Cómo tu tiempo de entrega puede hacer o romper el beneficio de una aerolínea

Cuando la realidad no coincide con las expectativas, siempre es desagradable. Es especialmente desagradable si pagas dinero por la realidad esperada: compras un billete de una aerolínea, pero por alguna razón te meten en un avión de una aerolínea completamente diferente. Luego haces una conexión, y te ponen en un avión de alguna tercera aerolínea desconocida. ¿Qué pasa? Después de todo, tienes un billete de la aerolínea, que compraste sólo porque sabes qué esperar de ella, pero todavía vuelas con aviones de aerolíneas completamente diferentes. Parece que has comprado un billete de una aerolínea grande y bien establecida, pero a bordo se muestra que esta aerolínea tiene filiales regionales y sucursales, que no son tan buenas. ¿No se dan cuenta las compañías aéreas de que tales acciones pueden causar que los viajeros cambien completamente sus preferencias?Una experiencia negativa rápidamente construye la habilidad para adoptar un enfoque más minucioso para evaluar posibles alternativas.Los flujos de pasajeros son como un fluido que fluye en mayor volumen donde hay menos obstáculos en su camino. Una disminución en la atractividad de un vuelo de una aerolínea conduce al llamado “embotellamiento” de parte del flujo de pasajeros. Otra aerolínea puede coger el derramamiento ofreciendo una alternativa más atractiva – hacer una captura. Tal modelo se llama el modelo de derramamiento y captura (captura) del flujo de pasajeros y relaciona directamente los beneficios de la aerolínea con experiencias de viajeros positivas. Este artículo se centra en cómo hacer que los vuelos de codeshare sean más atractivos, y hacer un buen beneficio en ello (sin dejar atrás a sus competidores, por supuesto). Distribución del flujo de pasajeros Supongamos que hay una pequeña red de rutas de tres ciudades, compuesta sólo de tres rutas: A → B – los vuelos son operados por A1; B→C — los vuelos son operados por A2 y A3; A→B→C — en el primer segmento, los vuelos son operados por A1, en el segundo por A2 и A3 — esta es la ruta que requiere evaluar la optimidad del acuerdo de codeshare. Los flujos de pasajeros se pueden representar en dos formas, llamándolos H y D: H - tráfico básico de pasajeros entre dos ciudades; D - tráfico de pasajeros compuesto entre dos ciudades. Por ejemplo, en el segmento A→B, la aerolínea A1 puede estimar (observar si es inferior a la capacidad) el flujo de pasajeros D11, que es la suma de dos flujos de pasajeros elementales: En este caso, H1 es el flujo de pasajeros de los viajeros interesados en llegar de A a B, y H3 es el flujo de pasajeros de los viajeros interesados en llegar de A a C. Para el segmento B → C, las cosas son un poco más interesantes: En este caso, las aerolíneas A2 y A3 comparten el tráfico de pasajeros H2 - los viajeros que van de B a C, y el tráfico de pasajeros H3 - los viajeros que van de A a C y se conectan en el aeropuerto de la ciudad B. El parámetro α también puede interpretarse como la probabilidad de hacer una compra de billete en un vuelo de una aerolínea en particular, por lo tanto: α depende de la atractividad de los vuelos y se determina por la función de utilidad U(R), donde R es un vector de parámetros de vuelo, en base al cual los viajeros deciden comprar un billete. Por lo general, las funciones exponenciadas se utilizan como la función de utilidad y se convierten en probabilidades utilizando funciones soft-max. ¿es esta una buena manera de hacerlo? Es común y simple. Al mismo tiempo, las funciones sigmoides y la función de distribución de Dirichlet se ajustan mucho mejor al paradigma de votación. Por ejemplo, si hubiera una encuesta de viajeros donde tuviese que evaluar cada parámetro de vuelo en una escala de 10 puntos, sería la beta y las distribuciones de Dirichlet que procesarían los resultados. Esto es más complicado, pero produce más resultados. Impacto de los