Gelir artışı ve tahmin doğruluğu: iki boyutlu zamanda talep tahmini

Spill bölümleri tek bir soruya odaklanıyordu: dolu kalkan uçuş kaç yolcuyu kapıda bıraktı. Bu bölüm o sorunun neden sorulduğuna geri çekiliyor. Kaynak metnin başlığı ilişkiyi doğrudan kuruyor: gelir artışı ile tahmin doğruluğu birbirine bağlı. Sunumun kapağındaki not bu bağı bir ölçekle veriyor: tahmin doğruluğundaki yüzde 1’lik bir artış, havayolu ağında milyonlarca dolarlık gelir artışı sağlıyor. Gelir yönetiminde tahmin, geleneksel tahminlemeden bir boyut fazlasıyla çalışır ve o boyutu kaybeden sistem, doğru ortalamayı yanlış günde kullanır. Satırların geri kalanı bu fazla boyutun ne getirdiğini ve tahminin koltuk kararına nasıl indiğini anlatıyor.

Talep tahmininin zamanı tek eksenli değil

Perakendede tahmin tek bir zaman ekseninde yürüyor: ürün rafa çıkıyor, satılıyor, satış verisi doğrusal bir seriye dönüşüyor, bir sonraki dönem o seriden tahmin ediliyor. Kaynak metin havacılığı tam bu noktada ayırıyor: havacılıkta talep tahmini geleneksel tahminden farklı, çünkü zaman için iki boyutun birlikte hesaba katılması gerekiyor, rezervasyon zamanı ve kalkış tarihi.

Fark şu: bir uçuşun satışı, uçuş gerçekleşmeden haftalar, aylar önce başlıyor. Bugün yapılan her rezervasyon, gelecekteki farklı kalkış günlerinden birine düşüyor. Dolayısıyla tahminin sorusu yalnızca “bu uçuşa kaç kişi binecek” değil, “bu uçuşa kalkışa şu kadar gün kala kaç kişi rezervasyon yapmış olacak”. Brifing bunu stratejinin temel yapı taşı olarak koyuyor: ne kadar satılacağıyla ne zaman satılacağı arasındaki dinamik ilişki.

Yazılım tarafında bunun karşılığı veri modelinde başlıyor. Tahmin motorunun okuduğu tablo, rezervasyon olaylarının düz bir akışı değil; her kayıt hem işlem tarihini hem uçuş tarihini taşımak zorunda ve sorguların doğal anahtarı ikisinin farkı, yani kalkışa kalan gün. Slayttaki not bunun ölçeğini de veriyor: bir teklif yönetimi sistemi, tek bir arama anında 300’den fazla gelecek uçuşu, her birini kendi rezervasyon-kalkış kesişiminde sorguluyor. Tek eksenli bir zaman serisi tablosu bu sorguyu taşıyamaz.

Tahmin bir sayı değil, bir eğri

İki boyutlu zamanın pratik biçimi rezervasyon eğrisi (booking curve). Aynı uçuş numarasının farklı kalkış günleri için, kalkışa kalan gün sayısına göre birikmiş talep çiziliyor. Eğriler uzun süre yatay gidiyor, kalkışa yaklaştıkça dikleşiyor. Havayolunun elinde tek bir “beklenen yolcu” sayısı değil, her kalkış günü için bu eğrinin beklenen biçimi var.

Brifingin önerdiği karar mantığı bu eğriyi ölçüt olarak kullanıyor. Sistem, kalkışa kalan gün sayısında (days to departure, DTD) mevcut rezervasyon hızını geçmiş yılların aynı noktadaki hızıyla karşılaştırıyor. Mevcut hız geçmiş ortalamanın üzerindeyse, uçuş beklenenden hızlı doluyor demek; sistem yüksek ücretli sınıflara daha fazla yer ayırıp alt sınıfları kapatma yönünde karar veriyor. Yavaşsa tersi.

Slayttaki not mekanizmanın sistem tarafını da söylüyor: eski envanter sistemlerinde DTD kritik bir indeks ve optimizasyon, gerçekleşen eğriyle tahmin edilen eğriyi karşılaştırıp bid price güncellemelerini tetikliyor. Mühendislik açısından bu, tahminin tek seferlik bir batch çıktısı olmadığı anlamına geliyor. Tahmin eğrisi bir referans; asıl olay gerçekleşenin o referanstan sapması. Sapmayı DTD noktalarında izlemeyen bir sistem, eğrinin sonunda, yani artık müdahale için geç kalınan son günlerde fark ediyor.

