Havacılık gelir yönetimi alternatifleri ve iş mantığı analizi

Gelir yönetimi bölümleri şimdiye kadar mekanizmayı anlattı: hangi koltuğun hangi fiyattan açık kalacağı, reddedilen talebin nasıl ölçüleceği, kapasitenin talebe ne kadar yakın durması gerektiği. Bu bölüm sistemin kendisine bakıyor: bir havayolu gelir yönetimini hangi yöntemle kurar, motorun içine hangi veri girer ve motorun çıktısını en çok ne bozar. Gelir yönetiminde kontrol yöntemini ağ belirler, ama gelir üzerindeki en büyük etkiyi yöntem değil tahminin kesinliği yapar. İyi kurulmuş bir O&D kontrolü kötü bir tahminle çalışırsa, basit bir leg kontrolünün iyi tahminle yaptığından fazla para kaybettirebilir.

Kontrol yöntemini ağın karmaşıklığı seçiyor

Bir havayolunun koltuk envanterini kontrol etmek için iki temel seçeneği var. Birincisi leg ya da segment bazlı kontrol: her uçuş bacağı kendi içinde bağımsız yönetiliyor. A’dan B’ye giden uçağın hangi rezervasyon sınıfının açık kalacağına, o uçağa binen yolcunun nereden gelip nereye gittiğine bakılmadan karar veriliyor. İkincisi O&D (origin and destination, başlangıç ve varış) bazlı kontrol: yolcunun tüm seyahati bütünsel olarak değerlendiriliyor. A’dan C’ye B üzerinden giden yolcu, A-B bacağında yalnızca o bacağın yolcusu gibi değil, iki bacaklık bir gelir kalemi olarak görülüyor.

Seçimi belirleyen şey ağın yapısı ve büyüklüğü. Dünyadaki havayollarının büyük çoğunluğu leg ya da segment bazlı kontrol kullanıyor. Daha karmaşık O&D kontrolünü tercih edenler ise yaklaşık 25-30 büyük ağ taşıyıcısı. Bu sayı az görünebilir ama nedeni açık: O&D kontrolünün getirisi, aktarmalı trafiğin toplam içindeki payıyla büyüyor. Noktadan noktaya uçan bir havayolunda yolcunun seyahati zaten tek bacak; O&D kontrolü orada ek bir şey görmüyor. Hub üzerinden binlerce bağlantı kuran bir taşıyıcıda ise aynı koltuk, bir yolcuya yerel bacak olarak, bir diğerine uzun bir yolculuğun ilk ayağı olarak satılıyor ve ikisinin değeri çok farklı olabiliyor.

Yazılım tarafında bunun karşılığı veri modelinde görünüyor. Leg bazlı bir envanter, uçuş numarası, tarih ve bacak anahtarıyla indekslenen bir sınıf tablosuyla yaşayabiliyor. O&D kontrolü ise kararı yolculuk düzeyine taşıyor: bir bacağın koltuğunu satıp satmama kararı, o koltuğu kullanacak bütün yolculukların beklenen değerine bakmak zorunda. Bu yüzden iki yöntem arasındaki geçiş bir parametre değişikliği değil, envanter modelinin anahtarını değiştiren bir mimari karar.

Bağımsız talep varsayımı ürün kısıtlamalarına dayanıyor

Leg bazlı kontrolün altında sessiz bir varsayım var: rezervasyon sınıfları arasındaki talep birbirinden bağımsız. Yani ucuz sınıfı kapattığınızda o sınıfın yolcusu gidiyor, pahalı sınıfa geçmiyor; pahalı sınıfın talebi de ucuz sınıfın açık olup olmamasından etkilenmiyor.

Bu varsayımın dayanağı bir iş kuralı. Kaynak metne göre bağımsızlık, fiyatların güçlü kısıtlamalarla korunduğu ve müşteri segmentlerinin birbirinden net şekilde ayrıldığı durumlarda geçerli. Hafta sonu kalma şartı, iade yasağı, erken satın alma zorunluluğu gibi kurallar iş yolcusunu ucuz sınıftan uzak tutuyor; bu sayede iki sınıfın talebi gerçekten iki ayrı kitleden geliyor.

