Gelir yönetiminde tahminleme modelleri ve iş mantığı analizi

Spill bölümleri talebin bir dağılımı olduğunu varsayıp o dağılımın kapasiteye çarptığı yeri hesaplıyordu. Dağılımın ortalamasını ve varyansını kimin, nasıl ürettiği sorusu açıkta kalmıştı. Bu bölüm o soruya dönüyor: gelir yönetiminde talebi tahmin eden modeller hangileri ve hangisi hangi koşulda iş görüyor. Kaynak metin üç aileye bakıyor: üstel düzeltmenin evrimi olan Kalman filtresi, zaman serisi modelleri ARMA ve ARIMA, ve regresyon. Havayolu rezervasyon verisinde doğru model, en karmaşık olanı değil, parametreleri zamanla değişen bir dünyaya kendini uydurabilen olanıdır. Diğer ikisinin sorunu matematiksel zayıflık değil; varsayımlarının bu veriye uymaması.

Bu bölümü okurken şunu akılda tutmak işe yarar: burada anlatılan her zorluk aslında bir iş kuralına dönüşüyor. “Bu model şu koşulda güvenilmez” cümlesi, tahmin katmanında bir if bloğu demek. Model seçimi, sistem tasarımının parçası.

Sabit düzeltme katsayısı değişen pazara geç kalıyor

Üstel düzeltme, gelir yönetiminde tahminin en eski ve en yaygın yolu: her yeni gözlem, önceki tahmine sabit bir ağırlıkla karıştırılıyor. Katsayı büyükse tahmin her dalgalanmaya savruluyor, küçükse gerçek bir değişimi haftalar sonra fark ediyor. Sorun katsayının kendisinde değil, sabit olmasında. Pazar bir gün sakin, ertesi gün bir rakibin fiyat kırmasıyla çalkantılı; tek bir katsayı ikisine birden doğru cevap veremiyor.

Kalman filtresi bu katsayıyı değişkene çeviriyor. Adı Kalman kazancı (Kalman gain) ve her yeni gözlemden sonra yeniden hesaplanıyor. Kaynak metin farkı tek cümlede veriyor: düzeltme “sabiti” artık bir sabit değil, zamanla değişiyor ve bu da süreçteki değişikliklere daha hızlı uyum sağlıyor. Sistemin tepki hızı böylece önceden seçilmiş bir sayıya değil, o anki belirsizliğe bağlanıyor. Belirsizlik büyüdüğünde kazanç artıyor ve tahmin yeni veriye daha çok kulak veriyor; belirsizlik azaldığında kazanç düşüyor ve tahmin yerinde duruyor.

Yazılım tarafında bunun karşılığı şu: tahmin servisinin durumu yalnızca “son tahmin” değil. Tahminin yanında o tahmine ne kadar güvenildiğini gösteren bir belirsizlik değeri de saklanıyor ve her güncellemede ikisi birlikte ilerliyor. Durum nesnesine tek bir alan eklemek gibi görünse de bu, modelin tepki hızını konfigürasyondan çıkarıp veriye bırakmak demek.

Her sapma bir sinyal değil; Kalman ikisini ayırıyor

Rezervasyon verisi kirli. Geç düşen iptaller, yanlış kodlanmış grup kayıtları, bir kanaldan gecikmeyle gelen PNR’lar; bunların hepsi bir gözlemi gerçekte olduğundan farklı gösteriyor. Öte yandan bazen sapma gerçek: pazar değişmiş, yolcu profili kaymış, bir etkinlik talebi yükseltmiş. Tahmin sisteminin cevaplaması gereken asıl soru “sapma var mı” değil, “bu sapma hangi türden”.

Kalman filtresinin gücü burada. Kaynak metne göre filtre, gürültülü veriyi (gözlem gürültüsü, observation noise) değişen parametrelerden (süreç gürültüsü, process noise) açıkça ayırarak modelliyor. Üstel düzeltmenin yapamadığı tam olarak bu: onun gözünde her fark aynı fark. Kalman ise iki ayrı varyans taşıyor. Sapma ölçüm hatasından geliyorsa tahmini koruyor; temel bir parametre değişimine işaret ediyorsa tahmini hızla güncelliyor.

