Havacılıkta overbooking stratejileri ve gelir yönetimi

Önceki üç bölüm overbooking’i içeriden açtı: boş koltukla kapıda geri çevrilen yolcu arasındaki denge, kaç kişinin gerçekten bineceğinin tahmini, o tahminin varyansının limiti nasıl aşağı çektiği. Bu bölüm bir adım geri çekilip overbooking’in gelir yönetimi sisteminin içinde nerede durduğuna bakıyor. Kaynak metin bunu tek bir oranla söylüyor: overbooking, toplam verim yönetimi gelir fırsatının yaklaşık %25’ine katkıda bulunuyor. Bu büyüklükteki bir kaldıraç, RM motorunun yanına iliştirilmiş ayrı bir modül olarak değil, ücret karmasıyla aynı hesabın içinde çözülmesi gereken bir değişken. Bölümün geri kalanı bu iddianın dört sonucunu anlatıyor: eşzamanlı optimizasyon, fall-off oranıyla sadeleştirilmiş tahmin, kuponun gerçek maliyeti ve fazla satışın fiyata yansıması.

Overbooking gelir yönetiminin dörtte biri, bir yan ayar değil

Kaynak metnin çerçevesi tanıdık: amaç, iptaller ve gelmeyen yolcular (no-show) yüzünden kalkışta boş kalacak koltuk kaybını, yani spoilage’ı en aza indirirken uçağa kabul edilmeme (denied boarding) maliyetini dengede tutmak. Karar kuralı da iki maliyetin karşılaştırması. Bir koltuğun boş kalmasının maliyeti, uçağa alınmayan bir yolcuya ödenecek tazminattan ve o yolcunun sadakatinden kaybedilecek olandan yüksekse, limit yukarı çekiliyor. Bu dengenin eğrileri, havalimanına göre değişen tazminat ve hukukun limiti optimumun altına itmesi önceki bölümlerde anlatıldı; burada tekrar etmeye gerek yok.

Yeni olan, bu dengenin ağırlığı. Gelir yönetimi deyince akla genelde ücret sınıflarının açılıp kapanması, yani hangi yolcuya hangi fiyattan koltuk verileceği geliyor. Kaynak metnin %25 tahmini, bu sınıf kararlarının dayandığı kapasitenin kendisini belirleyen overbooking’in toplam kazancın küçümsenemeyecek bir parçası olduğunu söylüyor. Satışa açılan koltuk sayısı yanlışsa, o koltukların arasındaki sınıf dağılımı ne kadar iyi olursa olsun, eksik bir sayının üzerine kurulu.

Yazılım tarafında bunun karşılığı öncelik sırası. Bir RM platformunun yol haritasında overbooking çoğu zaman “sonra iyileştiririz” diye bırakılan, sabit bir yüzdeyle çalışan bir parametre oluyor. Getirinin dörtte birini taşıyan bir bileşen için bu kabul edilebilir bir sadeleştirme değil.

Limit ile ücret karması ardışık değil, aynı anda çözülmeli

En kritik iş kuralı şu: sistem overbooking seviyesini ve kabin içindeki indirimli koltuk tahsisini (discount allocation) birbiri ardına değil, eşzamanlı çözmeli. Discount allocation, kabindeki koltukların ne kadarının indirimli sınıflara açılacağını belirleyen karar. Kaynak metin eşzamanlılığın gerekçesini istatistikten veriyor: overbooking seviyesindeki her bir birimlik artış, hesaba giren ortalamayı (μs) ve standart sapmayı (σs) değiştiriyor ve bu da gelir optimizasyonunu doğrudan etkiliyor.

Bunun anlamı, iki kararın birbirinin girdisi olması. Limit yükseldiğinde satışa açılan koltuk artıyor ve dağılımın hem merkezi hem genişliği kayıyor. Sınıf tahsisi bu dağılıma göre hesaplandığı için, limit değiştikten sonra eski tahsis artık optimum değil. Tersi de geçerli: tahsisi değiştirmek, hangi yolcunun hangi olasılıkla geleceğini değiştiriyor ve limitin dayandığı varsayımları kaydırıyor.