Varsayımı kıran şey düşük maliyetli taşıyıcılar oldu. Slaytın ifadesiyle LCC’ler 1990’larda kısıtlamasız ücretleri getirdi ve bununla bağımlı talep yapısı ortaya çıktı. Kısıtlama yoksa yolcu, açık olan en ucuz sınıfı satın alıyor. Ucuz sınıf açıkken pahalı sınıfın talebi sıfıra yaklaşıyor, ucuz sınıf kapanınca aynı yolcu bir üst sınıfa kayıyor. Talep artık sınıfa değil, o an açık olan fiyata bağlı. Kaynak metin burada net: pazarda kısıtlamasız fiyatlar yaygınsa talep bağımlılığı artıyor ve sistem mantığının buna göre güncellenmesi gerekiyor.

Mühendislik açısından önemli olan, bu varsayımın kodda bir yerde açıkça yazmıyor olması. Bağımsız talep modeli, her sınıf için ayrı bir talep tahmini üretip onları koruma seviyelerine çeviren algoritmanın içine gömülü. Ürün ekibi kısıtlamaları gevşettiğinde, yani fiyat yapısını değiştirdiğinde, optimizasyon motorunun varsaydığı dünya da değişiyor ama motor bunu bilmiyor. Ücret yapısı değişikliği ile tahmin modelinin gözden geçirilmesi aynı karar olarak ele alınmalı.

Gelir yönetimi tek yönlü bir boru hattı değil, kapalı bir döngü

Sunumun ekosistem slaytı gelir yönetimini dört durağı olan bir döngü olarak çiziyor: veri toplama, tahminleme, envanter kontrolleri ve geri bildirim. Veri host CRS ve DCS’ten geliyor, tahminleme geçmiş verileri güncelleyip analiz ediyor, envanter kontrolleri çifte rezervasyon (overbooking) ve indirim tahsisleri üretiyor, geri bildirim de performans raporlaması ve kritik durum tespitiyle döngüyü başa bağlıyor.

Döngü olarak çizmenin anlamı şu: envanter kontrolünün bugün verdiği karar, yarın toplanacak verinin ne olacağını belirliyor. Bir sınıfı kapatırsanız, o sınıfa gelecek rezervasyonları hiç görmüyorsunuz. Geçmiş veri, geçmişteki envanter kararlarınızın filtresinden geçmiş talep. Bu yüzden veri toplama adımı yalnızca rezervasyonu kaydetmekle yetinemiyor.

Satılan bilet talebin tamamını göstermiyor

Kaynak metnin veri toplama konusundaki ana iddiası, yalnızca gerçekleşen rezervasyon verisinin yeterli olmadığı. Talebin gerçek boyutunu, yani kısıtlanmamış talebi (unconstrained demand) tahmin etmek için sistemin geçmişteki rezervasyon sınıflarının açık ya da kapalı olma durumunu da toplaması gerekiyor. Bir sınıf kapalıyken o sınıfa hiç rezervasyon gelmemesi, talebin olmadığı anlamına gelmiyor; talebin reddedildiği anlamına geliyor. Açık/kapalı durum bilgisi olmadan bu iki durum veride aynı görünüyor: sıfır.

Sunumun veri mimarisi slaytı RM motorunu besleyen üç kaynağı ayrı ayrı gösteriyor. Host CRS gecelik rezervasyon verisini ve kısıtlanmamış talebi hesaplamak için gereken sınıf durumlarını veriyor. DCS, yani kalkış kontrol sistemi, uçuş sonrasında gerçekleşen yolcu hareketlerini veriyor: kim gerçekten uçtu, kim gelmedi. Gelir muhasebesi de bacak ya da segment bazlı gelir tahminlerini sağlıyor.