Talebi yalnızca geçmiş satış açıklamıyor

Eğrinin biçimini belirleyen şey yalnızca aynı uçuşun geçmişi değil. Brifing ve slaytlar tahmini besleyen değişkenleri beş başlıkta topluyor: o ana kadarki kesin rezervasyonlar, haftanın günü, sezonsallık, ilişkili uçuşların talebi ve özel etkinlikler.

Haftanın günü iki ayrı değişken. Biri kalkış günü: brifing iş günleriyle hafta sonu uçuşları için ayrı talep desenleri tanımlanmasını istiyor. Örneği Pazartesi sabah uçuşu; iş seyahati ağırlıklı olduğu için esneklik talebi yüksek ve sistem bu uçuşlarda son ana kadar koltuk saklama eğiliminde. Öteki satın alma günü. Slayttaki not bunu ince bir detay olarak işaretliyor: iş seyahati yapanlar genellikle Salı ve Çarşamba öğleden sonraları rezervasyon yaparken tatilciler hafta sonlarını tercih ediyor. Yani aynı kalkış gününün eğrisi, hangi hafta gününde satış aldığına göre farklı bir yolcu karışımını işaret edebiliyor.

Sezonsallıkta da aynı ikilik var: uçuşun ayı ya da çeyreği ile satın almanın yapıldığı ay ya da çeyrek. İlişkili talep, aynı saat profiline sahip diğer uçuşlardaki hareket; brifing benzer karakteristikteki uçuşların korelasyonunu modellerin temel girdileri arasında sayıyor. Özel etkinlikler ise takvim dışı sıçramalar.

Brifingin çıkarımlarından biri buraya düşüyor: özel etkinlikler ve tatil dönemleri standart modelin dışına çıkıyor, bu yüzden onlar için manuel ya da olay bazlı ayrı bir düzeltme katmanı kurulması gerekiyor. Yazılım tarafında bu katmanın ayrı durması önemli. Bir konser ya da fuar haftasının etkisi temel modelin katsayılarına karışırsa, ertesi yıl etkinlik olmayan aynı haftada model hayali bir talep görüyor. Düzeltmeyi temel tahminin üzerine binen, adı ve tarih aralığı olan bir kayıt olarak tutmak, hem geri alınabilir hem denetlenebilir kılıyor.

Görünen satış talebin kendisi değil

Tahmin modelinin kalibre edileceği veri, ilk bakışta satış geçmişi gibi görünüyor. Kaynak metin bunun yetmediğini açıkça söylüyor: tahmin modellerinin kalibrasyonu kısıtlanmamış talebi, yani gerçek talebi gerektiriyor ve buna bir rezervasyon sınıfı satışa kapalı olduğu için kaybedilen müşteriler de dahil.

Sebep basit. Bir sınıf satışa kapandığı anda o sınıfın satış kaydı duruyor; talep durmuyor. Slayttaki not örneği veriyor: bir sınıf kalkışa 10 gün kala kapanırsa rezervasyon sıfır görünür, ama talep sıfır değildir. Kapanmış sınıfın sıfırlarıyla eğitilen bir model, bir sonraki dönem o sınıfa daha az talep bekliyor, sınıfı daha az koruyor ya da daha erken kapatıyor ve kendi kısıtını kendi girdisine çeviriyor. Brifingin ifadesiyle kaybedilen talebi veri setine katmak, satış verisinin yanıltmasını önlemenin ve gerçek pazar ihtiyacını görmenin yolu.

Geri hesabın hammaddesi sınıfın açık ve kapalı olduğu zaman aralıkları. Slayt bunu tahmin modelinin ilk adımı olarak koyuyor: envanterin açılış-kapanış bilgisini kullanarak kısıtlanmamış talebi hesaplamak; not da beklenti maksimizasyonu (EM) gibi algoritmaları ve PSS’ten gelen open/close zaman damgalarını anıyor. Buradan çıkan mühendislik kuralı net: sınıf durumu değişikliklerini zaman damgasıyla saklamayan bir envanter sistemi, tahmin tarafının en önemli girdisini üretmiyor. Anlık durumu tutmak yetmiyor; durumun geçmişi gerekiyor.

