Havacılık gelir yönetimi performans ölçümü

Önceki bölümler gelir yönetiminin kararlarını anlattı: talebi nasıl tahmin ettiğini, overbooking limitini nasıl koyduğunu, hangi sınıfı ne zaman kapattığını. Bu bölüm o kararların sonradan nasıl hesaba çekildiğine bakıyor. Performans ölçümü gelir yönetiminin raporlama katmanı değil, kendi modellerini düzelttiği geri besleme döngüsü; ölçmeyen bir RM sistemi aynı sistematik hatayı her sezon yeniden üretir. Kaynak metin amacı açık koyuyor: performans, gelir yönetimi sürecindeki sistematik zayıflıkları bulmak ve alınacak düzeltici önlemleri belirlemek için zaman içinde ölçülmeli. Buradaki anahtar kelime “zaman içinde”. Tek bir uçuşun sonucu şans olabilir; aylık ve yıllık karşılaştırmada tekrar eden sapma ise modelin bir yerinde yanlış bir varsayım olduğunu gösterir.

Ölçüm tek seferlik bir rapor değil, modele geri dönen bir sinyal

Gelir yönetiminin kararları olasılıklı. Bir sınıfı erken kapatmak doğru bir karar olabilir ve yine de o uçuşta boş koltukla kalkılabilir; talep tahmini doğru olabilir ve yine de o gün yolcu gelmeyebilir. Bu yüzden tek uçuşun sonucuna bakıp modelin iyi ya da kötü olduğuna karar verilemiyor. Karar verilebilecek şey, sapmanın bir yöne doğru birikip birikmediği.

Brifingin önerdiği mantık da bu: ölçüm verisi, RM modellerini sürekli uyarlamak ve iyileştirmek için bir geri besleme döngüsü olarak kullanılıyor. Aylık ve yıllık karşılaştırmalar süreçteki sistematik hataları ortaya çıkarıyor, düzeltici aksiyonlar da bu hatalara göre planlanıyor. Uzun vadeli performans artışı buradan geliyor; tek tek uçuşları kurtarmaktan değil, aynı yanlışın bir sonraki sezona taşınmamasından.

Yazılım tarafında bunun karşılığı şu: performans verisi RM sisteminin dışında, ayrı bir raporlama aracında yaşarsa döngü kapanmıyor. Analist raporu okuyor, bir sonuç çıkarıyor, parametreyi elle değiştiriyor ya da değiştirmeyi unutuyor. Ölçüm çıktısının model eğitimine ve parametre güncellemesine aynı veri hattından geri dönebilmesi, ölçümün kendisi kadar önemli.

Göstergeler kalkış anına göre ikiye ayrılıyor, çünkü yapabileceğin şey değişiyor

Kaynak metin performans metriklerini iki ana başlıkta topluyor: standart temel performans göstergeleri (KPI) ve gelir fırsat modeli. Standart KPI’lar da kendi içinde operasyonel sürece göre ikiye ayrılıyor: uçuş öncesi (pre-departure) ve uçuş sonrası (post-departure) göstergeler.

Bu ayrım bir sınıflandırma tercihi gibi görünse de aslında iki farklı kullanım biçimini ayırıyor. Uçuş öncesi göstergeler müdahale imkânı sunuyor: uçak henüz kalkmamış, envanter hâlâ açık, fiyat ve kapasite hâlâ değiştirilebilir. Uçuş sonrası göstergeler ise müdahale için geç kalmış ama ders çıkarmak için doğru zamanda: uçuş kapanmış, sonuç kesinleşmiş, genel verimlilik artık ölçülebilir.

Brifingin uçuş öncesi izleme için koyduğu kural basit: bir uçuşun beklenen performansı hakkında şüphe oluştuğunda, yani hedeflenen KPI’ların altında kalma riski göründüğünde, düzeltici önlem derhal devreye sokulmalı. “Şüphe oluştuğunda” ifadesi önemli. Uçuş öncesi göstergenin işi kesin bir sonuç vermek değil, erken bir uyarı üretmek. Kesin sonuç zaten uçuş sonrası göstergelerin işi.

