Havacılık spill modelleri için girdi parametrelerinin kalibrasyonu

Bir uçağın kapasitesi sabit, talebi değil. Talep kapasiteyi aştığında uçağa binemeyen yolcuya spill deniyor: kapasite kısıtı yüzünden reddedilen, rezervasyon sisteminde hiç görünmeyen potansiyel yolcu. Spill modeli bu görünmeyen kitleyi matematiksel olarak tahmin ediyor ve bu tahmin uçak büyüklüğü, kapasite tahsisi ve uçuş kapatma kararlarının girdisi oluyor. Spill modelinin formülü değil, beslendiği iki parametre sonucu belirliyor: talep değişkenliği katsayısı ve kapalı uçuşlardaki doluluk oranı yanlış kalibre edilirse, model yüksek dolulukta hatayı katlayarak büyütüyor. Bu bölüm iki parametrenin nereden, hangi filtreyle ve hangi ayrıntı düzeyinde hesaplandığını anlatıyor.

Model iki kadranla çalışıyor, ikisi de ayrı kalibre ediliyor

Kaynak metin iki parametreye odaklanıyor. Birincisi talep değişkenliği katsayısı, CV: standart sapmanın ortalamaya oranı, yani talebin ortalamadan ne kadar saptığının boyutsuz ölçüsü. İkincisi kapalı uçuşlardaki doluluk oranı, LFCF (load factor of closed flights): satışa kapanmış, yani teoride dolmuş bir uçuşun gerçekte kalkıştaki doluluğu.

İkisi farklı sorulara cevap veriyor. CV talep dağılımının şeklini tarif ediyor; LFCF kapasitenin gerçekte ne kadarının kullanılabildiğini. Biri talep tarafının, öteki arz tarafının düzeltmesi. Yazılım tarafında bunun karşılığı şu: iki parametre aynı konfigürasyon tablosunda yan yana dursa bile ayrı veri hatlarından, ayrı sıklıkla güncellenmeli. Birini kalibre edip ötekini varsayılan değerde bırakan model, yarım kalibre edilmiş bir model.

CV’nin doğru değeri, sorulan soruya göre değişiyor

Tek bir CV yok. Kaynak metin bunu açıkça söylüyor: spill modelinin uygulamasına bağlı olarak talep değişkenliği katsayısı farklı ayrıntı düzeylerinde tahmin edilmeli. Sayılan yaygın düzeyler beş tane: bir ay için uçuş, bir ay için uçuş bacağı, bir yıl için uçuş bacağı, bir ay için sistem ve bir yıl için sistem.

Seçim uygulamaya bağlı. Belirli bir seferin kapasite kararını veren analiz, aylık uçuş düzeyindeki CV’ye bakıyor; ağ genelinde filo büyüklüğünü tartan bir çalışma sistem düzeyinde yıllık bir değerle yetinebiliyor. Hata, birinin değerini ötekinin sorusunda kullanmakta. Sistem geneli CV, ortalamaların ortalaması olduğu için tek bir rotanın oynaklığını yumuşatıyor; o değerle tek bir seferin spill’ini hesaplayan model, o seferin riskini olduğundan küçük görüyor.

Yazılım tarafında bu, CV’nin tek bir skaler değil, anahtarı ayrıntı düzeyi ve dönem olan bir tablo olması demek. Spill hesabını çağıran servis hangi düzeyi istediğini açıkça belirtmeli; varsayılan bir sistem değerine sessizce düşmek, yanlış sorunun cevabını doğru sorunun yerine koymak.

Gözlenen yolcu talep değil, kapasitenin izin verdiği kadarı

CV’yi hesaplamak için ilk akla gelen veri, gerçekleşen yolcu sayıları. Ama dolmuş bir uçuşta gözlenen sayı talebi değil, kapasiteyi ölçüyor: uçak 180 koltuksa ve 180 kişi uçtuysa, talebin 180 mi 230 mu olduğu bu veriden anlaşılmıyor. Dolu uçuşlarda gerçekleşen rakamlar talebin kesilmiş hali.

Kaynak metin iki çözüm yolu sunuyor. Birincisi kısıtsızlaştırma (unconstraining): sadece gerçekleşen rakamlara bakmak yerine rezervasyon sınıflarının açık ve kapalı durum bilgisini kullanarak kısıtlanmamış trafik verisi üzerinden toplam talebi bulmak ve CV’yi bu gerçek talep üzerinden tahmin etmek. Bir sınıf kalkıştan günler önce satışa kapandıysa, o sınıftaki talebin gözlenenden fazla olduğu bilgisi o kapanma anında saklı.

İkincisi regresyon. Aylık uçuş verisi üzerinde Y = β0 + β1X + E biçiminde bir model kuruluyor: Y standart sapma, X ortalama doluluk oranı. Standart sapma ortalamayla orantılı büyüyorsa, bu orantının katsayısı tanım gereği CV. Eğim katsayısı β1 bu yüzden doğrudan hedeflenen CV değerini veriyor.

