Havacılıkta overbooking (fazla rezervasyon) ve show-up modelleme stratejileri

Rezervasyon yapan her yolcu uçağa gelmiyor. Gelmeyen yolcunun koltuğu kalkışta boş kalıyor ve o koltuk bir daha satılamıyor. Havayolları buna kapasiteden fazla rezervasyon kabul ederek, yani overbooking yaparak cevap veriyor. Ama bu cevabın bir bedeli var: tahmin edilenden fazla yolcu gelirse bir kısmı kapıda kalıyor. Bu bölüm iki risk arasındaki dengeyi kuran modeli anlatıyor: boş koltuk riski (spoilage) ve yolcunun uçağa alınamaması riski (oversale). Overbooking limitini ortalama show-up oranı değil, o oranın ne kadar oynadığı belirler; varyansı hafife alan model, kâğıt üzerinde daha çok gelir, pratikte daha çok mağdur yolcu üretir.

Show-up, rezervasyonu olan yolcunun kalkışta uçuşa gelmesi demek. Show-up oranı da gelenlerin rezervasyon sayısına oranı. Overbooking limitinin bütün hesabı bu oranın bir tahminine dayanıyor. Kaynak metnin yönetici özeti meseleyi tek cümleye indiriyor: basit Binom dağılımı ya da deterministik modeller show-up sürecindeki değişkenliği hafife alıyor ve bu da riskli overbooking limitlerine yol açıyor. Bölümün geri kalanı bu cümlenin açılımı.

Tek parametreli bir dağılım, show-up’ın ne kadar oynadığını veriden öğrenemiyor

Show-up’ı modellemenin ilk akla gelen yolu Binom dağılımı. Her yolcu bağımsız bir yazı-tura atıyor: belirli bir olasılıkla geliyor, kalanında gelmiyor. Rezervasyon sayısı ve gelme olasılığı biliniyorsa, kaç yolcunun geleceğinin dağılımı da biliniyor. Hesaplaması kolay, açıklaması kolay.

Sorun, kaynak metnin deyişiyle Binom’un tek parametreli bir dağılım olması. Rezervasyon sayısı sabitlendiğinde dağılımı belirleyen tek şey gelme olasılığı; varyans da ondan türetiliyor. Model, show-up’ın ne kadar oynak olduğunu veriden öğrenmiyor, ortalamadan çıkarıyor. Gözlemlenen show-up varyansı ise kaynak metne göre genellikle bu modelin tahmininden daha yüksek.

Buradaki sorun ortalamada değil. Binom ortalama show-up oranını doğru tutturabilir; eksik çizdiği şey dağılımın genişliği. Kapasiteyi aşan yolcu sayısını belirleyen de tam olarak o genişlik, yani ortalamanın üstündeki günlerin ne kadar sık ve ne kadar uzağa düştüğü.

Varyansın düşük tahmin edilmesinin sonucu doğrudan limite yansıyor. Kaynak metin zinciri açık kuruyor: düşük varyans tahmini sistemin aşırı agresif overbooking limitleri belirlemesine, bu da operasyonel olarak yönetilemez düzeyde yolcu reddine yol açıyor. Model kendinden emin olduğu için az pay bırakıyor; gerçek, modelin öngördüğünden daha sık kuyruğa düşüyor. İş kuralının cevabı da buna göre: daha yüksek standart sapma öngören modeller kullanmak ve riski buradan azaltmak.

Yazılım tarafında bunun karşılığı şu: show-up tahmin servisinin çıktısı tek bir oran olmamalı. Ortalama ile birlikte bir dağılım parametresi, en azından bir standart sapma dönmeli ve bu parametre veriden ayrı olarak tahmin edilmeli. Ortalamadan türetilen bir varyans, ayrı bir tahmin gibi görünse de modelin varsayımını tekrar etmekten öteye geçmiyor.

Belirsizlik arttıkça limit düşmeli, çünkü risk kuyrukta

Varyansın limite etkisini kaynak metin tek bir kurala bağlıyor: show-up oranının standart sapması ne kadar büyükse, oversale riskini yönetmek için overbooking limiti o kadar düşük olmalı. Sezgisi basit. Ortalama show-up oranı iki uçuşta aynı olsa bile, oranın geniş bir aralıkta oynadığı uçuşta kalkış anında kapasiteyi aşan yolcu gelme ihtimali daha yüksek. Aynı limit, oynak uçuşta daha çok reddedilen yolcu üretir.