Yazılım tarafında iki ayrı akış anlamına geliyor bu. Uçuş öncesi göstergeler canlı envanter ve rezervasyon verisi üzerinden, kalkışa kadar tekrar tekrar hesaplanan ve eşik aşılınca aksiyon tetikleyen bir izleme akışı. Uçuş sonrası göstergeler ise kapanmış uçuşlar üzerinde, dönemsel olarak çalışan ve sonucu modele geri besleyen bir analiz akışı. İkisini aynı gece çalışan tek bir rapor işine sıkıştırmak, uçuş öncesi tarafı anlamsızlaştırıyor.

Doluluk oranı tek başına iyi bir haber değil; RASM ile CASM birlikte okunmalı

Havayolunun genel verimliliği için kaynak metnin önerdiği ölçüt CASM, kilometre bazında söylendiğinde CASK. İşletme maliyetlerinin toplam mevcut koltuk miline ya da kilometresine bölünmesiyle bulunuyor, yani arz edilen her koltuk-mil için ne kadar maliyet katlanıldığını gösteriyor. Kaynak metnin tanımıyla CASM ne kadar düşükse havayolu o kadar kârlı ve verimli.

Gelir yönetimi açısından en kritik gösterge ise RASM, ya da RASK. Kaynak metin onu en önemli tekil ölçüt olarak tanımlıyor ve yolcu gelirinin mevcut koltuk miline ya da kilometresine oranı olarak hesaplıyor. Paydaya dikkat: satılan koltuk değil, mevcut koltuk. RASM, arz edilen kapasitenin ne kadar etkin şekilde gelire dönüştüğünü gösteriyor. Boş kalkan koltuk da paydaya giriyor; yüksek ücretle satılıp yarı boş kalkan bir uçuş ile düşük ücretle ağzına kadar dolan bir uçuş bu oranda aynı yere düşebiliyor.

İki metrik aynı paydayı paylaşıyor ve bu tesadüf değil. Biri arz edilen birim başına maliyeti, öteki arz edilen birim başına geliri ölçüyor. Aralarındaki fark, birim başına kârın kabaca nerede durduğunu söylüyor. Brifingin çıkarımlarından biri tam buna dayanıyor: stratejik kararlarda yalnızca doluluk oranına (load factor) değil, birim maliyeti yansıtan CASM ile birim geliri yansıtan RASM arasındaki dengeye odaklanmak.

Doluluk oranı tek başına yanıltıcı, çünkü uçağı doldurmanın en kolay yolu ucuza satmak. Yüksek doluluk ve düşük RASM, koltukların satıldığını ama değerinin altında satıldığını söylüyor. Gelir yönetiminin bütün varlık nedeni de bu farkı kapatmak: aynı kapasiteden, aynı doluluğa ulaşırken daha fazla gelir çıkarmak.

Yazılım tarafında bunun karşılığı, raporlama modelinde RASM’in ve CASM’in aynı boyutlarda (uçuş, rota, dönem) ve aynı kapasite tanımıyla hesaplanması. İki metrik farklı sistemlerden, farklı koltuk sayısı tanımlarıyla geliyorsa aradaki fark bir iş gerçeği değil, bir veri tutarsızlığı olur.

Boş koltuk ve kapıda kalan yolcu aynı kararın iki yanlış yönü

Overbooking bölümlerinde anlatılan denge burada ölçüme dönüşüyor. Overbooking limiti iki riskin arasında seçiliyor: boş koltuk (spoilage) ve uçağa alınamayan yolcu (oversale, denied boarding). Performans ölçümü bu iki riskin gerçekte ne kadar gerçekleştiğini sayıyor.

Spoilage tarafında kaynak metin, kapanan uçuşlardaki boş koltuk sayısını ve spoilage oranını takip etmeyi öneriyor; oranı brifing boş koltukların toplam yolcu sayısına oranı olarak tanımlıyor. Buradaki kritik nokta “kapanan uçuş”. Rezervasyonu kapatılmış, yani satışa artık açık olmayan bir uçuşun boş koltukla kalkması, satılabilecek bir koltuğun satılmadığını gösteriyor. Bu veri, rezervasyon kapatma kararlarının ya da fiyatlandırma stratejisinin ne kadar isabetli olduğunun göstergesi olarak kullanılıyor.