Yüzde 60 filtresi olmadan regresyon değişkenliği küçük gösteriyor

Regresyonun bir tuzağı var ve kaynak metin onu tek bir kuralla kapatıyor: örneklem yalnızca doluluk oranı yüzde 60’ın altında olan uçuşları içermeli. Kaynak metin bu kuralın gerekçesini de veriyor: örneklemin yalnızca doluluğu yüzde 60’tan az olan uçuşlardan oluşması, kalibrasyona yerinden edilmiş yolcu yanlılığının (displaced passenger bias) girmemesi için önemli.

Mekanizma şöyle. Doluluk arttıkça kapasite kısıtı devreye girmeye başlıyor ve talep dağılımının üst kuyruğu kesiliyor. Kesilen kuyruk, yüksek talepli günlerin gözlenen değerini tavana sabitliyor; tavana yapışmış değerlerin standart sapması da gerçek dağılımınkinden küçük çıkıyor. Bu uçuşlar regresyona girerse eğim düşüyor ve model talebin olduğundan daha kararlı olduğunu sanıyor. Yüzde 60 sınırı, kısıtın henüz ölçümü bozmadığı bölgede kalmanın yolu.

Bu filtrenin bir bedeli var ve karşılaştırma slaytı onu açıkça yazıyor: regresyon yaklaşımı uygulaması basit ve matematiksel olarak doğrulanmış, ama yüksek doluluklu popüler uçuşların verisini tamamen dışarıda bırakıyor. Yani CV, tam da spill riskinin en yüksek olduğu uçuşlar hariç tutularak tahmin ediliyor. Kısıtsızlaştırma yaklaşımı bütün uçuş verisini kullanıp orijinal talebi simüle ediyor; bedeli gelişmiş bir veri altyapısı ve karmaşık algoritmalar.

Seçimi belirleyen şey çoğu zaman yöntem tercihi değil, veri. Kısıtsızlaştırma için her rezervasyon sınıfının ne zaman açılıp ne zaman kapandığının geçmişi gerekiyor. Envanter sistemi yalnızca güncel durumu tutuyor, durum değişikliklerini tarihçesiyle saklamıyorsa, bu yol baştan kapalı. Yazılım tarafında bunun karşılığı şu: sınıf açılış ve kapanış olaylarını bugün saklamaya başlamak, yarın daha iyi bir CV hesaplayabilmenin ön koşulu. Kaybedilen tarihçe geriye dönük üretilemiyor.

Kapalı uçuş hiçbir zaman tam dolu kalkmıyor

İkinci kadran arz tarafında. Teoride satışa kapanmış bir uçuş doludur ve doluluk oranı 1.0 olmalıdır. Kaynak metin pratiği farklı tarif ediyor: uygulamada kapalı uçuşlardaki doluluk oranı, aşırı rezervasyon (overbooking) sürecindeki belirsizlikler yüzünden hiçbir zaman 1.0’a eşit olmuyor.

Sebep, kapanma ile kalkış arasındaki mesafe. Havayolu iptal ve gelmeyen (no-show) yolcuyu öngörerek kapasitenin üzerinde satıyor; ama iptal ve no-show sayısı tahmin, gerçekleşen değil. Tahmin tutmadığında satışa kapalı uçuş boş koltukla kalkıyor. Aşırı rezervasyon bu açığı kapatmaya çalışıyor ama belirsizliği ortadan kaldırmıyor.

LFCF’nin 1.0’ın altında olmasının spill tahminine etkisi sezgiye ters geliyor: daha düşük LFCF daha fazla spill demek. Kapalı bir uçuş yüzde 100 yerine yüzde 96 dolulukla kalkıyorsa, kapanma daha düşük bir gözlenen dolulukta gerçekleşiyor demek; model aynı gözlenen dolulukta uçuşların daha büyük bir kısmını kapanmış, yani talebi geri çevirmiş sayıyor. Brifingdeki örnekte gözlenen doluluk yüzde 90 iken LFCF yüzde 100 kabul edildiğinde spill oranı yüzde 14,12; LFCF yüzde 96’ya indiğinde yüzde 20,31’e çıkıyor. Dört puanlık bir düzeltme, spill tahminini üçte birden fazla artırıyor.

İki parametre birlikte kayınca hata katlanıyor

Asıl risk, iki parametrenin etkisinin toplanmaması, çarpışması. Brifingin tablosu yüzde 80 gözlenen dolulukta dört durumu karşılaştırıyor. CV 0,30 ve LFCF yüzde 100 iken nominal doluluk yüzde 84,70, spill oranı yüzde 5,55 ve uçuş kapatma oranı yüzde 25,19. CV 0,40’a çıkınca, LFCF aynı kalsa bile, nominal doluluk yüzde 90,46’ya, spill yüzde 11,56’ya, kapatma oranı yüzde 34,92’ye çıkıyor. CV 0,30’da kalıp LFCF yüzde 96’ya indiğinde nominal doluluk yüzde 86,62, spill yüzde 7,64, kapatma oranı yüzde 32,69. İkisi birlikte, CV 0,40 ve LFCF yüzde 96 olduğunda, nominal doluluk yüzde 93,84, spill yüzde 14,74, kapatma oranı yüzde 42,44.

