Математические модели для системы управления доходностью Аэрофлота
Проект посвящен анализу и разработке математических моделей для управления доходностью авиакомпаний, прогнозирования спроса, динамики бронирования, неявок пассажиров и отмен.
Управление доходностью авиакомпаний на основе моделей и данных
Проект рассматривает управление доходностью как задачу оптимального распределения ограниченного ресурса авиакомпании — мест в самолете — с учетом динамического спроса, ценовой чувствительности пассажиров, бронирований, неявок и отмен.
В авиационной отрасли прибыльность зависит не только от количества проданных билетов, но и от того, по каким тарифам, каким сегментам пассажиров и в какой момент времени они продаются. Поэтому система управления доходностью должна прогнозировать спрос, управлять квотами мест, учитывать вероятность no-show и cancellation, а также поддерживать принятие решений в условиях высокой волатильности рынка.
Исследование объединяет аналитический обзор классических моделей revenue management, сравнение инструментальных систем, разработку моделей для Аэрофлота, методологию оценки прототипа и техническую реализацию через набор расчетных модулей и API.
Проблема отрасли
Авиакомпании работают в условиях конкуренции, ценового давления, волатильного спроса и необходимости быстро адаптироваться к изменению предпочтений пассажиров.
Предмет анализа
В центре проекта — модели управления доходностью, методы прогнозирования, инструменты динамического ценообразования и управление квотами бронирования.
Практический результат
Результатом является логика прототипа системы, который может имитировать продажу рейса, анализировать данные и сравнивать эффективность моделей.
Какие подходы рассматриваются в исследовании
В буклете рассмотрены несколько подходов к управлению доходностью авиакомпаний. Они отличаются тем, какие факторы ставятся в центр анализа: сегментация рынка и психографические профили пассажиров, оптимальная цена с учетом спроса и издержек, прогнозирование спроса с учетом сезонности или оценка эффективности маркетинговых кампаний.
Такой обзор нужен не сам по себе: он формирует основу для выбора моделей, которые затем можно применять при расчете динамики бронирований, неявок пассажиров и отмен по рейсам.
Belobaba
Модель связана с анализом и оптимизацией ценообразования и доходов авиакомпаний. В фокусе — сегментация рынка, ценовая дискриминация, прогнозирование, управление квотами и оптимизация.
Littlewood-Ryzin
Используется для определения оптимальной цены билетов с учетом спроса, издержек и конкуренции. Подход применяется для динамического ценообразования и прогнозирования выручки.
Chatwin
Маркетинговая модель сегментации рынка на основе психографических характеристик потребителей: ценности, образ жизни и личность влияют на поведение при покупке. Потребители делятся на пять сегментов — от инноваторов до исследователей.
Weatherford-Bodily
Модель ориентирована на прогнозирование спроса на авиаперелеты на основе исторических данных и факторов сезонности, дней недели, праздников, событий и экономических условий.
Smith-Penn
Маркетинговая модель оценки отдачи от инвестиций (ROI) в маркетинговые кампании авиаперелетов. Основана на концепции атрибуции и помогает оценивать эффективность кампаний и оптимизировать распределение маркетингового бюджета.
Почему одного прогноза недостаточно
Для авиакомпании важно не просто предсказать количество пассажиров. Необходимо определить, сколько мест оставить для более дорогих тарифов, какие классы бронирования открывать или закрывать, как учитывать вероятность неявки пассажиров и как не потерять выручку из-за отмен. Поэтому исследование соединяет экономические модели, статистические методы, машинное обучение и имитационное моделирование.
От анализа данных к прототипу системы
Вторая часть исследования посвящена разработке моделей для системы управления доходностью Аэрофлота. В нее входят отдельные расчетные контуры для динамики бронирования, среднего числа неявок пассажиров и среднего числа отмен по вылетевшему рейсу.
Динамика бронирования
Анализируется поведение бронирований по вылетевшему и продаваемому рейсу. Это позволяет оценивать, как спрос формируется во времени до даты вылета.
No-show
Отдельно рассчитывается среднее число пассажиров, которые оформили бронирование, но не явились на рейс. Это важно для управления доступной емкостью.
Cancellation
Модельный блок учитывает отмены бронирований, так как они влияют на фактическую загрузку рейса и итоговую выручку авиакомпании.
Сравнение методов
Для ключевых расчетов предусмотрено сравнение методов машинного обучения, временных рядов, глубокого обучения и классических подходов.
Что анализируется
- Динамика бронирования вылетевшего рейса.
- Динамика бронирования продаваемого рейса.
- Среднее число неявок пассажиров.
- Среднее число отмен бронирований.
- Влияние прогнозов на управление квотами мест.
Какие методы сравниваются
- Методы машинного обучения.
- Методы анализа временных рядов.
- Методы глубокого обучения.
- Классические расчетные методы.
- Подходы к проверке качества и практической применимости моделей.
Системы и решения, с которыми сопоставляется проект
В исследовании отдельно рассмотрены инструментальные средства, применяемые в авиационной отрасли: Sabre, Amadeus, Galileo и «Сирена». Их анализ помогает показать, какие функции уже стали стандартом рынка, а какие элементы требуют адаптации под конкретные данные и бизнес-процессы авиакомпании.
Как проверяется работа моделей
Методология исследования включает прототип, имитацию его работы, апробацию на реальных данных, сравнительный анализ моделей и техническую реализацию через спецификацию API.
В техническом блоке описывается подготовка данных и запуск расчетных процедур. В частности, предусмотрены отдельные файлы и модули для формирования профилей данных, чтения массивов, инициализации процедур динамической оптимизации и прогнозирования, имитационной продажи выбранного рейса и массового моделирования методом Монте-Карло.
Спецификация взаимодействия
API нужен для того, чтобы модельные расчеты можно было связать с данными, внешними системами и блоком управления системой.
Расчетные модули
В проекте описаны R-файлы для подготовки профилей, чтения данных, запуска оптимизации и имитации продаж по рейсу.
Монте-Карло
Массовая имитация продаж позволяет оценивать средние результаты и сравнивать устойчивость разных модельных решений.
Отдельный расчетный акцент — автокорреляция
Для прогнозирования классов кабины в техническом блоке выбран механизм автокорреляции. Он позволяет выявлять зависимости на основе периодов и агрегировать информацию на уровне рядов, что помогает учитывать повторяемость и структуру временных данных при прогнозировании.
Полная версия проекта доступна в буклете
В буклете представлены полный обзор моделей, структура исследования, описание инструментов управления доходностью, методология оценки, прототип, имитационное моделирование, техническая реализация и спецификация API.
Скачать буклет →