acuerdos de codeshare en la atractividad de la ruta Los vuelos codeshare son atractivos para los viajeros porque permiten a los pasajeros: Acumule millas de bonificación participando en el programa de lealtad de la aerolínea, incluso si el vuelo es operado por otra aerolínea. Reservar billetes de avión para vuelos con conexiones convenientes, eligiendo la opción más adecuada entre las ofertas de las diferentes compañías aéreas. Recibir asistencia y apoyo de la compañía aérea durante el vuelo independientemente de la compañía de la que se haya comprado el billete. Sin embargo, la principal razón por la que los vuelos de codeshare son atractivos es que aumentan el número de rutas - es mucho más fácil elegir una ruta preparada que crearla usted mismo.Algunas compañías aéreas son bien conscientes de que la atractividad de los vuelos de codeshare se puede aumentar aún más - por ejemplo, por factores de tiempo convenientes, por lo que coordinan sus horarios. Por supuesto, los vuelos de codeshare también pueden ser poco atractivos por una serie de razones: niveles de servicio inadecuados; diferentes reglas de equipaje y transporte; la posibilidad de problemas de equipaje durante las conexiones. Aumentar la atractividad de un vuelo de codeshare puede aumentar el tráfico de pasajeros: En teoría, los vuelos de codeshare pueden aumentar el tráfico total de pasajeros, pero en una medida mucho mayor, simplemente aumentan la demanda. La adición de un vuelo de codeshare pone a los viajeros H3 frente a tres alternativas: Vuela de A a C en un vuelo de codeshare con un mínimo de inconvenientes. Vuela de A a C a través de B con una conexión conveniente a un vuelo de la aerolínea A2. Vuela de A a C a través de B con una conexión incómoda en el vuelo de la aerolínea A3. Supongamos que esto es el caso, entonces H3 puede ser representado como la siguiente suma: donde H(ch)3 — son viajeros que eligieron un vuelo de codeshare, y H(rem)3 — son viajeros que han elegido una ruta de auto-transferencia. Luego, la redistribución completa de todos los flujos entre las aerolíneas se puede escribir de la siguiente forma: El hecho de que la atractividad de las rutas puede cambiar los flujos de pasajeros enteros puede parecer bastante extraño. Sin embargo, es importante entender que estamos hablando de partes de los flujos de pasajeros, es decir, segmentos individuales de viajeros que evalúan y clasifican posibles alternativas de manera diferente. La demanda muestra cómo el precio afecta al número de entradas compradas.La atractividad, por otro lado, muestra cómo este número está influenciado por otros factores.La atractividad a menudo es fija, por ejemplo, para los vuelos programados que no pueden cambiar su hora de llegada o salida.Una vez que se agrega un vuelo conjunto con otra aerolínea a un vuelo de este tipo, el tiempo de conexión puede cambiar, lo que significa que una parte de los viajeros se guiará por más que solo por el precio al comprar un billete. Jugar y capturar Hemos obtenido una expresión que describe el cambio proporcional en los volúmenes de pasajeros entre aerolíneas. Queda por descubrir cómo calcular las proporciones basadas en α. Esto puede parecer muy complicado —en este caso siempre recurrimos a aproximaciones simples. Tenemos los datos. Podemos crear modelos de datos. En esencia, simplemente estamos hablando de lo que “sabemos cómo hacer en ML (Aprendizaje de Máquina)”. En primer lugar, necesitamos especificar los volúmenes aleatorios de pasajeros compuestos por compradores potenciales, es decir, cualquier persona que esté de alguna manera interesada en comprar un billete en algunas de las rutas en consideración. H1 a Poisson(λ1) H2 ± Poisson(λ2) H3 Poisson(λ3) Let us consider how the bottling and capturing of passenger traffic occurs using the example of H3, because this passenger traffic is divided among three airlines. Different levels of flight attractiveness generate different