Bu kural bir yerde muhafazakârlık çağrısı gibi okunabilir ama aslında limitin uçuş bazında farklılaşması gerektiğini söylüyor. Kaynak metin güvenli bir iş kuralını şöyle tarif ediyor: belirsizliğin yüksek olduğu uçuşlarda daha muhafazakâr limitler tanımlamak ve tazminat maliyetlerini bu yolla kontrol altında tutmak. Yani tek bir ağ geneli overbooking yüzdesi, belirsizliği düşük uçuşlarda fazla temkinli, yüksek uçuşlarda fazla cesur kalıyor.

Sistem tasarımı açısından bu, limit hesabının girdileri arasında varyansın birinci sınıf bir alan olması demek. Limit tablosu yalnızca “uçuş, kapasite, ortalama show-up” üçlüsüyle tutuluyorsa, iki farklı risk profilindeki uçuş aynı limiti alıyor ve fark hiçbir raporda görünmüyor.

Deterministik model belirsizliği sıfır sayıyor, bu yüzden en agresif limiti üretiyor

Binom’un bir adım gerisinde daha basit bir yaklaşım duruyor: deterministik model. Limit, kapasitenin show-up oranına bölünmesiyle bulunuyor: beklenen gelen yolcu sayısı kapasiteye tam eşit olacak kadar rezervasyon kabul ediliyor. Hesap tek satır, açıklaması tek cümle.

Kaynak metin bu modelin neden önerilmediğini açıkça söylüyor: deterministik modelin varyansı sıfır ve bu Binom’dan bile daha agresif kontrollere yol açıyor. Model, show-up oranının her uçuşta tam olarak ortalamada gerçekleşeceğini varsayıyor. Hiçbir belirsizlik payı bırakmıyor. Ortalamanın üstündeki her gün, doğrudan reddedilen yolcu demek.

Kaynak metnin buradaki hükmü kesin: bu model risk maliyetini tamamen göz ardı ettiği için iş kuralları açısından elenmeli. Deterministik formülün cazibesi basitliği; bir tabloya, bir konfigürasyon dosyasına, bir hesap tablosuna kolayca giriyor. Ama bu basitlik varyansı sıfıra eşitlemenin bedeli. Üç modeli yan yana koyunca sıralama netleşiyor: deterministik model en agresif, Binom ondan daha az agresif, varyansı veriden öğrenen model en temkinli limiti veriyor. Gözlemlenen varyans Binom’unkinden yüksekse, doğru limit de bu sıralamanın en temkinli ucuna yakın.

Kesilmiş normal dağılım, reddedilen yolcuyu hiç kabul edilmemiş talepten ayırıyor

Show-up’ı daha geniş bir dağılımla modellemek ilk adım. İkinci adım, bu dağılımın nerede kesileceği. Burada iki sınırı ayırmak gerekiyor: uçağın fiziksel kapasitesi (kaynak metinde c) ve yetkilendirme seviyesi (authorization level, kaynak metinde Au). Yetkilendirme seviyesi, satılmasına izin verilen rezervasyon sayısı; overbooking yapıldığında kapasitenin üstünde duruyor.

Yetkilendirme seviyesinin üstündeki talep uçuş için hiç onaylanamıyor. Bu yolcular rezervasyon yapamadı; kalkış günü kapıda da değiller. Kaynak metin bu noktada önemli bir ayrım yapıyor: bu yolcular reddedilen biniş (denied boarding) kapsamında değerlendirilmemeli. Reddedilen biniş, rezervasyonu kabul edilmiş, uçuşa gelmiş ama fiziksel kapasite dolduğu için uçağa alınamamış yolcu için kullanılıyor. Tazminat gerektiren durum bu.

Kesilmiş normal dağılım (truncated normal distribution) bu ayrımı model düzeyinde yapıyor. Normal dağılım yetkilendirme seviyesinde kesiliyor; limitin ötesine taşan olasılık kütlesi modele girmiyor. Kaynak metnin ifadesiyle amaç, yalnızca uçuşa kabul edilen ve fiziksel olarak kapasiteyi aşan, yani tazminat gerektiren yolcuları ötekilerden net biçimde ayırmak.