Brifingin çıkarımı bu kaynakların birleştirilmesi yönünde: yalnızca rezervasyon verisiyle yetinmeyip DCS verilerini ve sınıf doluluk durumlarını (IDR/IND kayıtları) tahmin modellerine entegre etmek. Yazılım tarafında bunun somut karşılığı, sınıf açık/kapalı geçişlerinin zaman damgalı bir olay olarak saklanması. Yalnızca son durumu tutan bir envanter tablosu, geçmişte bir sınıfın hangi gün hangi saatte kapandığını söyleyemiyor; o zaman da arındırma yapılamıyor.

Leg bazlı sistem geliri bilete değil paylaştırmaya bakarak hesaplıyor

Veri mimarisinin üçüncü hattı leg bazlı kontrolün bir zaafını ortaya çıkarıyor. Yolcu bileti O&D düzeyinde alıyor: A’dan C’ye tek bir fiyat. Ama leg bazlı sistem kararını A-B ve B-C bacakları için ayrı ayrı veriyor. Her bacağın gelirini bilmesi gerekiyor, fakat biletin üzerinde bacak başına bir fiyat yazmıyor.

Kaynak metne göre bu sistemlerde gelir doğrudan bilet fiyatı üzerinden değil, O&D bilet ücretlerinin proration (oranlama, paylaştırma) yöntemiyle her bir bacağa dağıtılmasıyla elde edilen tahmini değerler üzerinden hesaplanıyor. Yani leg bazlı sistemin kullandığı gelir rakamı bir ölçüm değil, bir türetim. Paylaştırma kuralı ne kadar gerçekçiyse, bacak düzeyindeki karar da o kadar doğru.

Bu ayrıntı iki yöntem arasındaki farkı başka bir açıdan da gösteriyor. O&D kontrolü yolculuğun gerçek değerine bakarak karar veriyor; leg kontrolü ise o değerin bacaklara nasıl bölündüğüne dair bir varsayıma bakarak. Aktarmalı trafik arttıkça bu varsayımın kararlar üzerindeki ağırlığı da artıyor, ve bu da büyük ağ taşıyıcılarının neden O&D’ye geçtiğinin bir başka açıklaması.

Tahmin ne kadar kesinse kontrol o kadar agresif olabiliyor

Sunum RM bileşenleri arasında finansal etkisi en yüksek olanın talep tahminindeki kesinlik olduğunu söylüyor. Bu iddianın mekanizması belirsizlik ile kontrolün sertliği arasındaki ilişkide yatıyor.

Kaynak metnin kuralı şöyle: talep belirsizliği azaldıkça, yani tahmin doğruluğu arttıkça, sistem daha agresif envanter kontrolleri uygular. Belirsizlik yüksek olduğunda ise gelir kaybını (dilution, seyrelme) önlemek için daha muhafazakar bir kontrol mekanizması devreye alınır. Agresif kontrol, yüksek ücretli talebin geleceğinden emin olup ona koltuk saklamak demek. Emin değilseniz, o koltuğu saklamak boş kalma riskini de beraberinde getiriyor.

Brifingin önerdiği iş kuralı bu ilişkiyi otomatik hale getirmek: tahmin modelindeki belirsizlik oranına göre envanter kontrolleri dinamik olarak ayarlanmalı, belirsizlik katsayısı yüksekse sistem kendiliğinden korumacı moda geçmeli. Yazılım tarafında bunun anlamı, tahmin modülünün yalnızca bir nokta tahmini değil, o tahminin ne kadar güvenilir olduğunu da çıktı olarak vermesi. Optimizasyon motoru yalnızca ortalamayı alıyorsa, yeni açılmış bir rotadaki kararsız tahminle on yıllık bir rotadaki oturmuş tahmini aynı güvenle kullanıyor demek.

İki yönlü hatanın bedeli aynı değil

Tahmin iki yönde yanlış olabiliyor ve kaynak metin ikisinin de zararlı olduğunu kabul ediyor, ama aynı ağırlıkta görmüyor.