Brifing bir adım daha öneriyor: sınıf kapalıyken gelen arama trafiğini analiz etmek. Kullanıcı web sitesinde aradığı sınıfı bulamayıp ayrıldığında, sistem gerçekleşmeyen satışı yetersiz kapasite olarak kodluyor ve bu talebi potansiyel satış olarak gelecekteki modele ekliyor. Aramayı talep sinyali olarak kullanmak, zaman damgalarından yapılan istatistiksel geri hesaba doğrudan bir gözlem ekliyor. Spill bölümlerindeki modeller bu geri hesabın dağılım tarafını ayrıntılı işliyordu; burada görünen, o hesabın tahmin zincirinde nereye oturduğu: en başa.

Kaybedilen yolcu her zaman kaybedilmiyor

Kısıtlanmamış talep hesaplandıktan sonra bir soru daha kalıyor: kapanan sınıfın reddettiği yolcu nereye gitti? Slayt iki bağımlı talep metriği adlandırıyor ve tüm modellerin tahmin doğruluğunu artırmak için bunlarla entegre çalıştığını söylüyor: yukarı satış (upsell) ve geri kazanım (recapture).

Upsell, alt sınıf kapandığında yolcunun bir üst sınıftan bilet alma eğilimi. Brifingin karar mantığı şöyle: sistem geçmiş veride alt sınıf kapandığında müşterilerin yüzde kaçının bir üst fiyat kategorisinden bilet aldığını hesaplıyor. Bu oran yüksekse alt sınıfları daha erken kapatmak toplam geliri artırıyor, çünkü reddedilen yolcunun önemli bir kısmı kaybolmuyor, daha pahalı bilete geçiyor.

Recapture, kaybedilen yolcunun rakibe gitmek yerine aynı havayolunun başka bir uçuşunu seçmesi. Brifing bunu benzer özellikteki uçuşlar, yani yakın kalkış saati ve aynı varış noktası arasındaki korelasyonla yönetmeyi öneriyor: bir uçuşun taşan talebi, ötekinin boş kapasitesine yönlendiriliyor; bu süreçte yolcunun sadakat programı seviyesi ve bilet tipi belirleyici kriter olabiliyor. Tahmin değişkenleri arasındaki ilişkili talep değişkeni de bu yüzden var: ikame uçuşlardaki taşmayı hesaplamak için.

Model seçimi de bu ayrımla ilgili. Kaynak metin tahminin karma yöntemlerle yürüdüğünü söylüyor: zaman serisi yöntemleri, regresyon ya da nedensel yöntemler ve müşteri seçim modelleri. Zaman serisi yalnızca geçmiş trendi ileri taşıyor; bir sınıfın kapanmasının yolcuyu nereye ittiğini bilmiyor. Seçim modelleri fiyatın, rekabetin ve açık alternatiflerin etkisini ölçüyor; slayttaki not modern seçim modellerinin bağımlı talep senaryolarını olasılıksal olarak yönettiğini söylüyor. Yazılım tarafında bunun anlamı şu: talebi sınıf başına birbirinden bağımsız sayılar olarak modelleyen bir veri yapısı upsell ve recapture’ı ifade edemiyor. Sınıflar ve uçuşlar arasında geçiş olasılıklarını taşıyabilecek bir model gerekiyor.

Tahmin ancak envanter kararına dönünce gelir üretiyor

Tahminin kendisi hiçbir koltuğu kapatmıyor. Zincirin son halkası onu bilet sınıfı tahsisine çeviren optimizasyon. Kaynak metin burada optimizasyona iki giriş noktası tanıyor: gelir yönetimi indirim tahsis modelleri, kalkıştaki toplam talep ve toplam kapasiteyle ya da kalan talep ve kalan kapasiteyle çalışabiliyor.

İki kurgu aynı soruyu iki farklı anda soruyor. Toplam kurgu uçuşun tamamına bakıyor: kalkışta beklenen toplam talep, uçağın toplam kapasitesi. Kalan kurgu ise bugünden bakıyor: bugünden kalkışa kadar gelmesi beklenen talep ve henüz satılmamış koltuklar. Brifing bunu optimizasyonun hangi veri noktalarında karar verebileceğine dair operasyonel bir esneklik olarak sunuyor. Pratikte kalan kurgu, rezervasyon eğrisinin ürettiği sapma sinyaliyle doğal olarak birleşiyor: her DTD noktasında kalan talep yeniden tahmin ediliyor, kalan kapasiteyle yeniden karşılaştırılıyor.

