Forecasting Sparse Airline Demand for Revenue Management: Hierarchical Count Models and Fare-Sensitive Premium-Cabin Capacity Sharing
تقترح هذه الورقة نموذج "بواسون-غاما" هرمي معدل حسب التعرض لتحسين التنبؤ بطلب شركات الطيران في حالات الندرة، وتستنتج قاعدة حماية المقاعد الحساسة للأجرة لمشاركة سعة المقصورة الممتازة، مما يثبت من خلال عمليات المحاكاة أن هذا النهج يقلل بشكل كبير من ندم الإيرادات مقارنة بالمعايير التقليدية، لا سيما عندما تكون نسب الأجرة مرتفعة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعد إدارة إيرادات شركات الطيران فن بيع المقعد المناسب للشخص المناسب في الوقت المناسب. وهي تعتمد على التنبؤ بعدد الأشخاص الذين سيرغبون في السفر على مسار معين، بسعر معين، في يوم معين. بالنسبة للمسارات الشهيرة التي تضم آلاف المسافرين يومياً، فإن الأمر يتعلق بتتبع الاتجاهات وتعديل الأسعار بناءً على تدفقات مستمرة من البيانات. ولكن بالنسبة للعديد من الرحلات، وخاصة تلك التي تحتوي على مقاعد درجة رجال الأعمال المميزة أو الرحلات المتجهة إلى وجهات أصغر، تكون البيانات ضئيلة للغاية. فأحياناً، ولأيام أو أسابيع متتالية، قد لا تشهد رحلة ما أي طلبات على مقعد مميز. وهذا يخلق مشكلة صعبة للحواسيب التي تدير مخزون شركة الطيران؛ فإذا رأى الحاسوب سلسلة من الأصفار، فقد يستنتج أنه لا أحد يرغب أبداً في ذلك المقعد، مما يؤدي إلى بيع المقصورة المميزة لركاب الدرجة السياحية في وقت مبكر جداً. وإذا كان الحاسوب مخطئاً، فإن شركة الطيران ستفقد فرصة بيع تذكرة عالية الثمن لمسافر من رجال الأعمال يظهر في اللحظة الأخيرة. ويكمكم التحدي في التمييز بين انعدام الطلب الحقيقي وفترة هدوء مؤقتة، باستخدام بيانات غالباً ما تكون شحيحة جداً بحيث لا يمكن الوثوق بها بمفردها.
لقد طور الباحثون طريقة جديدة للتعامل مع حالة عدم اليقين هذه، تركز على منهجية تعامل مع فترات الهدوء هذه ليس كطرق مسدودة، بل كإشارات تحتاج إلى تفسير في سياق شبكة شركة الطيران بأكملها. فبدلاً من النظر إلى مسار واحد بمعزل عن غيره، حيث يمكن لبضعة أيام من الصمت أن تخدع النظام وتجعله يعتقد أن الطلب قد تلاشى، تستعير الطريقة الجديدة القوة من المسارات المماثلة. فهي تدرك أنه على الرغم من اختلاف كل سوق، إلا أنها ليست غير مترابطة تماماً. ومن خلال النظر في سلوك العديد من المسارات معاً، يمكن للنموذج تقديم تخمين أكثر ذكاءً حول ما يحدث في مسار هادئ، حتى عندما لا يكون لهذا المسار المحدد أي حجوزات حديثة. وتسمح هذه الطريقة، المعروفة باسم "نموذج بواسون-غاما المتدرج المعدل حسب التعرض"، للنظام بالبقاء منفتحاً على احتمال وجود طلب مستقبلي، مما يمنعه من التخلي عن مقعد قد يظل ذا قيمة قبل الأوان.
جوهر هذا العمل هو دراسة محاكاة اختبرت مدى جودة أداء هذه الطريقة الجديدة مقارنة بالطرق التقليدية القديمة للتنبؤ. في هذه التجارب الحاسوبية، أنشأ الباحثون آلاف أسواق الطيران الوهمية ذات الطلب المنخفض جداً، لمحاكاة السيناريو الواقعي حيث تكون الطلبات نادرة وغير متوقعة. ووجدوا أن الطريقة التقليدية، التي تنظر إلى كل مسار على حدة، غالباً ما تفشل عندما تكون البيانات شحيحة. فإذا شهد مسار ما بضعة أيام دون حجوزات، يتنبأ النموذج التقليدي بصفر من الطلب المستقبلي، مما يخبر شركة الطيران فعلياً بالتوقف عن حماية تلك المقاعد. ومع ذلك، يستخدم النموذج الجديد المعلومات من الشبكة الأوسع لتنعيم هذه الانخفاضات المتقلبة؛ فهو يتنبأ بأنه حتى لو لم يشهد مسار ما أي طلبات مؤخراً، فلا يزال هناك احتمال معقول لوصول طلب في وقت لاحق. وينتج عن ذلك توقع أكثر حذراً وواقعية، يقر بأن عدم اليقين هو جزء طبيعي من العملية وليس عيباً يجب تجاهله.