Brifing aynı mantığı overbooking hatalarının kontrolünde de kuruyor: kapanan uçuşlardaki doluluk oranı (load factor on closed flights) bir düzeltme faktörü olarak kullanılıyor. Kapanmış bir uçuş dolu kalkmıyorsa overbooking limiti fazla temkinli; sürekli kapıda yolcu bırakıyorsa fazla agresif. Bu analizin çözünürlüğü de belirtilmiş: rezervasyon sınıfı ve uçuş bacağı (leg) bazında, her birinin satış dönemi boyunca ne zaman açık ne zaman kapalı kaldığına bakan bir yaşam döngüsü analizi.

Yazılım tarafında bu, envanter sisteminin yalnızca sınıfın şu anki durumunu değil, açık/kapalı durumunun zaman içindeki geçmişini de saklaması demek. Kapanış zamanını bilmeden “kapanan uçuşta boş koltuk” metriği hesaplanamıyor; bir sınıfın ne kadar erken kapandığını bilmeden de kapanma kararının isabeti sorgulanamıyor.

Denied boarding’in maliyeti havalimanında oluşuyor, orada tutulmalı

Oversale tarafının maliyeti bir sayı değil, bir kalem listesi. Kaynak metin bileşenleri sayıyor: kupon (voucher) maliyetleri, yemekler, yer ulaşımı ve iyi niyet (goodwill). İlk üçü muhasebede görünen nakit giderler. Sonuncusu ise görünmüyor: kapıda bırakılan yolcunun havayoluna duyduğu güvenin kaybı, yani müşteri sadakati kaybı.

Brifingin bu maliyeti nerede takip edilmesi gerektiğine dair kuralı net: havalimanı bazında. Gerekçe de çıkarımlar arasında yer alıyor: oversale maliyetini yalnızca genel toplamda değil havalimanı bazında izlemek, operasyonel darboğazları görünür kılıyor. Şirket genelinde kabul edilebilir görünen bir toplam, belirli bir havalimanında tekrar eden bir sorunu gizleyebilir. Voucher, yemek ve ulaşım maliyetleri de havalimanına göre değişen kalemler; aynı sayıda reddedilen yolcu farklı istasyonlarda farklı bedel doğuruyor.

Yazılım tarafında bu, denied boarding olayının istasyon bilgisiyle ve maliyet kalemleriyle birlikte, ayrı ayrı kaydedilmesi anlamına geliyor. Tek bir “tazminat tutarı” alanı, hangi kalemin hangi havalimanında büyüdüğünü söyleyemez. Goodwill kalemi ise doğrudan ölçülemediği için modele bir varsayım olarak giriyor; o varsayımın nerede ve hangi değerle tutulduğunun açık olması, overbooking limitinin neden o noktada durduğunu açıklayabilmek için gerekiyor.

Pazar payını kendi verin söylemez

Gelir yönetiminin iç metrikleri havayolunun kendi satışını ölçüyor. Rekabet içinde ne kadar iyi durduğunu ise dışarıdan gelen veriyle görmek gerekiyor. Brifing pazar payı tahmini için iki dış kaynak gösteriyor: MIDT (Marketing Information Data Tapes, pazarlama bilgi veri bantları) ve yolcu alışveriş verisi (passenger shopping data). Sistemin rekabet gücü bu veriler üzerinden ölçülüyor.

Bir RASM düşüşü talebin azaldığını da, rakibin aynı talepten daha büyük pay aldığını da gösterebilir. İç veri bu ikisini ayıramıyor. Dış veri olmadan yapılan performans analizi, pazarın genel hareketiyle havayolunun kendi hatasını birbirine karıştırıyor. MIDT’nin neyi gördüğü ve neyi görmediği, pazarlama planlaması ve alışveriş verisi bölümlerinde ayrıca anlatıldı.

