Havayolu Ücretleri - Rekabetçi fiyat belirleme davranışını ve fiyat korelasyonlarını tespit etmek için hangi analiz kullanılmalıdır?

Havayollarının fiyat belirleme davranışını - özellikle havayollarının rakiplerin fiyatlandırmasına nasıl tepki verdiğini araştırmak istiyorum.

Daha karmaşık analiz hakkındaki bilgimin oldukça sınırlı olduğunu söyleyeceğim gibi, verilerin genel bir görünümünü toplamak için çoğunlukla tüm temel yöntemleri yaptım. Bu, benzer desenleri tanımlamaya zaten yardımcı olan basit grafikler içerir. Ayrıca SAS Enterprise 9.4 kullanıyorum.

Ancak daha sayı tabanlı bir yaklaşım arıyorum.

Veri Kümesi

Kullandığım (kendi kendine) toplanan veri seti yaklaşık ~ 54.000 ücret içeriyor. Tüm ücretler günlük olarak (her gece 00: 00'da) 60 günlük bir zaman aralığı içinde toplanmıştır.

Bu nedenle, bu zaman penceresindeki her ücret , ücretin mevcudiyetine ve uçuşun kalkış tarihine göre geçtiği uçuşun kalkış tarihine bağlı olarak kez gerçekleşir . (Uçuşun kalkış tarihi geçmişte olduğunda uçuş için ücret alamazsınız)$n$

Temelde şuna benzeyen biçimlendirilmemiş: (sahte veriler)

+--------------------+-----------+--------------------+--------------------------+---------------+
| requestDate        | price| tripStartDeparture | tripDestinationDeparture | flightCarrier |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 725.32    | 16APR2015:10:50:02 | 23APR2015:21:55:04       | XA            |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 966.32    | 16APR2015:13:20:02 | 23APR2015:19:00:04       | XY            |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 915.32    | 16APR2015:13:20:02 | 23APR2015:21:55:04       | XH            |
+--------------------+-----------+--------------------+--------------------------+---------------+

İle hesaplanan "DaysBeforeDeparture" burada$I=s-c$

• I ve aralık (kalkıştan günler önce)
• s & ücret tarihi (uçuş kalkış)
• c & ücretin alındığı tarih

İşte I (DaysBeforeDep.) (Sahte veriler!) Tarafından ayarlanmış gruplandırılmış verilere bir örnek:

+-----------------+------------------+------------------+------------------+------------------+
| DaysBefDeparture | AVG_of_sale | MIN_of_sale | MAX_of_sale | operatingCarrier |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 880.68           | 477.99           | 2,245.23         | DL           |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 904.89           | 477.99           | 2,534.55         | DL           |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 1,044.39         | 920.99           | 2,119.09         | LH               |
+-----------------+------------------+------------------+------------------+------------------+

Şimdiye kadar ne buldum

Çizgi grafiklere baktığımda, birkaç çizginin yüksek korelasyon faktörüne sahip olacağını zaten tahmin edebilirim. Bu nedenle, önce gruplandırılmış veriler üzerinde korelasyon analizi kullanmaya çalıştım. Ama bu doğru yol mu? Temel olarak şimdi bireysel fiyatlar yerine ortalamalar üzerinde korelasyon yapmaya çalışıyorum? Başka bir yol var mı?

Fiyatlar herhangi bir doğrusal formda hareket etmediği ve doğrusal olmadığı göründüğü için, hangi regresyon modelinin buraya uyduğundan emin değilim. Bir havayolunun fiyat gelişmelerinin her birine bir model yerleştirmem gerekir mi?

Not: Bu uzun bir metin duvarı. Bir şeyi açıklığa kavuşturmam gerekirse bana bildirin. Bu alt bölümde yeniyim.

Bir ipucu var mı? :-)

Eski bir havayolu Gelir Yönetimi analistinden uyarı kelimesi: Bu yaklaşımla yanlış ağaca havlıyor olabilirsiniz. Aşağıdaki metin duvarı için özür dileriz, ancak bu veriler ilk bakışta göründüğünden çok daha karmaşık ve gürültülüdür, bu nedenle nasıl oluşturulduğuna dair kısa bir açıklama yapmak istedim; önceden haber verilir.

Havayolu ücretlerinin iki bileşeni vardır: bir havayolu şirketinin belirli bir rota için mevcut olduğu, çoğu Havayolu Tarife Yayıncılık Şirketi tarafından yayınlanan tüm gerçek ücretler (ücret kuralları ve ne var). değil, ancak bunlar kuraldan çok istisnadır) ve havayolu tarafından günlük bazda gerçekleştirilen gerçek envanter yönetimi.

Ücretler ATPCO'ya günde dört kez, belirli aralıklarla gönderilebilir ve havayolları bunu yaptığında, genellikle mevcut ücretlerin eklenmesi, silinmesi ve modifikasyonlarının bir karışımından oluşur. Bir havayolu bir fiyatlandırma eylemi başlattığında (rakiplerinin burada kendi hamlelerini yapmaya çalışmadığını varsayarsak), rakiplerinin takip edip yanıt vermediğini görmek için genellikle bir sonraki güncellemeye kadar beklemeleri gerekir. Bir rakip bir fiyatlandırma eylemi başlattığında, havayolu, yanıt vermeden önce bir sonraki güncellemeye kadar beklemesi gerektiğinden, tersine gider.