levels of attention in different passenger price segments. For example, a codeshare flight will be the most attractive, but for the same reason it will be the most expensive. Meaning that it will be of interest to those who are willing to pay more than usual for a ticket. Deje que la atractividad se determine por dos factores: codeshare y tiempo de conexión. Supongamos que t(2) el tiempo de transferencia para el vuelo A2 es mucho más cercano a t∗ que t(3) – el tiempo de transferencia para el vuelo A3. Ahora podemos determinar la atractividad (utilidad de los dos vuelos) a través de una simple función en forma de campana. Δt∗=t∗−t=0 - diferencia mínima del tiempo de transferencia ideal. Δt∗=t∗−t>0 — tienes que tener prisa. Δt∗=t∗−t<0 — tienes que esperar. Expresemos las atracciones a través de las funciones de utilidad: u2=U(Δt2) y u3=U(Δt3), donde U puede ser cualquier función unimodal: en nuestro caso U es una función gaussiana. La atractividad de los vuelos A2 y A3 se puede mostrar de la siguiente manera: numpy como np de scipy.stats norma de importación, gamma, poisson, binom, uniforme, bernoulli importación matplotlib.pyplot como plt de pylab importación rcParams rcParams['figure.figsize'] = 7, 4 rcParams['figure.dpi'] = 140 %config InlineBackend.figure_format = 'png' importación seaborn como sns.set() dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, escala=1.4) plt.plot(dt, u, ‘C0’) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, escala=1.4) plt.plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') plt.vlines(dt_2, 0, u_2, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, escala=1.4) plt.plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'{u_3:.2f}') plt.vlines(dt_3, 0, u_3, color='C3') plt.title('Atractividad (utilidad) de vuelos\n' + r' de aerolíneas $A_{2}$ y $A_{3}$') plt.xlabel(r'$\Delta t$ (hora)') plt.ylabel('u', rotación=0) plt.legend() plt.show() Si la aerolínea A1 entra en un acuerdo de codeshare con A2, entonces, en términos de tiempo de transferencia, la atractividad del vuelo de codeshare será la misma que la de A2, ya que el tiempo de transferencia ideal - t ∗, en relación con el cual se calculan todos los deltas, no ha cambiado de ninguna manera. Sin embargo, los vuelos de codeshare ofrecen una serie de ventajas: no hay necesidad de volver a revisar el equipaje, no hay necesidad de volver a revisar, y para los vuelos internacionales, quedarse en una zona clara significa no tener control adicional de pasaportes. La atractividad de un vuelo de codeshare aumenta debido al hecho de que el viajero tiene menos riesgo de cumplir con el Δt2, y también hay tiempo adicional para estirar sus piernas y descansar del vuelo. El tiempo de conexión ideal debe tener en cuenta varios factores: Tiempo mínimo de conexión: el tiempo necesario para transferir con éxito pasajeros y equipaje de un vuelo a otro en el aeropuerto. Tiempo de comodidad adicional: necesario para reducir los riesgos de correr al check-in para otro vuelo. Tiempo promedio de retrasos de vuelos - hay estadísticas especiales para cada aerolínea. El tiempo de conexión ideal para un vuelo de codeshare disminuirá al menos debido al hecho de que los riesgos de que el pasajero se retrase en el vuelo durante la conexión son asumidos por la compañía aérea - ahora garantiza que incluso si el viajero se retarda, todavía se pondrán en el próximo vuelo. Suponiendo que t∗ch<t∗, esto simplemente hace que el gráfico de la función de utilidad para el vuelo de codeshare A1 se desplace a la derecha: dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, escala=1.4) plt.plot(dt, u, 'C0', label=r'$t^{*} - t$) dt = np.linspace(-5, 5, 300) u_ch = norm.pdf(dt, loc=0.8, escala=1.4) plt.plot(dt, u_ch, 'C0--', label=r'$t^{*}_{ch} - t$') dt_1 = 1.15 u_1 = norm.pdf(dt_1, loc=0.8, escala=1.4) plt.plot(dt_1, u_1, 'C1o', label=r'$u_{1} =$' + f'{u_1:.2f}) plt.vlines(dt_1, 