Kesilmiş dağılım üzerinde iki beklenen değer hesaplanıyor. Kaynak metin bölgeleri şöyle tanımlıyor: kapasiteye kadar olan alan beklenen biniş sayısını (expected boarded), kapasite ile yetkilendirme seviyesi arasındaki alan beklenen yolcu reddini (expected oversales) veriyor. Kapasitenin altında kalan her gelen yolcu uçağa biniyor. Kapasite ile limit arasına düşen her gelen yolcu, koltuğu olmadığı için reddediliyor. Limitin üstü ise hiç rezervasyona dönüşmediği için ne biniş ne ret.

Bu ayrımın atlanması iki yönde de yanlış veri üretiyor. Yetkilendirme seviyesinin üstündeki talep reddedilen biniş sayılırsa, oversale istatistiği şişiyor ve sistem limiti gereğinden fazla düşürüyor. Tersine, reddedilen yolcular kaybolan talep olarak kaydedilirse tazminat maliyeti görünmez oluyor. Kaynak metnin çıkarımı bu yüzden net: uçağa kabul edilemeyecek talebin reddedilen biniş istatistiklerini kirletmesine izin verilmemeli.

Yazılım tarafında bunun karşılığı veri modelinde başlıyor. Rezervasyon sisteminin reddettiği talep ile kapıda reddedilen yolcu farklı olaylar; farklı kaynaklardan geliyor, farklı tablolara yazılmalı ve farklı metriklere beslenmeli. İkisi tek bir “karşılanamayan talep” sayacına toplandığında, sonradan hangi modelin hangisini kullandığını ayırmak mümkün olmuyor.

Doğru limit doluluğu değil, net geliri maksimize eden limit

Buraya kadar anlatılan kısım istatistik: kaç yolcu gelecek, ne kadar oynayacak, kaçı binecek, kaçı reddedilecek. Limitin kendisini seçmek ise ekonomik bir karar. Kaynak metin amaç fonksiyonunu tek formülle veriyor: net gelir, beklenen toplam gelirden beklenen boş koltuk maliyeti ile beklenen reddedilen biniş maliyetinin çıkarılmasıyla bulunuyor.

Bu formülün söylediği şey, doluluk oranının hedef olmadığı. Limit yükseldikçe boş koltuk azalıyor, doluluk artıyor; ama aynı hareket reddedilen yolcu sayısını da artırıyor. Kaynak metin başarılı gelir yönetimini yalnızca doluluk oranına değil, toplam net gelirin maksimize edilmesine bağlıyor. Yüzde yüz doluluk, kapıda bırakılan yolcuların maliyetini karşılamıyorsa kötü bir sonuç.

İki maliyetin yapısı farklı. Boş koltuk maliyeti kaynak metinde sabit bir ortalama maliyet olarak ele alınıyor (Cs): kalkışta boş kalan her koltuk yaklaşık aynı kaybı temsil ediyor. Reddedilen biniş maliyeti ise lineer değil. Kaynak metin bunu açıkça söylüyor: reddedilen biniş maliyeti doğrusal olmayan bir fonksiyon ve fazla satılan yolcu sayısı arttıkça artan bir oranda artıyor.

Neden artan oranda arttığı da kaynak metinde var. Yolcu reddi arttıkça havayolunun katlandığı maliyet yalnızca kişi başı tazminat değil; operasyonel kaos ve tazminat yükü logaritmik ya da üstel biçimde büyüyor. Kaynak metnin çıkarımları bu kalemleri adıyla sayıyor: otel, tazminat, itibar kaybı. Tek bir reddedilen yolcu bir tazminat kalemi; çok sayıda reddedilen yolcu aynı anda yönetilmesi gereken bir operasyon.

Karar kuralı bu iki maliyetin marjinal karşılaştırmasından çıkıyor. Kaynak metne göre sistem, ek bir yolcu almanın yaratacağı marjinal gelir olası reddedilme maliyetinden büyük olduğu sürece limiti artırmalı. Limitin her bir birim artışı iki şeyi değiştiriyor: bir boş koltuğun dolma ihtimalini ve bir yolcunun kapıda kalma ihtimalini. Birincisi sabit bir kazanç getiriyor, ikincisi artan bir maliyet. Limit, ikisinin dengelendiği noktada duruyor.