Ardışık çözüm pratikte cazip, çünkü iki ekibi ve iki servisi birbirinden ayırıyor. Önce overbooking servisi bir kapasite sayısı üretiyor, sonra RM motoru o sayıyı sabit kabul edip sınıfları dağıtıyor. Arayüz basit: tek bir tam sayı. Ama kaynak metnin söylediğine göre bu basitlik, iki modelin birbirinin çıktısına tepki veremediği bir boru hattı kuruyor. Yazılım tarafında eşzamanlı çözümün karşılığı, overbooking seviyesinin RM optimizasyonuna dışarıdan gelen bir sabit değil, optimizasyonun içinde aranan bir değişken olması; ya da en azından iki modelin bir yakınsama döngüsünde birbirini besleyerek birlikte çalışması. Kaynak metnin aksiyon listesi bunu doğrudan söylüyor: overbooking limitlerini belirleyen algoritmalar, sınıf tahsis sistemleriyle eşzamanlı çalışacak şekilde entegre edilmeli.

Limitin kendisini aramak için kaynak metin iki yöntem sayıyor: farklı overbooking değerlerini tek tek deneyen ardışık arama ve aralığı her adımda yarıya indiren ikiye bölme araması. Bu iki yöntemin maliyet farkı biniş oranı tahmini bölümünde anlatıldı. Burada eklenmesi gereken, eşzamanlı çözümde her aday limitin bir sınıf tahsisi hesabını da tetiklemesi. Aday başına maliyet büyüdükçe arama yönteminin seçimi bir performans ayrıntısı olmaktan çıkıp mimari bir karara dönüşüyor. Kaynak metin ayrıca ekonomik limitin hesaplanmasında geçmiş verilerden çıkan ampirik dağılımların kullanılmasını öneriyor; yani aranan eğri varsayılmış bir dağılım değil, havayolunun kendi geçmişi.

İptal döngüsünü modellemek yerine fall-off oranını ölç

Overbooking limitinin arkasında, kalkışa kadar kaç rezervasyonun düşeceğine dair bir tahmin duruyor. Bunu doğrudan modellemek demek, her okuma gününde gelen yeni rezervasyonlarla düşen iptallerin birleşimini (convolution) kurmak demek. Kaynak metin bu karmaşık yapının yerine daha sade bir ölçü öneriyor: fall-off oranı.

Fall-off oranı, belirli bir okuma günündeki (reading day) rezervasyon miktarının kalkış anında beklenen rezervasyona yüzdesi. Okuma günü, rezervasyon verisinin kalkıştan önceki sabit noktalarda alınan kesiti. Oran her kesitte “bugün eldeki rezervasyon, kalkışta kalacak olanın ne kadarı” sorusuna cevap veriyor. Kaynak metnin vurgusu bu oranın çok daha stabil sonuç üretmesi. Rezervasyon ve iptal akışlarını ayrı ayrı tahmin edip birleştirmek, iki ayrı tahmin hatasını üst üste bindiriyor; fall-off oranı ise ikisinin net etkisini tek bir sayıda gözlüyor.

Aksiyon listesi bunu model seçimine bağlıyor: karmaşık dinamik modeller yerine, kabin ve gün bazlı fall-off oranlarını kullanan statik modelleri devreye almak. Rezervasyonların kalkıştan önceki günlerde nasıl düştüğünü gösteren tutma profilleri analiz edilip limitler bu düşüş eğrisine göre güncelleniyor. Böylece model zamanı tamamen görmezden gelmiyor; zamanın etkisi fall-off eğrisinin şekline gömülü duruyor.

Yazılım tarafında bu sadeleştirmenin getirisi veri hattında. İptal ve rezervasyon akışlarını ayrı modellemek, her iki olay türünü de zaman damgasıyla, rezervasyon sınıfıyla ve iptal nedeniyle birlikte saklamayı ve iki modeli ayrı ayrı kalibre etmeyi gerektiriyor. Fall-off oranı için her okuma gününde alınan tek bir sayım ve kalkıştaki son sayım yetiyor. Tutulması gereken şey olay günlüğü değil, anlık görüntü dizisi.

Statik model daha az hassas ama kalibre edilebilir olduğu için kazanıyor

Overbooking stratejileri bölümü, iptal ve yeni rezervasyon akışı yoğun uçuşlarda dinamik modelin daha doğru olduğunu anlatıyordu. Kaynak metin bu tercihin öbür yüzünü gösteriyor. Dinamik modeller zaman içindeki rezervasyon ve iptal akışını takip ettiği için daha hassas, ama kalibrasyonları oldukça zor. Kalkış anındaki beklenen katılım oranına odaklanan statik modeller ise uygulama kolaylığı yüzünden pratikte daha yaygın tercih ediliyor.

