Tarif Maskapai - Analisis apa yang harus digunakan untuk mendeteksi perilaku penetapan harga yang kompetitif dan korelasi harga?


12

Saya ingin menyelidiki perilaku pengaturan harga maskapai penerbangan - khususnya bagaimana maskapai penerbangan bereaksi terhadap harga pesaing.

Seperti yang akan saya katakan pengetahuan saya tentang analisis yang lebih kompleks cukup terbatas, saya telah melakukan sebagian besar semua metode dasar untuk mengumpulkan pandangan keseluruhan data. Ini termasuk grafik sederhana yang sudah membantu mengidentifikasi pola yang sama. Saya juga menggunakan SAS Enterprise 9.4.

Namun saya mencari pendekatan yang lebih berbasis angka.

Himpunan data

Kumpulan data (mandiri) yang saya gunakan mengandung sekitar ~ 54.000 tarif. Semua tarif dikumpulkan dalam waktu 60 hari, setiap hari (setiap malam pukul 00:00).Metode Pengumpulan

Oleh karena itu, setiap ongkos dalam rentang waktu itu terjadi kali tergantung pada ketersediaan ongkos serta tanggal keberangkatan penerbangan, ketika dilewati oleh tanggal pengumpulan tarif. (Anda tidak dapat mengumpulkan ongkos untuk penerbangan ketika tanggal keberangkatan penerbangan di masa lalu)n

Tidak diformat yang pada dasarnya terlihat seperti ini: (data palsu)

+--------------------+-----------+--------------------+--------------------------+---------------+
| requestDate        | price| tripStartDeparture | tripDestinationDeparture | flightCarrier |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 725.32    | 16APR2015:10:50:02 | 23APR2015:21:55:04       | XA            |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 966.32    | 16APR2015:13:20:02 | 23APR2015:19:00:04       | XY            |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 915.32    | 16APR2015:13:20:02 | 23APR2015:21:55:04       | XH            |
+--------------------+-----------+--------------------+--------------------------+---------------+

"DaysBeforeDeparture" dihitung melalui manaI=sc

  • I & interval (hari sebelum keberangkatan)
  • s & tanggal ongkos (keberangkatan penerbangan)
  • c & tanggal dimana tarif dikumpulkan

Berikut adalah contoh kumpulan data yang dikelompokkan oleh I (DaysBeforeDep.) (Data palsu!):

+-----------------+------------------+------------------+------------------+------------------+
| DaysBefDeparture | AVG_of_sale | MIN_of_sale | MAX_of_sale | operatingCarrier |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 880.68           | 477.99           | 2,245.23         | DL           |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 904.89           | 477.99           | 2,534.55         | DL           |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 1,044.39         | 920.99           | 2,119.09         | LH               |
+-----------------+------------------+------------------+------------------+------------------+

Apa yang saya dapatkan sejauh ini

Melihat grafik garis saya sudah dapat memperkirakan bahwa beberapa baris akan memiliki faktor korelasi yang tinggi. Oleh karena itu, saya mencoba menggunakan analisis korelasi terlebih dahulu pada data yang dikelompokkan. Tetapi apakah itu cara yang benar? Pada dasarnya saya mencoba sekarang untuk membuat korelasi pada rata-rata daripada harga individual? Apakah ada cara lain?

Saya tidak yakin model regresi mana yang cocok di sini, karena harga tidak bergerak dalam bentuk linear apa pun dan tampak non-linear. Apakah saya perlu menyesuaikan model untuk setiap perkembangan harga sebuah maskapai

PS: Ini dinding teks yang panjang. Jika saya perlu mengklarifikasi sesuatu, beri tahu saya. Saya baru ke sub ini.

Adakah yang tahu? :-)

Jawaban:


9

Kata peringatan dari mantan analis maskapai Revenue Management: Anda mungkin menggonggong pohon yang salah dengan pendekatan ini. Permintaan maaf untuk dinding teks yang mengikuti, tetapi data ini jauh lebih kompleks dan berisik daripada yang mungkin muncul pada pandangan pertama, jadi ingin memberikan deskripsi singkat tentang bagaimana itu dihasilkan; diperingatkan sebelumnya.

Tarif pesawat memiliki dua komponen: semua tarif aktual (lengkap dengan aturan tarif dan apa saja yang Anda miliki) yang tersedia untuk maskapai penerbangan untuk rute tertentu, yang sebagian besar diterbitkan Perusahaan Penerbit Tarif Maskapai Penerbangan (beberapa penggunaan khusus adalah tidak, tetapi itu adalah pengecualian daripada aturan) dan manajemen persediaan aktual yang dilakukan oleh maskapai setiap hari.