Tahmin hatası tek bir sayıyla ölçülmez

Gelir yönetiminin bütün kararları bir tahminin üzerinde duruyor: talep tahmini, iptal tahmini, show-up tahmini. Bu tahminlerin ne kadar güvenilir olduğu da ölçülmesi gereken bir performans alanı. Kaynak metin talep ve iptal tahminlerinin doğruluğunu sorgulamak için bir dizi istatistiksel metrik sayıyor: ortalama mutlak sapma (Mean Absolute Deviation, MAD), standart hata, bias (yanlılık), WMAPE ve ortalama kare hata (Mean Squared Error, MSE). Brifingin ifadesiyle bu metrikler modelin güvenilirliğini belirliyor.

Birden fazla metrik gerekiyor, çünkü her biri hatanın farklı bir yüzünü görüyor. MAD ve MSE hatanın büyüklüğünü ölçüyor; MSE büyük hataları kareyle cezalandırdığı için seyrek ama iri sapmalara daha duyarlı. WMAPE hatayı ağırlıklı bir yüzde olarak veriyor, böylece farklı büyüklükteki uçuşların ve pazarların hataları karşılaştırılabilir hale geliyor. Bias ise ötekilerden farklı bir soru soruyor: hata ne kadar büyük değil, hangi yönde. Sürekli fazla ya da sürekli eksik tahmin eden bir model, ortalama hatası küçük olsa bile sistematik bir zayıflık taşıyor.

Bias’ın özel bir yeri var, çünkü bölümün başındaki “sistematik zayıflık” tanımına en doğrudan karşılık gelen metrik o. Rastgele hata, yeterince uçuşta birbirini götürüyor. Yanlılık ise birikiyor: talebi sürekli eksik tahmin eden bir model sınıfları erken kapatıyor ve koltukları ucuza bırakıyor; sürekli fazla tahmin eden bir model de koltukları gelmeyecek yüksek ücretli yolcuya saklıyor. Brifingin çıkarımı bunu bir iyileştirme döngüsüne bağlıyor: yanlılığı düşürmek için WMAPE ve MAD sonuçlarını model eğitim süreçlerine entegre etmek.

Yazılım tarafında bunun karşılığı, tahmin servisinin ürettiği her tahminin, gerçekleşen değer geldiğinde karşılaştırılabilecek şekilde saklanması. Tahmin anı, tahmin ufku, tahmin edilen değer ve sonradan gerçekleşen değer aynı kayıtta buluşmuyorsa bu metriklerin hiçbiri hesaplanamıyor. Bu metrikleri eğitim sürecine geri beslemek de ancak o kayıt varsa mümkün.

Yarın işe yarayacak dört çıkarım

1. Uçuş öncesi göstergeleri aksiyona bağla. Performansı düşük seyreden uçuşları uçuş öncesi metriklerle yakala ve kapasite ya da fiyat müdahalesini otomatik tetikle. Kalkıştan sonra görülen bir sapma yalnızca bir sonraki sezona ders olur.
2. Oversale maliyetini havalimanı bazında tut. Voucher, yemek, yer ulaşımı ve goodwill kalemlerini istasyon bazında ayrı kaydet. Şirket geneli toplam, tek bir havalimanında tekrar eden darboğazı gizler.
3. Tahmin hatasını eğitime geri besle. WMAPE ve MAD sonuçlarını model eğitim sürecine entegre et, hedefi özellikle bias’ı düşürmek olarak koy. Büyüklüğü küçük ama yönü sabit bir hata, en pahalı hata türü.
4. Doluluğu RASM ve CASM’le birlikte oku. Stratejik kararlarda load factor’ü tek başına başarı ölçütü sayma; birim geliri gösteren RASM ile birim maliyeti gösteren CASM arasındaki dengeye bak.

Bu bölümde ne yok: overbooking limitinin nasıl hesaplandığı ve show-up tahmininin dağılım varsayımları (“Havacılıkta overbooking (fazla rezervasyon) ve show-up modelleme stratejileri”), tahmin modellerinin kendisi (“Gelir yönetiminde tahminleme modelleri ve iş mantığı analizi”) ve MIDT gibi pazar verilerinin kapsam sınırları (“Havayolu pazarlama planlama süreci ve iş mantığı analizi”). Gelir fırsat modeli burada yalnızca bir kategori olarak geçiyor; iç yapısı bu bölümün kaynağında yer almıyor. Bu bölüm o kararların sonradan hangi göstergelerle hesaba çekildiğini anlatmak için var.