Reddedilen biniş maliyetinin doğrusal olmaması bu noktanın yerini belirleyen şey. Maliyet doğrusal olsaydı, her ek ret aynı fiyattan yazılır ve model bazı durumlarda limiti yüksek tutmayı kârlı bulurdu. Artan oranlı maliyet ise kuyruğu ağırlaştırıyor: varyansın yüksek olduğu uçuşta çok sayıda reddin olasılığı küçük olsa bile, o senaryonun maliyeti büyük olduğu için beklenen maliyete orantısız katkı yapıyor. Varyans ile maliyet yapısı burada birleşiyor; ikisi birlikte oynak uçuşta limiti aşağı çekiyor.

Reddedilen biniş maliyeti her istasyon için ayrı kalibre edilmeli

Maliyet fonksiyonunun şekli kadar hangi veriyle kurulduğu da önemli. Kaynak metin bu fonksiyonun istasyon bazlı tarihsel verilerle kalibre edilmesini öneriyor ve fonksiyonu fos(x) olarak adlandırıyor. Çıkarım bölümünde de aynı vurgu var: reddedilen biniş maliyet fonksiyonu her uçuş ya da istasyon için sabit tutulmamalı, tarihsel veriler ışığında lokasyona özel olarak güncellenmeli.

Gerekçe, reddedilen yolcunun maliyetini oluşturan kalemlerin, yani otel, tazminat ve operasyonel yükün, yere bağlı olması. Aynı fonksiyonu bütün ağa uygulamak, bazı istasyonlarda reddi olduğundan ucuz, bazılarında olduğundan pahalı gösteriyor ve limitler buna göre sapıyor.

Sistem tasarımında bu, maliyet fonksiyonunun kodun içinde sabit bir eğri olarak durmaması demek. İstasyon anahtarlı, tarihsel veriden beslenen ve düzenli yeniden hesaplanan bir parametre seti olarak tutulması gerekiyor. Yeni bir istasyon açıldığında hangi varsayılan fonksiyonla başlanacağı ve ne zaman kendi verisine geçileceği de açıkça tanımlanmalı; yoksa varsayılan eğri fark edilmeden kalıcı hale geliyor.

Yarın işe yarayacak dört çıkarım

1. Show-up tahmininde varyansı ayrı ölç. Yalnızca ortalamaya bakma; modelin öngördüğü standart sapmayı gerçek verideki standart sapmayla karşılaştır. Varyansı düşük gösteren modeller, Binom gibi, revize edilmeli. Deterministik modeli ise hiç kullanma: varyansı sıfır sayıyor ve en agresif limiti üretiyor.
2. Limiti net gelirle seç, doluluk oranıyla değil. Hesaba yalnızca koltuk fiyatını değil, boş koltuk maliyetini ve yolcu reddinde artan oranda büyüyen maliyeti (otel, tazminat, itibar kaybı) koy. Ek bir rezervasyonun marjinal geliri olası ret maliyetinden büyük olduğu sürece limiti artır, eşitlendiği yerde dur.
3. Reddedilen biniş verisini temiz tut. Yetkilendirme seviyesinin üstündeki, hiç onaylanmamış talebi reddedilen biniş istatistiğine karıştırma. Kesilmiş normal yaklaşımını benimse; kapasiteye kadar olanı beklenen biniş, kapasite ile limit arasını beklenen ret olarak ayrı hesapla.
4. Ret maliyet fonksiyonunu istasyona göre kalibre et. fos(x)’i bütün ağ için tek eğri olarak tutma; istasyon bazlı tarihsel veriyle güncelle ve artan oranlı yapısını koru.

Bu bölümde ne yok: show-up oranının ortalamasının nasıl tahmin edildiği, iptal ve no-show davranışının rezervasyon eğrisi boyunca nasıl modellendiği, ve overbooking limitinin ücret sınıflarına nasıl dağıtıldığı. Talebin kapasiteyi aştığı durumda kaybedilen yolcunun hesabı spill bölümlerinde; yüksek varyanslı talebin dağılım seçimi “Yüksek varyanslı talep ve iki aşamalı Cox dağılımı” bölümünde. Bu bölüm yalnızca iki şeyi netleştirmek için var: show-up varyansının limite nasıl yansıdığı ve limitin hangi maliyet dengesinde seçildiği.