Fazla tahmin (over-forecasting) durumunda sistem yüksek ücretli talebi olduğundan fazla sanıyor. Kaynak metnin anlatımıyla, fazla tahmin, yüksek rezervasyon sınıfları için talepten fazla koltuğun korunmasına ve kalkışta boş koltuklara yol açıyor. Bu koltuklar düşük ücretli yolcuya satılabilirdi; onun yerine hiç gelmeyecek yüksek ücretli yolcuya saklandılar ve uçak onlarla boş kalktı. Sunum bunu gelir üzerindeki en yıkıcı etki olarak işaretliyor. Brifingin analizi de aynı iş mantığını destekliyor: boş koltukla kalkmanın maliyeti, düşük ücretli yolcu taşımaktan daha ağır.

Eksik tahmin (under-forecasting) durumunda ise tersi oluyor. Değerli sınıflara az yer ayrılıyor, erken gelen indirimli talep gereğinden fazla kabul ediliyor. Kaynak metin bunu daha fazla indirimli yolcunun kabul edilmesi olarak anlatıyor ve adını koyuyor: spiral down etkisi. Son dakikada gelen yüksek bütçeli yolcu için yer kalmıyor ve kayıp, yüksek ve düşük bilet arasındaki ücret farkı kadar.

Spiral down adının neden sarmal olduğu, ekosistem döngüsüyle birlikte okununca anlaşılıyor. Eksik tahmin ucuz sınıfları açık tutuyor. Ucuz sınıflar açık kalınca bağımlı talep ortamında yüksek ücretli yolcunun bir kısmı da ucuz sınıftan alıyor. Bir sonraki tahmin turunda veri, yüksek ücretli talebin daha da az olduğunu gösteriyor, çünkü o yolcular düşük sınıfta kaydedildi. Model daha da az koruyor. Döngü, gerçekte değişmemiş talebi her turda biraz daha aşağı çekiyor. Bu, bağımsız talep varsayımının kısıtlamasız fiyat ortamında çalıştırılmasının doğrudan sonucu; bu yüzden brifing, talep bağımlılığının yüksek olduğu ortamlarda bağımsız talep modellerinden bağımlı talep tahmini ve optimizasyon modellerine geçilmesini öneriyor.

Küçük tahmin iyileştirmesi gelirde çarpan etkisi yapıyor

Tahminin kesinliğine bu kadar ağırlık verilmesinin bir sayısal gerekçesi var. Kaynak metnin aktardığına göre Poelt (1998), tahmin hatasındaki yüzde 20’lik bir azalmanın yüzde 1’lik ek gelir artışına dönüşebileceğini tahmin etmiş. Sunum aynı sonucu Lee (1990) ve Fiig ve arkadaşlarının (2019) simülasyonlarına da bağlıyor.

Yüzde 1’lik bir artışın neden önemli olduğu, neyin yüzde 1’i olduğuyla ilgili: bu bir rotanın değil, sistemin kontrol ettiği gelirin tamamının yüzdesi. Brifing bunu küçük görünen tahmin iyileştirmelerinin çarpan etkisi olarak okuyor. Sunumun alt satırı da iyileştirmenin nereden geldiğini söylüyor: yeterli veri hacmi, veri doğruluğu ve aykırı değerlerin tespiti. Yani yüzde 20’lik hata azalmasının önemli bir kısmı, önceki başlıklarda anlatılan veri toplama işinden geliyor. Kapalı sınıfın sıfırını talep yokluğu sanmayan, DCS’ten gelen gerçekleşmeyi rezervasyonla eşleyen bir veri hattı, tahmin algoritmasını değiştirmeden hatayı düşürebiliyor.

Geçmiş veri geleceği temsil etmediğinde tahmin modeli durmalı

Bütün bu yapı bir varsayıma dayanıyor: geçmişteki talep kalıpları gelecekteki talebi temsil ediyor. Tahmin modelleri geçmiş veriyi güncelleyip analiz ederek çalışıyor; geçmiş bozulursa model de bozuluyor.