Bu ayrımın iş kuralı olarak karşılığı açık. Tek bir günün tuhaf rezervasyon sayısı, fiyat ve envanter kararlarını yerinden oynatmamalı. Ama birkaç gözlem üst üste aynı yöne işaret ediyorsa, sistem bunu gürültü diye bastırmaya devam etmemeli. İki hatanın da maliyeti var: gürültüye tepki veren sistem kontenjanı boş yere açıp kapıyor, gerçek değişimi bastıran sistem ise ya koltuğu ucuza satıyor ya da talebi reddediyor.

Burada kritik bir ayar işi saklı. Filtrenin bu ayrımı doğru yapabilmesi, süreç ve ölçüm gürültüsü varyanslarının, kaynak metindeki adlarıyla q ve r’nin doğru kalibre edilmesine bağlı. Kaynak metin bunu ayrı bir iş süreci olarak tanımlıyor: amaç, ortalama mutlak hatayı (MAE, Mean Absolute Error) en aza indirecek q ve r değerlerini bulmak. q’yu r’ye göre büyük tutmak filtreye “dünya hızlı değişiyor” demek; küçük tutmak “gözlemlerin kirli, onlara az güven” demek. Yanlış oran, filtreyi ya üstel düzeltmenin aşırı tepkili hâline ya da hantal hâline geri döndürüyor.

Yeni rota için ön hazırlık gerekmiyor

Tahminin en zor anı başlangıç. Yeni açılan bir rotanın geçmişi yok; veri eksik bir pazarda model neye dayanacak? Birçok yöntem burada ayrı bir ön işleme adımı, bir ısınma dönemi ya da benzer rotalardan kopyalanmış bir başlangıç seti istiyor.

Kaynak metne göre Kalman filtresi bunu gerektirmiyor. Belirli bir başlangıç değeri ve bu değere ne kadar güvenildiğini gösteren bir belirsizlik ölçüsü girildikten sonra, filtre her yeni veriyle optimal tahmine çevrimiçi (online) olarak ilerliyor. Başlangıç belirsizliği büyük tutulursa ilk gözlemler hızla tahmini şekillendiriyor; veri biriktikçe belirsizlik küçülüyor ve kazanç kendiliğinden düşüyor.

Yazılım tarafında bu, yeni rota için ayrı bir kod yolu yazmamak demek. Aynı güncelleme fonksiyonu, yalnızca farklı bir başlangıç durumuyla çağrılıyor. Kaynak metin ayrıca filtrenin düşük bellek gereksinimini ve uygulama kolaylığını vurguluyor: her uçuş için taşınan durum, tahmin ile belirsizlikten ibaret, bütün geçmiş değil. Her uçuşun ve her birinin birden çok rezervasyon noktasının ayrı ayrı tahmin edildiği düşünüldüğünde, geçmişin tamamını her güncellemede yeniden okumayan bir modelin büyük ağlardaki hesaplama verimliliği ayrı bir avantaj.

ARMA ve ARIMA, havayolunun vermediği iki şeyi istiyor

Zaman serisi modelleri ilk bakışta talep tahmini için doğal aday: rezervasyonlar zamana bağlı bir seri, ARMA ise tam da serinin kendi geçmişinden ve geçmiş hatalarından geleceği kuran bir model. Kaynak metin bu modellerin gelir yönetiminde yine de yaygın kullanılmadığını söylüyor ve iki engel sayıyor.

Birincisi durağanlık. ARMA, verinin ortalamasının ve varyansının zaman içinde sabit kaldığını varsayıyor. Havayolu rezervasyon eğrileri bu varsayımı karşılamıyor; kaynak metin bu eğrilerin ortalamasının ve varyansının zaman içinde yüksek değişkenlik gösterdiğini vurguluyor. ARIMA buna bir çözüm getiriyor: veriyi fark alma (differencing) ile, yani her değerden bir öncekini çıkararak, durağan hâle getiriyor ve modeli bu dönüştürülmüş seriye kuruyor. Ama bu, sorunu modelin girişinde çözmeye çalışmak; parametreler sürekli kayıyorsa her kaymada modelin yeniden tanımlanması gerekiyor.