Şimdi, bu ücretler açısından iyi ve iyi, ama sorun şu ki, bu tüm ATPCO'da yayınlanıyor, ücretler halka açık bilgiler için bir sonraki en iyi şey ... tüm rakipleriniz ne yaptığınızı görüyor cephaneliğinize dahil edildiğinden, hiçbir zaman envanter atanmayacak ücretleri yayınlamak, tüm ücretleri kalkış günü olarak listelemek gibi gizleme girişimleri duyulmamıştır.

Birçok yönden, gizli sos gerçek envanter tahsisine gelir, yani her uçuşta kaç koltuk belirli bir ücret karşılığında satmaya istekli olacaksınız ve bu bilgiler halka açık değildir. Web bilgilerini kazıyarak bazı bakışlar alabilirsiniz, ancak kalkış saati / tarihi ve ücret kurallarının olası kombinasyonları oldukça fazladır ve kolayca takip etme yeteneğinizin ötesine geçebilir.

Tipik olarak bir havayolu şirketi, çok düşük bir ücret karşılığında bir avuç koltuk satmaya istekli olacak ve ücret kurallarını kilitlemek için bunları çok önceden önceden rezervasyon yaptırmak zorunda kalan insanlar, ya da diğer gezginler onları yumruk haline getirdiler. Havayolu, daha yüksek bir ücret karşılığında birkaç koltuk daha satmaya istekli olacak vb. Tüm koltukları yayınladıkları en yüksek ücretle satmaktan mutluluk duyacaklar, ancak bu genellikle uygun değildir.

Fiyatların kalkış gününe yaklaştıkça yükseldiklerini gördüğünüz şey, ucuz koltukların daha fazla rezerve edilmesinin doğal süreci iken, kalan envanter giderek daha pahalı hale gelir. Tabii ki, burada bazı uyarılar var. RM süreci aktif olarak yönetilir ve RM ekibi genellikle gelir hedeflerini tutmaya ve her uçuşta geliri en üst düzeye çıkarmaya çalıştığından insan müdahalesi oldukça yaygındır. Bu nedenle, çabuk dolan uçuşlar düşük ücretler kapatılarak "sıkılabilir". Yavaş rezervasyon yapan uçuşlar düşük ücretlere daha fazla koltuk tahsis edilerek "gevşetilebilir".

Bu bölgedeki havayolları arasında sürekli bir etkileşim ve rekabet vardır, ancak gerçek dinamikleri kazıma ücretlerinden yakalamanız pek olası değildir. Beni yanlış anlamayın, elimizde böyle araçlar vardı ve sınırlamalarına rağmen oldukça değerliydiler, ancak karar verme sürecine giren tek bir veri kaynağıydı. RM ekipleri tarafından günlük olarak alınan binlerce operasyonel karara değil, yüzlerce operasyonel karara ve o sırada gördükleri dünya bilgisine erişmeniz gerekir. Bu verileri almak için birlikte çalışacak bir havayolu ortağı bulamazsanız, alternatif veri kaynaklarını göz önünde bulundurmanız gerekebilir.

Resmi Havayolu Kılavuzundan (veya rakiplerinden biri) Ar-Ge ücret verilerine erişmeyi araştırmanızı ve analiziniz için kullanmayı denemenizi tavsiye ederim. Örnek tabanlı (satılan tüm biletlerin yaklaşık% 10'u) ve ideal olandan daha yüksek bir seviyede toplanmış, bu yüzden dikkatli rota seçimi zorunludur (Bol miktarda havayolu ile bir şey öneriyorum, günde birkaç kez durmadan uçuyorum, ancak gerçekte ne satıldığını (ortalama ücret) ve ne kadarının satıldığını (yük faktörü), ancak yalnızca belirli bir zamanda satışa sunulanları daha iyi görebilirsiniz. Bu bilgileri kullanarak, en azından havayollarının fiyatlandırma stratejisinin sonuçlarını araştırmak ve oradan çıkarımlar yapmak için daha iyi bir konumda olabilirsiniz.

Hem tanımlayıcı hem de görsel keşifsel veri analizine (EDA) ek olarak, zaman serisi analizini daha kapsamlı ve sofistike bir analiz olarak kullanmaya çalışacağım . Özellikle, zaman serisi regresyon analizi yapardım . Zaman serisi analizi büyük bir araştırma ve uygulama alanıdır, bu nedenle, temel bilgilere aşina değilseniz, yukarıda bağlantılı Wikipedia makalesine başlamayı, yavaş yavaş daha spesifik konuları araştırmayı ve ilgili makaleleri, kağıtları ve kitapları okumayı öneririm.

Zaman serisi analizi çok popüler bir yaklaşım olduğundan, R , Python , SAS , SPSS ve diğerleri gibi çoğu açık kaynaklı ve kapalı kaynaklı ticari veri bilimi ve istatistiksel ortamlar (yazılım) tarafından desteklenmektedir . Bunun için R'yi kullanmak istiyorsanız , genel zaman serisi analizi ve zaman serisi sınıflandırması ve kümelemesi hakkındaki cevaplarımı kontrol edin . Umarım bu yardımcı olur.