Ongkos dapat dikirimkan ke ATPCO empat kali sehari, pada interval yang ditentukan, dan ketika maskapai melakukannya, biasanya akan terdiri dari campuran penambahan, penghapusan, dan modifikasi tarif yang ada. Ketika sebuah maskapai penerbangan melakukan tindakan penetapan harga (dengan anggapan pesaing mereka tidak mencoba membuat langkah mereka sendiri di sini), mereka biasanya harus menunggu sampai pembaruan berikutnya untuk melihat apakah pesaing mereka mengikuti / merespons. Kebalikannya terjadi ketika pesaing memulai tindakan penetapan harga, karena maskapai harus menunggu hingga pembaruan berikutnya sebelum mereka dapat merespons.

Sekarang, ini semua baik dan bagus sehubungan dengan tarif, tetapi masalahnya adalah, karena ini semua dipublikasikan di ATPCO, tarif adalah hal terbaik berikutnya untuk informasi publik ... semua pesaing Anda dapat melihat apa yang telah Anda miliki masuk ke gudang senjata Anda, sehingga upaya untuk mengaburkan tidak pernah terdengar, seperti tarif penerbitan yang tidak akan pernah benar-benar ditugaskan inventaris apa pun, daftar semua tarif sebagai hari keberangkatan, dll.

Dalam banyak hal, saus rahasia turun ke alokasi inventaris yang sebenarnya, yaitu berapa banyak kursi di setiap penerbangan yang akan Anda jual dengan harga tertentu, dan informasi ini tidak tersedia untuk umum. Anda bisa mendapatkan sedikit informasi dengan mengorek informasi web, tetapi potensi kombinasi waktu / tanggal keberangkatan dan aturan tarif cukup banyak dan dapat dengan cepat meningkat melebihi kemampuan Anda untuk dengan mudah melacak.

Biasanya maskapai hanya akan mau menjual beberapa kursi dengan harga yang sangat rendah dan orang-orang yang merampas mereka harus memesan cukup jauh di muka agar aturan tarif tidak mengunci mereka, atau wisatawan lain hanya memukul mereka sampai tepat. Maskapai penerbangan akan bersedia untuk menjual beberapa kursi lagi untuk tarif yang lebih tinggi, dan seterusnya dan seterusnya. Mereka akan dengan senang hati menjual semua kursi dengan harga tertinggi yang pernah mereka terbitkan, tetapi ini biasanya tidak layak.

Apa yang Anda lihat dengan tarif semakin tinggi semakin dekat dengan hari keberangkatan adalah proses alami untuk mendapatkan kursi murah dipesan lebih jauh, sedangkan inventaris yang tersisa secara bertahap menjadi lebih mahal. Tentu saja, ada beberapa peringatan di sini. Proses RM dikelola secara aktif dan intervensi manusia cukup umum karena tim RM umumnya berusaha untuk memenuhi tujuan pendapatannya dan memaksimalkan pendapatan pada setiap penerbangan. Dengan demikian, penerbangan yang mengisi dengan cepat dapat "diperketat" dengan menutup tarif rendah. Penerbangan yang memesan secara perlahan dapat "dilonggarkan" dengan mengalokasikan lebih banyak kursi untuk menurunkan tarif.

Terdapat saling pengaruh dan persaingan yang konstan antara maskapai di area ini, tetapi Anda tidak mungkin menangkap dinamika yang sebenarnya hanya dari menghapus tarif. Jangan salah paham, kami memiliki alat-alat seperti itu, dan, meskipun memiliki keterbatasan, alat-alat itu cukup berharga, tetapi mereka hanyalah satu sumber data yang dimasukkan ke dalam proses pengambilan keputusan. Anda akan memerlukan akses ke ratusan, jika tidak ribuan keputusan operasional yang dibuat oleh tim RM setiap hari, serta informasi tingkat dunia seperti yang mereka lihat saat itu. Jika Anda tidak dapat menemukan mitra maskapai untuk bekerja sama untuk mendapatkan data ini, Anda mungkin perlu mempertimbangkan sumber data alternatif.

Saya akan merekomendasikan untuk mencari akses ke data tarif O&D dari Panduan Resmi Maskapai Penerbangan (atau salah satu pesaing mereka) dan mencoba menggunakannya untuk analisis Anda. Ini berbasis sampel (sekitar 10% dari semua tiket terjual) dan dikumpulkan pada tingkat yang lebih tinggi daripada yang ideal sehingga pemilihan rute yang cermat sangat penting (saya akan merekomendasikan sesuatu dengan banyak maskapai penerbangan, terbang tanpa henti beberapa kali sehari, dengan pesawat besar), tetapi Anda mungkin bisa mendapatkan gambaran yang lebih baik tentang apa yang sebenarnya dijual (tarif rata-rata) dan berapa banyak yang dijual (load factor), vs. hanya apa yang tersedia untuk dijual pada titik waktu tertentu. Dengan menggunakan informasi itu, Anda mungkin berada dalam posisi yang lebih baik untuk setidaknya menjelajahi hasil dari strategi penetapan harga maskapai, dan membuat kesimpulan dari sana.