Bu iki bölüm arasında bir çelişki değil, bir sıralama var. Doğru soru “hangisi daha hassas” değil, “hangisini gerçekten kalibre edip çalışır tutabilirim”. Kalibre edilemeyen bir dinamik model, iyi beslenmiş bir statik modelden daha kötü sonuç verir; hassasiyeti ancak parametreleri gerçeğe yakın olduğunda işe yarar. Yazılım tarafında bu, kararın algoritma kalitesine değil operasyonel olgunluğa göre verilmesi demek: parametreleri izleyecek, sapmayı fark edecek ve yeniden kalibre edecek bir süreç yoksa, dinamik modele geçmek teknik borçla hassasiyet satın almak.

Limit, iptal profiline göre ve zirve gününe kadar sabit kurulmalı

Kalkış öncesi (predeparture) limitlerin nasıl ayarlanacağı konusunda kaynak metin iki kural koyuyor. Birincisi limitin tek bir global oran olmaması. Limit, iptal oranı profili baz alınarak belirleniyor ve bu profil pazara, haftanın gününe, sezona ve hatta günün saatine göre değişiyor. Sabah ilk uçuşuyla akşam son uçuşunun, aynı rotada bile, farklı iptal davranışı olabiliyor. Aksiyon listesi de iptal ve no-show tahminlerinin pazar, sezon ve günün saati bazında segmente edilmesini öneriyor.

İkinci kural daha az sezgisel: maksimum limit, zirve gününe kadar olan bütün günler için geçerli kılınmalı. Gerekçe, bu süreçte iptal edilen koltukların yeni rezervasyonlarla doldurulamayacağı varsayımı. Yani kalkışa yaklaşırken iptal edilen bir koltuğun yerine satış gelmeyecekse, o koltuğu baştan fazla satarak korumak gerekiyor. Limiti erken günlerde temkinli tutup kalkışa doğru gevşetmek, tam da bu boşluğu dolduramama riskini büyütüyor.

Yazılım tarafında bunun karşılığı, overbooking tablosunun anahtarının genişlemesi. Rota ve kabin yetmiyor; haftanın günü, sezon ve kalkış saati dilimi de anahtara giriyor. Bu kırılımlar arttıkça her hücreye düşen gözlem azalıyor, bu yüzden segmentasyonun ne kadar ince yapılacağı veri hacmiyle birlikte düşünülmeli. Fall-off oranının stabil olması burada da işe yarıyor: ince segmentlerde bile iptal ve rezervasyonu ayrı ayrı modellemekten daha az gürültü üretiyor.

Kuponun havayoluna maliyeti, üzerindeki değerin üçte biri

Kapasiteden fazla yolcu kapıya geldiğinde işleyiş önceki bölümlerde anlatıldı: önce gönüllü aranıyor, gönüllüye bir sonraki uçuşta koltuk garantisi ve ileride bilet alımında kullanılacak bir kupon (voucher) teklif ediliyor. Kaynak metin bu tabloya bir sayı ekliyor. American Airlines’ta yapılan çalışmalar, kuponun havayoluna gerçek maliyetinin, üzerinde yazan nominal değerin yaklaşık üçte biri olduğunu tahmin etmiş.

Bu oran iki şeyi değiştiriyor. Birincisi, overbooking denkleminin reddetme tarafındaki maliyeti. Modele kuponun nominal değeri girerse, reddetme olduğundan üç kat pahalı görünüyor ve limit gereğinden aşağı iniyor. İkincisi, gönüllü teklifinin tasarımı. Aksiyon listesi bunu açıkça söylüyor: kuponun gerçek maliyetinin düşük olduğunu göz önünde bulundurarak gönüllüleri ikna etmek için daha cömert nominal değerli teklifler kurgulanmalı. Yolcu kuponu yüzündeki değerle tartıyor, havayolu ise o değerin üçte biriyle ödüyor. Aradaki fark, gönüllü bulmanın ucuz kaldığı alan.

Yazılım tarafında bunun karşılığı, tazminat maliyetinin modelde tek bir alan olarak tutulmaması. Nominal değer yolcuya gösterilen teklifin girdisi, gerçek maliyet ise overbooking optimizasyonunun girdisi. İkisi aynı alanı paylaşırsa ya teklif cimri ya model temkinli kalıyor.