0, u_1, color='C1', lw=4, alfa=0.5) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, escala=1.4) plt.plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') plt.vlines(dt_2, 0, u_2, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, escala=1.4) plt.plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'{u_3:.2f}') plt.vlines(dt_3, 0, u_3, color='C3') plt.title('Atractividad (utilidad) de vuelos\n' + r' de aerolíneas $A_{2}$ y $A_{3}$') plt.xlabel(r'$\Delta t$ (hora)') plt.ylabel('u', rotación=0) plt.legend() plt.show() Si antes la diferencia del tiempo de conexión ideal era de aproximadamente 1 hora y 10 minutos, para un vuelo de codeshare esta diferencia será solo de 20 minutos. Naturalmente, la aproximación al tiempo de conexión ideal no es el único factor que afecta a la atractividad (utilidad) de un vuelo. El tiempo de transferencia se toma sólo con fines ilustrativos. En realidad, el cálculo de la atractividad depende de muchos más factores y se realiza por herramientas de ML. Ahora necesitamos comprender cómo estos tres valores dividen el tráfico de pasajeros en segmentos de precios – estamos hablando claramente de algunas fracciones. Para determinar estas fracciones, necesitamos un perfil de demanda potencial. Asumamos que para cada uno de los flujos de pasajeros se ve como sigue: precios_1 = np.linspace(100, 300, 1000) rvdem_1 = gama(a=12, loc=100, escala=8) profile_1 = rvdem_1.pdf(prices_1) plt.plot(prices_1, profile_1, label=r'$H_{1}$') precios_2 = np.linspace(60, 200, 1000) rvdem_2 = gama(a=8, loc=60, escala=7) profile_2 = rvdem_2.pdf(prices_2) plt.plot(prices_2, profile_2, label=r'$H_{2}$') precios_3 = np.linspace(240, 500, 1000) rvdem_3 = gama(a=10, loc=230, escala=12) profile_3 = rvdem_3.pdf(prices_3) plt.plot(prices_3, profile_3, label=r'$H_{1}$') plt.legend() plt.xlabel('Precio (c.u.)') plt.title('Profiles de demanda de flujo de pasajeros'); La existencia de un perfil de demanda indica que existe una representación fiable de a qué precios la probabilidad de comprar un billete es diferente de 0 o 1 y cómo depende del precio. Debe notarse inmediatamente que la existencia de tales perfiles de precios no permite una demostración racional de prácticas antiguas o suboptimales. En primer lugar, una vez que uno está familiarizado con los métodos ML, es bastante difícil imaginar cómo uno podría hacer cualquier cosa de forma diferente, mucho menos hacerlo peor. En segundo lugar, hay al menos varias metodologías para "predecir" el número de billetes vendidos a algún precio. Las compañías aéreas diferentes pueden usar diferentes. Algunas, generalmente pequeñas compañías aéreas pueden depender enteramente de la intuición. Los diferentes grados de atractividad de las alternativas deben de alguna manera dividir los flujos de pasajeros entre las aerolíneas, y ahora tenemos todo lo que necesitamos para calcular la α para cada una de ellas: El flujo H1 entre las aerolíneas no se comparte. Solo los flujos H2 y H3 se dividen, y la división depende de la atractividad de los vuelos, lo que afecta a la probabilidad de elección. fig, ax = plt.subplots(1, 3, figsize=(12, 3)) dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, escala=1.4) ax[0].plot(dt, u, 'C0') dt = np.linspace(-5, 5, 300) u_ch = norm.pdf(dt, loc=0.8, escala=1.4) ax[0].plot(dt, u_ch, 'C0--') ax[1].plot(dt, u_ch, 'C0--') ax dt_1 = 1.15 u_1 = norm.pdf(dt_1, loc=0.8, escala=1.4) ax[0].plot(dt_1, u_1, 'C1o', label=r'$u_{1} =$' + f'{u_1:.2f}') ax[0].vlines(dt_1, 0, u_1, color='C1', lw=4, alfa=0.5) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, escala=1.4) ax[0].plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') ax[0].vlines(dt_2, 0, u_2, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, escala=1.4) ax[0].plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'{u_3:.2f}') ax[0].vlines(dt_3, 0, u_3, color='C3') ax[0].legend(loc=3) ax[0].set_title('Atractividad para $H_3$\n(codeshare $A_{1}$ y $A_{2}$)') ax[0].set_xlabel(r'$\Delta