İkincisi veri derinliği ve bu, pratikte daha belirleyici olanı. Kaynak metne göre ARMA ve ARIMA en az 2 yıllık, tercihen 5 yıl ya da daha fazla veri istiyor. Havayolunda 5 yıl, bir rotanın aynı kalması için uzun bir süre: tarife değişiyor, uçak tipi değişiyor, rakip giriyor ya da çıkıyor. 5 yıllık bir seri çoğu zaman aslında birkaç farklı pazarın birbirine eklenmiş hâli.

Buradan çıkan iş kuralı basit ve kodlanabilir. Model seçim katmanı, önce mevcut veri setinin uzunluğuna bakmalı. Seri 2 yıldan kısaysa ARMA/ARIMA aday listesinden baştan elenmeli, çünkü o uzunlukta bu modellerin açıklama kapasitesi sınırlı; 5 yıldan kısa serilerde de tercih daha az veriyle çalışabilen yöntemlere gitmeli. Ortalama ve varyansın zamanla değiştiği görülüyorsa ARMA doğrudan yetersiz; ya fark alan ARIMA ya da Kalman gibi daha esnek bir model devreye girmeli.

Yazılım tarafında bu, model seçiminin bir kez verilip unutulan bir karar değil, her pazar için çalışma zamanında yapılan bir kontrol olması demek. Aynı sistem içinde köklü bir rota ile geçen sezon açılmış bir rota farklı modellerle tahmin edilebiliyor ve bu farkın kaydı tutulmalı: bir tahminin hangi modelden geldiği, o tahmine ne kadar güvenileceği sorusunun parçası.

Regresyonun sorunu havayolu verisinin kendi yapısı

Regresyon, talebi fiyat, sezon, rakip kapasitesi ya da önceki rezervasyon noktaları gibi açıklayıcı değişkenlere bağlamanın en tanıdık yolu. Kaynak metin burada da net: regresyon modelleri havayolu verisinde iyi sonuç vermeme eğiliminde, çünkü katsayı tahminleri eşdoğrusallık (collinearity) yüzünden yanlı olabiliyor.

Eşdoğrusallık, bağımsız değişkenlerin birbirleriyle yüksek korelasyon taşıması. Havayolu verisinde bu kaçınılmaz: aynı uçuşun farklı dönemlerindeki rezervasyonlar birbirinden bağımsız değil. Erken dönemde güçlü giden bir uçuşun kalkışa yakın dönemde de güçlü gitmesi şaşırtıcı değil; ikisi aynı talebin iki ayrı ölçümü. Bunları regresyona ayrı değişkenler olarak koyduğunda model, etkiyi hangisine atfedeceğini bilemiyor ve katsayılar güvenilmez hâle geliyor. Toplam tahmin makul görünse bile tek tek katsayılar, örneğin fiyatın etkisi, yanıltıcı olabiliyor. Fiyat kararı da tam olarak o katsayıya bakılarak veriliyor.

Kaynak metnin önerdiği çıkış dinamik regresyon. Bu modelde bir dönemden diğerine aktarılan hata payı (error term) denkleme dahil ediliyor ve böylece dönemler arası korelasyonun etkisi azaltılıyor. Standart regresyon her gözlemin hatasını bağımsız varsayarken, dinamik regresyon dünün hatasının bugünü etkilediğini kabul ediyor. İş kuralı olarak karşılığı: bağımsız değişkenler yüksek korelasyonluysa, standart regresyon çıktısına dayalı fiyat kararından kaçınılmalı.

Kalibrasyon aralığının dışında regresyon susmalı

Regresyonun ikinci zayıflığı daha sinsi. Model, kalibre edildiği aralıkta iyi çalışıyor; o aralığın dışına, kaynak metnin deyişiyle örneklem dışına (out of sample) çıkıldığında güvenilmez sonuçlar üretiyor. Model hiç görmediği bir fiyat seviyesinde, hiç görmediği bir kapasitede ya da hiç görmediği bir talep şokunda da bir sayı döndürüyor; sadece o sayının bir dayanağı yok.