COVID-19 bu varsayımın kırıldığı an. Sunumun ifadesiyle küresel krizler havayolu talep kalıplarını kalıcı olarak değiştirdi ve gelecek talep artık geçmişin bir kopyası değil. Kaynak metin bu durumda karar mantığının nasıl değişmesi gerektiğini de söylüyor: geçmiş verilere dayalı geleneksel tahminleme modelleri yerine sürekli talep yönetimi (Continuous Demand Management) yaklaşımı benimsenmeli. Bu yaklaşım geçmiş veriden çok anlık taktiksel iş akışlarına ve güncel KPI takibine odaklanan bir karar mekanizması gerektiriyor.

Brifingin kriz protokolü bunu somut hale getiriyor: pandemi gibi olağanüstü durumlarda geçmiş veri setleri devre dışı bırakılmalı ve anlık talebi yöneten taktiksel iş akışları önceliklendirilmeli. Belirsizlik bölümündeki kuralla birlikte okununca tutarlı bir tablo çıkıyor: belirsizlik arttıkça sistem önce korumacı moda geçiyor, geçmiş verinin kendisi güvenilmez hale geldiğinde ise tahmin modeli karar zincirinden çıkarılıp yerine insan ve anlık KPI’lar giriyor.

Yazılım tarafında bu, tahmin modülünün devre dışı bırakılabilir olması demek. Geçmiş veri penceresinin hangi tarih aralığını kapsadığını yapılandırılabilir kılmak, belirli bir dönemi eğitim verisinden dışlayabilmek ve optimizasyon motoruna tahmin yerine analistin girdiği değerleri besleyen bir yol açık tutmak, kriz geldiğinde kod değişikliği gerektirmeyen bir geçiş sağlıyor.

Yarın işe yarayacak dört çıkarım

1. Kontrolün sertliğini belirsizliğe bağla. Tahmin modelindeki belirsizlik oranına göre envanter kontrollerini dinamik olarak ayarla. Belirsizlik katsayısı yüksekse sistem kendiliğinden korumacı moda geçsin; bunun için tahmin modülü nokta tahmininin yanında güvenilirliğini de çıktı olarak versin.
2. Talebi rezervasyonla değil, reddedilenle birlikte ölç. Yalnızca rezervasyon verisiyle yetinme; DCS verilerini ve sınıf doluluk durumlarını (IDR/IND kayıtları) tahmin modellerine entegre et. Sınıfların açık/kapalı geçişlerini zaman damgalı sakla ki kapalı sınıfın sıfırı talep yokluğu sanılmasın.
3. Ücret yapısı gevşediğinde modeli değiştir. Kısıtlamasız fiyatların yaygınlaştığı, talep bağımlılığının yüksek olduğu ortamlarda bağımsız talep modellerinden bağımlı talep tahmini ve optimizasyon modellerine geç. Aksi halde eksik tahmin spiral down etkisiyle kendini besler.
4. Kriz için tahmini kapatabilen bir yol hazırla. Pandemi gibi olağanüstü durumlarda geçmiş veri setlerini devre dışı bırak ve anlık talebi yöneten taktiksel iş akışlarını önceliklendir. Bu geçişin kod değişikliği gerektirmemesi için veri penceresini ve manuel girdi yolunu önceden yapılandırılabilir kıl.

Bu bölümde ne yok: reddedilen talebin nasıl modellendiği ve kapasiteyle ilişkisi (spill bölümleri), yüksek varyanslı talebin dağılımı (“Yüksek varyanslı talep ve iki aşamalı Cox dağılımı”), O&D gelirinin bacaklara hangi anlaşmalarla bölündüğü (“Havacılıkta gelir paylaşımı: çok taraflı ve ikili prorate anlaşmaları (MPA ve SPA)”). Bu bölüm o parçaların üzerine oturduğu RM sisteminin iskeletini ve iskeleti en çok neyin bozduğunu anlatmak için var.