Burada nominal doluluk, spill edilen talep de uçağa binseydi ulaşılacak doluluk; yani kısıtsız talebin kapasiteye oranı. Gözlenen ile nominal arasındaki makas, görünmeyen talebin büyüklüğü. Aynı yüzde 80’lik gözlenen doluluk, parametrelere göre yüzde 84,70 ile yüzde 93,84 arasında değişen bir gerçek talebe karşılık geliyor.

Değişkenliğin tek başına etkisi de küçük değil. CV 0,30’dan 0,40’a çıktığında yüzde 80 dolulukta spill oranı yüzde 5,55’ten yüzde 11,56’ya, yani iki katından fazlasına çıkıyor. Brifing buradan bir kapasite kuralı çıkarıyor: CV’deki 0,10’luk bir artış, yüksek doluluklu uçuşlarda spill miktarını yaklaşık ikiye katlayabilir ve kapasite planı bunu hesaba katmalı. Yüksek belirsizlik karşısında sistemin daha agresif bir uçuş kapatma ya da kapasite tahsis stratejisi uygulaması gerekiyor.

Grafik, tablonun gösteremediği şeyi gösteriyor: eğriler arasındaki mesafe doluluk arttıkça açılıyor. Yüzde 95 dolulukta baz senaryo yüzde 23,17 spill öngörürken, yalnızca CV’yi yükseltmek bunu yüzde 35,24’e, LFCF’yi de dört puan düşürmek yüzde 54,97’ye taşıyor. Düşük dolulukta parametre hatası birkaç puanlık bir sapma; yüksek dolulukta tahminin iki katından fazlası. Kapasite kararlarının çoğu da tam bu bölgede, dolu uçuşlarda veriliyor.

Kapatma oranı bir risk göstergesi olarak izlenmeli

Spill tahmini tek başına bir sayı; operasyonel karşılığı uçuş kapatma oranı, yani uçuşların ne kadarının satışa kapandığı. Brifing bunun için izlenecek göstergeyi tarif ediyor: gözlenen doluluk ile nominal doluluk arasındaki makas. Nominal doluluk gözlenenin belirgin şekilde üzerine çıktığında, özellikle CV yüksekse, kapatma oranı bir risk işareti. Brifingin örneğinde yüzde 95 dolulukta kapatma oranı yüzde 90’ın üzerine çıkıyor: o noktada uçuşların neredeyse hepsi talebi geri çeviriyor.

Yazılım tarafında bunun karşılığı, spill modelinin çıktısının tek başına bir tahmin değil, izlenen bir metrik olması. Gözlenen ve nominal doluluk her uçuş için yan yana raporlanırsa, makasın hangi rotada açıldığı görünür hale geliyor. Açılan makas ya gerçekten büyüyen bir talebi ya da yanlış kalibre edilmiş bir parametreyi gösteriyor; ikisini ayırmak için de parametrelerin hangi veriyle, hangi tarihte kalibre edildiği kayıtlı olmalı.

Yarın işe yarayacak dört çıkarım

1. CV’yi yüzde 60 filtresiyle hesapla. Regresyon tabanlı CV kalibrasyonunda doluluğu yüzde 60’ın üzerindeki uçuşları örneklemden kesinlikle çıkar. Aksi halde kapasite kısıtı kuyruğu kesiyor ve talep değişkenliği olduğundan düşük çıkıyor. Filtreyi regresyondan önce uygula, sonra değil.
2. Kısıtsız veriyi biriktirmeye bugün başla. Yalnızca gerçekleşen uçuş verisiyle yetinme; rezervasyon sınıflarının açılış ve kapanış geçmişini içeren kısıtsız veri setlerini CV tahminine entegre et. Envanter sistemi bu geçmişi tutmuyorsa, önce onu saklamaya başla.
3. LFCF’yi 1.0’da bırakma. Gerçekçi bir model için LFCF’yi yüzde 100 yerine operasyonel belirsizliği yansıtan daha düşük bir değerde tut; brifingdeki örnek yüzde 96. Modelin muhafazakâr mı agresif mi olacağına bu parametreyle, bilerek karar ver.
4. Kapasite planını CV hassasiyetine göre kur. CV’deki 0,10’luk bir artışın yüksek doluluklu uçuşlarda spill’i yaklaşık ikiye katlayabileceğini varsay. Gözlenen ve nominal doluluk arasındaki makası izle; yüksek CV’li rotada kapatma oranı yükseliyorsa bunu bir risk işareti olarak ele al.

Bu bölümde ne yok: spill modelinin kendisi ve taşan talebin hangi dağılımla hesaplandığı (spill bölümleri), aşırı rezervasyonun nasıl hesaplandığı ve yolcu miksini seçen mekanizma (gelir yönetimi bölümleri). Bu bölüm o modellerin beslendiği iki sayının nereden geldiğini anlatmak için var.