Tehlike, bu sayının diğerlerinden farklı görünmemesi. Ekranda aynı biçimde, aynı ondalık hassasiyetle duruyor. Kaynak metin bu yüzden güvenilmezliğin bir iş kuralı olarak tanımlanmasını istiyor: regresyon tahmini kalibrasyon aralığının dışına çıktığında sistem tahminciyi uyarmalı ya da Kalman filtresi gibi alternatif bir modele geçmeli.

Yazılım tarafında bunun anlamı, modelin yalnızca katsayılarını değil kalibre edildiği girdi aralığını da saklamak. Her tahmin çağrısında girdiler bu aralıkla karşılaştırılıyor; dışarıdaysa ya bir uyarı bayrağı tahminle birlikte dönüyor ya da istek başka bir modele yönlendiriliyor. Sessizce bir sayı dönmek, en kötü seçenek.

Esneklik bir tercih değil, veri yapısının sonucu

Üç ailenin yan yana konması tek bir örüntü ortaya çıkarıyor. ARMA durağanlık istiyor, havayolu verisi durağan değil. ARIMA fark alarak bunu düzeltiyor ama yıllarca veri istiyor, havayolu pazarları o kadar uzun aynı kalmıyor. Regresyon bağımsız değişken istiyor, aynı uçuşun rezervasyon noktaları birbirine bağlı. Her birinin varsayımı, havayolu verisinin bir özelliğine takılıyor.

Kalman filtresi bu listede öne çıkıyor çünkü varsayımları bu verinin doğasına uyuyor: parametrelerin değişebileceğini baştan kabul ediyor, gürültüyle değişimi ayrı modelliyor, az veriyle başlayabiliyor ve durumu küçük. Kaynak metnin yönetici özetindeki sonuç da bu: dinamik ve hızla değişen ortamlarda, zamanla değişen parametrelere uyum sağlayabilen esnek modeller tercih edilmeli. Bu, diğer modellerin yasaklanması anlamına gelmiyor; hangi koşulda devreye girebileceklerinin açık kurallara bağlanması anlamına geliyor.

Yarın işe yarayacak dört çıkarım

1. Model seçimini veri derinliğine bağla. Seçim katmanı önce seri uzunluğuna baksın: 2 yıldan kısa veride ARMA/ARIMA aday bile olmasın, 5 yıldan kısa veride daha az veriyle çalışan yöntemler öne geçsin. Ortalama ve varyans zamanla kayıyorsa ARMA’yı hiç denemeden ARIMA’ya ya da Kalman’a geç.
2. Kalman’da q ve r’yi bir iş süreci olarak kalibre et. Süreç ve ölçüm gürültüsü varyansları bir kez girilip bırakılan sabitler değil; MAE’yi en aza indirecek şekilde düzenli olarak ayarlanmaları gerekiyor. Yanlış oran, filtreyi ya gürültüye tepki veren ya da gerçek değişimi kaçıran bir modele çeviriyor.
3. Korelasyonlu değişkenlerde standart regresyona fiyat bağlama. Aynı uçuşun farklı dönem rezervasyonları gibi birbirine bağlı değişkenler varsa katsayılar yanlı olabilir. Fiyat kararını bu katsayılara dayandırma; dönemler arası hata payını denkleme katan dinamik regresyonu kullan.
4. Regresyonun kalibrasyon aralığını sakla ve her çağrıda kontrol et. Girdi örneklem dışına çıktığında tahmin sessizce dönmesin: tahminciye uyarı gitsin ya da istek Kalman gibi alternatif bir modele yönlensin.

Bu bölümde ne yok: tahminin ürettiği dağılımın kapasiteyle nasıl karşılaştırıldığı (spill bölümleri ve “Yüksek varyanslı talep ve iki aşamalı Cox dağılımı”), tahminin koltuk kontenjanına nasıl çevrildiği ve tahmin hatasının gelir üzerindeki etkisinin nasıl ölçüldüğü. Bu bölüm yalnızca tahmin katmanının içindeki model seçimini ve o seçimin hangi iş kurallarına dönüştüğünü anlatmak için var.