Terima kasih atas penjelasan menyeluruh Anda. Saya setuju dengan Anda bahwa analisis tersebut hanya berdasarkan harga sangat terbatas. Ini juga termasuk aturan tarif (tiket yang dapat diuangkan kembali, masa inap minimum, dll.) Beberapa batasan itu dapat diatasi dengan mengumpulkan tarif yang selalu sama untuk membuat perbandingan. Namun, informasi penting - seperti yang Anda sebutkan, kehilangan jumlah kursi yang tersedia (bisa! = Kursi di pesawat) dan jumlah sebenarnya dari tiket yang terjual.
s1x

Akses ke data tersebut sangat terbatas dan jika sudah usang (mis. Databank 1B dari US DOT). Beberapa riset seperti tautan Clark R. dan Vincent N. (2012) Capacity-contingent pricing [...] mencakup data tersebut dan menawarkan wawasan yang jauh lebih baik. Saya menyadari keterbatasan (mudah-mudahan ;-)) dan seperti yang Anda sebutkan ada banyak informasi yang mempengaruhi harga. Masih ketika mengamati pasar tertentu Anda bisa merasakan apa yang terjadi. Anda dapat melihat apakah ada perilaku kompetitif dan pendekatan strategi penetapan harga yang berbeda. Namun, Anda tidak akan pernah bisa menemukan penyebabnya.
s1x

1
@ s1x - Saya setuju dan saya berharap saya memiliki alternatif yang solid untuk ditawarkan, tetapi, seperti yang telah Anda pelajari sendiri, data pendapatan terperinci adalah rahasia yang paling dijaga ketat di maskapai mana pun. Hanya ingin memastikan Anda mengetahui hal itu dan apa yang masuk ke dalam proses pembuatan data. Selain itu, saya menyukai apa yang Anda coba lakukan dan saya pikir jawaban lainnya adalah langkah ke arah yang benar, dari segi teknik. Jika saya menyarankan, Anda juga bisa melihat menggunakan korelasi silang antara berbagai TS Anda selama eksplorasi data, karena sering berharga untuk pola yang membedakan antara TS terkait.
habu

4

Selain analisis data eksplorasi (EDA), baik deskriptif maupun visual, saya akan mencoba menggunakan analisis deret waktu sebagai analisis yang lebih komprehensif dan canggih . Secara khusus, saya akan melakukan analisis regresi deret waktu . Analisis deret waktu adalah ranah penelitian dan praktik besar, jadi, jika Anda tidak terbiasa dengan dasar-dasarnya, saya sarankan mulai dengan artikel Wikipedia yang terhubung di atas, secara bertahap mencari topik yang lebih spesifik dan membaca artikel, makalah, dan buku yang sesuai.

Karena analisis deret waktu merupakan pendekatan yang sangat populer , analisis ini didukung oleh sebagian besar ilmu data komersial open source dan tertutup dan lingkungan statistik (perangkat lunak) , seperti R , Python , SAS , SPSS , dan banyak lainnya. Jika Anda ingin menggunakan R untuk ini, periksa jawaban saya pada analisis deret waktu umum dan pada klasifikasi deret waktu dan pengelompokan . Saya harap ini membantu.


Terima kasih atas jawaban Anda @Alexandr Blekh - sangat dihargai. Aku akan langsung ke itu. Mungkin pertanyaan bodoh, tapi tolong perbaiki saya di sini jika saya salah di sini: analisis korelasi, saat menggunakan satu maskapai penerbangan sebagai variabel untuk dikorelasikan. Hasilnya menarik sejauh ini, karena beberapa maskapai espc. mereka yang memiliki perjanjian codeshare memiliki harga yang sama. Akan seperti korelasi tinggi misalnya: ColumnUA(LH) 0.90435 <.0001 ColumnSQ 0.32544 <.0001 ColumnAF(DL) 0.55336 <.0001 Saya berasumsi hasil tersebut menunjukkan pola harga yang serupa. Dengan analisis regresi, apa yang akan saya temukan?
s1x

@ s1x: Terima kasih kembali (jangan ragu untuk menerima / menerima, jika Anda menghargai jawabannya dan ketika Anda akan mendapatkan reputasi yang cukup untuk melakukannya, tentu saja). Sekarang, lanjutkan ke pertanyaan Anda. Seperti yang saya katakan, analisis TS lebih canggih dan komprehensif. Dalam regresi TS tertentu, menyumbang apa yang disebut autoregresi dan kompleksitas TS lainnya. Oleh karena itu, saran saya untuk menggunakan analisis regresi TS daripada yang tradisional sederhana. Juga, Anda harus selalu mulai dengan EDA, tidak peduli apa pun analisis data yang Anda rencanakan untuk dilakukan (sebenarnya, EDA akan sering mengubah rencana Anda).
Aleksandr Blekh
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.