Fazla satış, bilet fiyatını aşağıda tutan bir sübvansiyon

Overbooking kamuoyunda genelde yolcunun aleyhine bir uygulama olarak anılıyor. Kaynak metin buna iki karşı argüman veriyor. Birincisi fiyat. American Airlines’tan Robert Crandall’ın sözünü aktarıyor: no-show’ların boş bırakacağı koltukları doldurarak elde edilen gelir olmasaydı, fiyatları yükseltmekten başka seçenek kalmazdı; overbooking bu yüzden ücretleri mümkün olduğunca düşük tutmaya yardım ediyor. Kaynak metin bunu bir iş kuralı olarak tanımlıyor: no-show kaynaklı boş koltuklardan elde edilen ek gelir, genel bilet fiyatlarını düşük tutmak için bir sübvansiyon olarak kullanılmalı. Bu uygulama olmasaydı boş koltukların maliyeti diğer yolcuların biletine yansıtılmak zorunda kalırdı.

İkinci argüman erişim. Kaynak metne göre overbooking, müşterinin ilk tercih ettiği uçuşta yer bulma olasılığını artırıyor, çünkü iş seyahati yapan yolcular planları değiştiğinde genellikle rezervasyonlarını iptal etmiyor. Overbooking olmasa bu yolcuların tuttuğu ama kullanmayacağı koltuklar, o uçuşu gerçekten isteyen başka bir yolcuya “dolu” olarak görünürdü. Fazla satış, iptal edilmeyen rezervasyonun kilitlediği envanteri geri açıyor.

Bu iki argüman, overbooking’in maliyetini kimin taşıdığı sorusunu yeniden dağıtıyor. Kapıda geri çevrilen yolcu görünür ve tekil; düşük kalan fiyat ve ilk tercih uçuşta bulunan koltuk ise görünmez ve bütün yolculara yayılmış. Yazılım tarafında bunun pratik bir sonucu var: overbooking’in performansını yalnızca reddedilen yolcu sayısıyla raporlayan bir gösterge paneli, faydanın tamamını dışarıda bırakıyor. Spoilage’dan geri kazanılan gelir aynı raporda durmadıkça, limit her şikayette biraz daha aşağı çekilir.

Yarın işe yarayacak beş çıkarım

1. Overbooking’i RM optimizasyonunun içine al. Limiti sınıf tahsisine sabit bir sayı olarak devretme; iki algoritmayı eşzamanlı çalışacak şekilde entegre et. Limitteki her birimlik değişim ortalamayı ve standart sapmayı değiştiriyor, ardışık çözüm bunu göremiyor.
2. Tahmini fall-off oranıyla sadeleştir. İptal ve rezervasyon akışlarının birleşimini modellemek yerine kabin ve gün bazlı fall-off oranlarını kullanan statik bir modelle başla. Dinamik modele ancak onu kalibre edip izleyecek süreç hazır olduğunda geç.
3. İptal profilini segmente et. İptal ve no-show tahminlerini pazar, haftanın günü, sezon ve günün saati bazında ayır; maksimum limiti zirve gününe kadar bütün okuma günlerinde geçerli tut.
4. Kuponun iki değerini ayrı tut. Gönüllü teklifinde nominal değeri, overbooking modelinde ise gerçek maliyeti kullan. Gerçek maliyetin nominalin yaklaşık üçte biri olduğu bilgisiyle gönüllüye daha cömert teklif kur.
5. Faydayı da raporla. Denied boarding sayısının yanına spoilage’dan geri kazanılan geliri koy. Yalnızca maliyeti gösteren bir rapor, limiti zamanla gereğinden aşağı çeker.

Bu bölümde ne yok: boş koltuk ile reddedilen yolcu arasındaki maliyet dengesinin kendisi ve hukukun bu dengeyi nasıl kaydırdığı (“Havacılık ve hizmet sektöründe overbooking stratejileri ve operasyonel analiz”), kaç yolcunun gerçekten bineceğinin tahmini (“Biniş oranı tahmini ve overbooking stratejileri”) ve show-up dağılımının varyansı (“Havacılıkta overbooking (fazla rezervasyon) ve show-up modelleme stratejileri”). Bu bölüm, o parçaların gelir yönetimi sisteminin geri kalanına nasıl bağlandığını anlatmak için var.