Son adım envanter kontrolünün hangi birimde yapıldığı. Bacak (leg) tek bir fiziksel uçuş; slayttaki örnekle IST-LHR. Segment ya da O&D ise yolcunun bütün yolculuğu. Brifing gelir maksimizasyonu için segment bazlı tahmin öneriyor: bir bacaktaki koltuğun, o bacağı toplam rotada daha yüksek gelir getiren bir aktarmalı yolcu tarafından kullanılıp kullanılamayacağı analiz edilerek tahsis yapılmalı. Yalnızca bacağa bakan bir kontrol, o bacaktaki yerel yolcuyla aynı bacağı geçen aktarmalı yolcuyu ayırt edemiyor.

Slayttaki not bunun bugünkü mekanizmasını da anıyor: modern sistemler network bid price, yani bir koltuğu açmak için gereken en düşük gölge fiyatı kullanarak rezervasyon sistemine hangi RBD’lerin açık kalacağını anlık iletiyor. Buradan çıkan mimari gözlem şu: tahmin, optimizasyon ve envanter üç ayrı sistem olabilir ama aralarındaki sözleşme tek yönlü bir rapor değil. Envanterin açık/kapalı geçmişi tahmine geri akıyor (kısıtlanmamış talep için), tahmin optimizasyona akıyor, optimizasyonun kararı envantere dönüyor. Döngünün herhangi bir yerinde zaman damgası ya da DTD bilgisi düşerse, bir sonraki turun tahmini bozuk veriyle başlıyor.

Yarın işe yarayacak beş çıkarım

1. Kalibrasyonu kısıtlanmamış talep üzerinden yap. Tahmin modelini yalnızca gerçekleşen rezervasyonlarla değil, sınıfın kapalı olduğu dönemlerde reddedilen talebi de geri hesaplayarak kalibre et. Bunun için envanterdeki sınıf açılış-kapanış olaylarını zaman damgasıyla sakla; anlık durum yetmez.
2. Rezervasyon ve kalkış tarihini aynı kayıtta işle. Tahmin motorunun veri modeli iki zamanı eşzamanlı taşısın ve sorgular kalkışa kalan gün üzerinden kurulsun. Gerçekleşen eğriyi tahmin edilen eğriyle DTD noktalarında karşılaştır; sapmayı kalkışın son günlerinde değil, oluştuğu noktada yakala.
3. İlişkili uçuşların talep geçişkenliğini ölç. Aynı kalkış günü ve benzer saat profilindeki uçuşlar arasındaki korelasyonu izle ki bir uçuş dolduğunda diğerine yönelecek talep (recapture) önceden planlanabilsin. Aynı veri, alt sınıf kapandığında üst sınıfa geçen yolcu oranını (upsell) da hesaplamak için kullanılır.
4. Özel etkinlikleri ayrı bir katmanda tut. Tatil dönemleri ve özel etkinlikler için temel modelin dışında, manuel ya da olay bazlı bir düzeltme katmanı kur. Etkinliğin etkisi temel modelin katsayılarına karışırsa, etkinliğin olmadığı yıl da aynı haftada talep görülür.
5. Haftanın gününü iki değişken olarak modelle. Kalkış günü ile satın alma günü farklı yolcu karışımlarını işaret ediyor: iş seyahati hafta içi öğleden sonraları, tatilciler hafta sonları rezervasyon yapıyor. İkisini tek bir gün değişkenine indirgeme.

Bu bölümde ne yok: reddedilen talebin dağılımının nasıl kurulduğu, Boeing, Gamma ve Cox modelleri ve LFCF ile CV kalibrasyonu (spill bölümleri); indirim tahsisinin kendi matematiği ve kapasitenin planlama döngüsündeki yeri (“Havayolu pazarlama planlama süreci ve iş mantığı analizi” bölümü). Bu bölüm tahminin neden iki boyutlu olduğunu, kalibrasyonun neden görünen satışla yapılamadığını ve tahminin envanter kararına hangi yoldan indiğini göstermek için var.