsbedingungen in der Prognose verwendet würden. Pandemiebedingt waren die Verkaufsdaten (hellblaue Bereiche 2 und 4 im rechten Bereich) jedoch mit ungewöhnlichen Buchungen und Stornierungen belastet. Nach der Wiederaufnahme des Flugbetriebs verwendet AFA ein Parallelogramm von Live-Verkaufsdaten (5) für die letzten Verkaufstermine, um die volatilsten Komponenten des Prognosemodells neu zu schätzen.
Da Bedarfsprognosen für jedes zukünftige Abflugdatum und jeden Tag bis zum Abflug benötigt werden (hellgraues Dreieck 3), zeichnen RMS in der Regel historische Daten entlang derselben Dimensionen auf. Täglich werden Live-Verkaufsdaten für alle zukünftigen Abflugtermine aufgezeichnet. Diese Daten werden in der historischen Datenbank, der sogenannten "Guillotine", gespeichert, die aus zwei Teilen besteht: Daten für ein Jahr nach dem Abflug (blaues Quadrat 1) und Live-Verkaufsdaten für ein Jahr (blaues Dreieck 2).
Die Bedarfsprognose wird aus den Post-Departure-Daten (1) berechnet, um eine gleichzeitige Schätzung aller Prognosekomponenten zu ermöglichen. Zweitens werden Live-Verkaufsdaten (2) verwendet, um die prognostizierten Volumina anzupassen, um Nachfrageschwankungen einzelner Abflugtermine zu berücksichtigen. Im Normalbetrieb funktioniert dieser Ansatz sehr gut.
Der pandemiebedingte Shutdown hat jedoch zu monatelangem abnormalem Buchungs- und Stornierungsverhalten geführt, das die historische Datenbank zu verschmutzen droht. Um die Kontrolle zu behalten, haben wir die Historie nach der Abreise eingefroren, um eine stabile Prognose auf der Grundlage der Daten vor der Pandemie sicherzustellen (1). Dieser Ansatz hat es den Analysten des Umsatzmanagements ermöglicht, ihre Flüge mithilfe von Interventionen zu steuern, wie im kürzlich erschienenen Blogbeitrag "Der große Neustart: Vier Phasen der Strategieplanung für das Revenue Management von Fluggesellschaften " vonSuraj Mohamed.
Weit verbreitete Nachfrageänderungen, wie zum Beispiel die Erholung von der Pandemie, wirken sich auf alle Abflugdaten gleichzeitig aus und werden in den neuesten Live-Verkaufsdaten deutlich sichtbar. Das Prinzip hinter AFA besteht daher darin, eine Rückkopplungsschleife zu schaffen, in der der Prognosefehler (tatsächliche Buchungen – erwartete Buchungen) auf den Live-Verkaufsdaten ständig überwacht und Anpassungen vorgenommen werden, um Prognosefehler zu minimieren. Im Gegensatz zur bisherigen Verwendung von Live-Verkaufsdaten (2) zur Feinabstimmung der Nachfrage nach individuellen Abflugterminen passt AFA die Prognosen für alle Abflugdaten automatisch auf der Grundlage der neuesten Live-Verkaufsdaten auf Marktebene an (5).
Was ist neu an der aktiven Prognoseanpassung im Umsatzmanagement von Fluggesellschaften?
Während die Verwendung von Live-Verkaufsdaten zur Anpassung der Nachfrageprognose eine naheliegende Idee zu sein scheint, besteht das Problem darin, dass einige Prognosekomponenten (wie zum Beispiel saisonale Muster) erweiterte Daten erfordern, die sich über (mindestens) ein ganzes Jahr an Beobachtungen erstrecken. Darüber hinaus ist die Menge der Live-Verkaufsdaten im Parallelogramm (5) nur ein Bruchteil der gesamten historischen Datenbasis (1+2) und reicht nicht aus, um das gesamte Prognosemodell zu schätzen.
Die Neuheit der AFA besteht darin, dass sie die Komponenten der Nachfrageprognose in zwei Kategorien unterteilt, je nachdem, ob sie während der Erholungsphase wahrscheinlich widerstandsfähig oder volatil sein werden. So gehen wir beispielsweise davon aus, dass saisonale Nachfrageschwankungen und Nachfragemuster an Wochentagen weitgehend widerstandsfähig sein werden, während das Gesamtnachfragevolumen, die Buchungskurven und die Zahlungsbereitschaft der Kunden volatil sein dürften. Indem wir mit AFA nur auf die volatilen Komponenten abzielen, können wir die Komplexität reduzieren, so dass es möglich wird, diese Komponenten anhand der neuesten Verkaufsdaten anzupassen, um die Prognosegenauigkeit zu maximieren.
Unsere ersten Untersuchungen deuten darauf hin, dass die Prinzipien der AFA über die Erholungsphase nach der Pandemie hinaus von erheblichem Wert sind. Selbst nachdem wir genügend unbelastete Daten gesammelt haben, um die Schätzung der Prognoseparameter "aufzutauen", kann AFA immer noch verwendet werden, um eine schnelle Reaktion auf Marktveränderungen sicherzustellen, die Prognoseadaptivität zu erhöhen und gleichzeitig Robustheit und Stabilität zu erhalten. Wie in unserem Artikel Lesen Sie:Kann die Genauigkeit von Nachfrageprognosen mit dem Umsatz von Fluggesellschaften in Verbindung gebracht werden? Bereits eine Steigerung der Prognosegenauigkeit um 10 % kann zu einem Umsatzplus von 1 % führen, so dass AFA ein erhebliches Umsatzpotenzial für Fluggesellschaften birgt.
Krisenzeiten dienen oft als Katalysator für Innovation und Veränderung, und diese Pandemie ist da keine Ausnahme. Unsere F&E- und Professional Services-Teams arbeiten mit Hochdruck zusammen, um AFA noch in diesem Jahr für unsere Kunden verfügbar zu machen. Diese Arbeit wird gemeinsam mit unseremMachine Learning Services-Team fortgesetzt um neue datengesteuerte Modelle zur Identifizierung von Änderungen in Nachfragemustern zu definieren. Unser Ziel ist es, eine Umsatzmanagementlösung zu haben, die unsere Fluggesellschaftskunden durch dievier Phasen der Erholung und darüber hinaus unterstützt .
Podcast hören
TO TOP