تتضح القيمة الحقيقية لهذا التنبؤ المحسن عند تطبيقه على قرار تجاري محدد يسمى "التعويم في المقصورة" (cabin floating). وهذه هي الممارسة التي تسمت بـالسماح لركاب الدرجة السياحية بحجز مقاعد في المقصورة المميزة عندما تعتقد شركة الطيران أن تلك المقاعد المميزة ستظل فارغة في نهاية المطاف. والهدف هو تعظيم الإيرادات من خلال ملء المقاعد التي كانت ستضيع سدى، مع الاحتفاظ بمقاعد كافية للمسافرين ذوي الأجرة المرتفعة الذين قد يحجزون في اللحظة الأخيرة. إن قرار كيفية إطلاق المقاعد هو توازن دقيق؛ فإذا أطلقت الشركة الكثير من المقاعد، فإنها تخاطر بإزاحة مسافر ذي أجرة عالية، وإذا أطلقت القليل منها، فإنها تترك أموالاً على الطاولة. وقد أظهر الباحثون أن استخدام طريقة التنبؤ الجديدة هذه يؤدي إلى قرارات أفضل في هذا السيناريو. ولأن النموذج يقدم صورة أكثر دقة لاحتمالية الطلب المستقبلي على الدرجة المميزة، فإنه يساعد شركة الطيران في إيجاد النقطة المثالية حيث يمكنها بيع المزيد من التذاكر السياحية بأمان دون المخاطرة بفقدان عملية بيع مميزة.
في عمليات المحاكاة، نمت فوائد هذا النهج كلما زاد الفرق في السعر بين التذاكر المميزة والسياحية. فعندما كانت التذكرة المميزة أغلى قليلاً من التذكرة السياحية، كان الفرق في النتائج متواضعاً. ومع ذلك، عندما كانت الأجرة المميزة أعلى بكثير من الأجرة السياحية، ارتكبت الطرق التقليدية أخطاء مكلفة، حيث أطلقت غالباً الكثير من المقاعد وفقدت إيرادات محتملة. أما الطريقة الجديدة فقد تجنبت هذه الأخطاء باستمرار، حيث حمت العدد الصحيح من المقاعد بناءً على الخطر الفعلي لظهور الطلب. وأشار الباحثون إلى أن هذه الميزة تأتي من قدرة النموذج على التعامل مع "الذيل الطويل" لعدم اليقين — وهو الاحتمال الصغير ولكن الحقيقي لظهور عميل ذي قيمة عالية حتى بعد فترة طويلة من الصمت. ومن خلال إبقاء هذا الاحتمال قائماً في التوقعات، يمكن لشركة الطيران اتخاذ قرارات أكثر مرونة تجاه الطبيعة غير المتوقعة للسفر.
كما تناولت الدراسة كيفية التعامل مع الحالات التي لا يكون فيها الطلب منخفضاً فحسب، بل متقلباً للغاية أيضاً. ففي العالم الحقيقي، يمكن أن يتأثر الطلب بأحداث غير متوقعة، أو حجوزات جماعية، أو تغييرات مفاجئة في أنماط السفر التي تجعل الأرقام تتذبذب أكثر مما قد يوحي به مجرد متوسط بسيط. وقد أضاف الباحثون طبقة إلى نموذجهم يمكنها اكتشاف هذا التباين الإضافي وتعديل التوقعات وفقاً لذلك. وعندما أظهرت البيانات تقلبات أكثر مما هو متوقع، قام النموذج تلقائياً بتوسيع توقعاته لتعكس حالة عدم اليقين هذه. ويضمن هذا الميزة التكيفية أن لا تصبح شركة الطيران مفرطة في الثقة بتوقعاتها، مما يحافظ على هامش أمان يحمي من المفاجآت.
ورغم أن النتائج واعدة، إلا أن الباحثين حذروا من أن هذه النتائج تأتي من عمليات محاكاة باستخدام بيانات اصطناعية، وليس من نظام طيران حي. لقد صُممت التجارب لعزل المشكلة المحددة المتمثلة في ندرة البيانات واختبار منطق النهج الجديد في بيئة محكومة. والخطوة التالية، التي حددها المؤلف كخطوة أساسية، هي اختبار الطريقة على بيانات حجز حقيقية من شركات طيران فعلية. وسيتضمن ذلك التعامل مع التعقيدات الفوضوية للعمليات الحقيقية، مثل الإلغاءات، وعدم الحضور، والطرق المعقدة التي يختار بها الركاب بين أسعار ومسارات مختلفة. ويعتقد الباحثون أن الطريقة جاهزة لهذه المرحلة التالية، لكنهم يؤكدون أن الإثبات النهائي لقيمتها سيأتي من رؤية كيفية أدائها عند تطبيقها على الواقع الفوضوي لشبكة طيران حية.
الدرس الأوسع من هذا العمل هو أنه في المجالات التي تكون فيها البيانات شحيحة، فإن الطريقة التي تفسر بها الصمت لا تقل أهمية عن البيانات التي تملكها. فمن خلال رفض اعتبار نقص المعلومات نقصاً في الطلب، وباستخدام الحكمة الجماعية للشبكة لإعلام القرارات الفردية، يمكن لشركات الطيران اتخاذ خيارات أذكى بشأن أصولها الأكثر قيمة. وتشير الدراسة إلى أن مستقبل إدارة الإيرادات لا يكمن فقط في جمع المزيد من البيانات، بل في بناء نماذج تتسم بالتواضع لتقر بما لا تعرفه، وبالمرونة لتتعلم من الأنماط الموجودة بالفعل. ويقدم هذا النهج مساراً للمضي قدماً في إدارة الطبيعة غير المتوقعة للسفر، مما يضمن بيع المقاعد لأولئك الذين يقدرونها أكثر، دون ترك كراسي فارغة خلفهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.