t$ (hora)')') ax[1].plot(dt, u, 'C0') dt_1 = 2.5 u_1 = norm.pdf(dt_1, loc=0.8, escala=1.4) ax[1].plot(dt_1, u_1, 'C1o', label=r'$u_{1} =$' + f'{u_1:.2f}') ax[1].vlines(dt_1, 0, u_1, color='C1', lw=4, alfa=0.5) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, escala=1.4) ax[1].plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') ax[1].vlines(dt_2, 0, u_2, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, escala=1.4) ax[1].plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'{u_3:.2f}') ax[1].vlines(dt_3, 0, u_3, color='C3') ax[1].legend(loc=3) ax[1].set_title('Atractividad para $H_3$\n(codeshare $A_{1}$ y $A_{3}$)') ax[1].set_xlabel(r'$\Delta t$ (hora)')') dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, escala=2.6) plt.plot(dt, u, ‘C0’) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, escala=2.6) ax[2].plot(dt_2, u_2, 'C2o', label=r'$u_{2} =$' + f'{u_2:.2f}') ax[2].vlines(dt_2, 0, u_2, color='C2') dt_3 = 2.5 u_3 = norm.pdf(dt_3, loc=0, escala=2.6) ax[2].plot(dt_3, u_3, 'C3o', label=r'$u_{3} =$' + f'u_3:.2f} ax[2].vlines(dt_3, 0, u_3, color='C3') ax[2].legend(loc=3) ax[2].set_title('Atractividad para $H_2$') ax[2].set_xlabel(r'$\Delta t$ (hora)'); La forma más sencilla de convertir utilidades en probabilidades es multiplicar cada uno de los valores por algún factor para que la suma resultante sea igual a 1: Por ejemplo, si A1 entra en un acuerdo de codeshare con A2, las probabilidades de elegir uno u otro vuelo son las siguientes: u = np.array([0.28, 0.20, 0.06]) impreso(u / u.sum()) [0.51851852 0.37037037 0.11111111] P3(Choice=A1 A1Seg=1) = 0.52 P3(Choice=A2 A2Seg=1) = 0,37 P3 (Choice=A3 A3 Seg=1) = 0.11 However, the choice is influenced not only by preference, but also by the amount of money available to make it. Knowing the demand profiles, we can determine the probability of buying a ticket at a particular price. Let the prices be as follows: Precio (1) 1 = 190 Precio (1) 3 = 370 Precio (2) 2 = 135 Precio(3) 2 = 115 Entonces, la probabilidad de comprar un billete a algún precio se puede definir de la siguiente manera: Por ejemplo, la probabilidad de que un billete para un vuelo de codeshare sea comprado a 370 c.u. será igual a 0,27: rvdem_3 = gamma(a=10, loc=230, escala=12) impresión(rvdem_3.sf(370)) 0.2727250812333501 Los viajeros que pueden permitirse un billete a este precio ven tres alternativas delante de ellos. Sin embargo, si una persona puede permitirse el máximo confort, eso no significa que él o ella necesariamente lo usará. La disponibilidad de alternativas más baratas permite ahorrar dinero – por eso calculamos la atractividad de las alternativas y determinamos las probabilidades de elección en función de ellas. Las probabilidades resultantes de elegir un vuelo en particular para tales pasajeros serán iguales: P3(Choice=A1|Seg=1)=0.14; P3(Choice=A2 A2Seg=1) = 0,1 P3 (Choice=A3 A3 Seg=1) = 0.03. El resultado no parece tan impresionante, porque la probabilidad final de comprar un billete para el vuelo más cómodo no es tan alta. ¿Qué sucede a aquellos que no pueden permitirse comprar un billete de este tipo?Si el importe de los medios del pasajero cae dentro del intervalo: En este caso, tendrá dos alternativas a su disposición: elegir un vuelo con una conexión conveniente o larga. P3 (Choice=A2 A2 Seg=2) = 0,77 P3 (Choice=A3 A3 Seg=2) = 0,23. u = np.array([0.20, 0.06]) Imprimir(u / u.sum()) [0.76923077 0.23076923] La probabilidad de comprar un billete en este caso será: rvdem_3 = gama(a=10, lugar=230, escala=12) impresión(rvdem_3.sf(325)- rvdem_3.sf(370)) 0.4541835759677653 Entonces las probabilidades de elección resultantes para tales viajeros son las siguientes: P3 (Choice=A2 A2 Seg=2) = 0,35 P3 (Choice=A3 A3 Seg=2) = 0,1. Los viajeros cuya cantidad de dinero está en el rango [305,325] solo pueden pagar el vuelo A3. La probabilidad de comprar un billete al precio 305 para este segmento es: rvdem_3 = gama(a=10, lugar=230, escala=12) impresión(rvdem_3.sf(305)- rvdem_3.sf(325)) 0.17088396696109864 En última instancia, las probabilidades de comprar un billete para un vuelo en particular se expresarán como una suma simple: Transporte de pasajeros H3 se dividirán entre las compañías aéreas de la siguiente manera: P3 (Elegir = A1) = 0,14 P3 (Elegir = A2) = 0,1 + 0,35 = 0,45 P3(Choice=A3)=0.03 +0.1 +0.17 =0.3 La probabilidad P(Buy=0) de que el billete no sea comprado en absoluto es de 0,1, lo que en suma con las probabilidades de elección anteriores da 1. Habiendo hecho lo mismo para el flujo de pasajeros H2, obtenemos lo siguiente: P2 (Elección = A2) = 0,1 P2 (Elegir = A3) = 0,38. El tráfico de pasajeros H1 aunque no se comparte entre las aerolíneas, pero debido al precio de 190 ue alguna parte de él se derramará, por lo que todavía podemos introducir la probabilidad de elección de vuelo P1(Choice=A1), que se determinará por el precio (la probabilidad de comprar un billete a este precio): rvdem_1 = gamma(a=12, loc=100, escala=8) impresión(rvdem_1.sf(190)) 0.5494501693973257 Sería posible describir en detalle todos los valores de α, pero dado que ya hemos obtenido valores específicos de fracciones, escribiremos todo en una forma más corta: Para una aerolínea, optimizar los acuerdos de codeshare es un problema de embalaje de mochilas con una variable binaria igual a uno o cero cuando se elige compartir un vuelo potencial o no. Los principales problemas comienzan cuando se estima el valor de los artículos almacenados en la mochila. En el caso simple, una aerolínea puede decidir que depende de la marca: si es atractiva, entonces un vuelo de codeshare también será atractivo. En este enfoque ingenuo, el valor del artículo almacenado en la mochila simplemente aumenta en proporción a algún factor. Un enfoque más desarrollado es utilizar múltiples criterios de atractividad para seleccionar un artículo. Cada artículo es una ruta que tiene tiempos de salida y llegada, así como conexiones que pueden variar tanto en duración como en tipo. Por lo tanto, el elegir un artículo cambia el valor de todos los demás, tanto los que ya están en la mochila como los que aún no están empacados. Esto significa que todos los α deben calcularse cada vez que se selecciona un artículo. Sin embargo, multiplicando todos los H por los precios correspondientes, se pueden obtener estimaciones bastante razonables de ingresos, y lo más importante, se puede averiguar con quién y en qué términos entrar en un acuerdo. El método es bastante crudo, pero hay que señalar que vincula las preferencias de los viajeros a la redistribución del tráfico de pasajeros. Delta Airlines, uno de los pioneros en la optimización de los acuerdos de codeshare, informó que esta evaluación de las rutas conjuntas proporcionó hasta 50 millones de dólares en ingresos anuales adicionales. Esto no solo fue uno de los resultados más destacados para los años 2000, sino también una prueba directa de la importancia de las preferencias de los viajeros. Air Canada más tarde mostró que este método proporcionó hasta un 80% más de ingresos semanales que el método ingenuo que sólo considera la influencia de la marca. Este método es malo en que divide el problema en dos partes: primero necesitamos clasificar las alternativas y calcular las acciones óptimas de H, y luego recordar que todos los H son aleatorios y calcular las cuotas óptimas por separado. Modelado y optimización Airline A1 needs to find not only the best prices but also quotas: w(1)3 — number of seats reserved for codesharing, and w(1)1 — is the number of seats for those traveling from A to B. If we denote by V the capacity of the airplane, then a simple condition for quotas is satisfied: w(1)1+w(1)3⩽V(1) — the same as for the number of tickets sold q(1)1+q(2)3+q(3)3⩽w(1)1 и q(1)3⩽w(1)3. Normalmente, la función de destino es gratuita y consiste únicamente en aumentar los ingresos generados por la selección de un vuelo conjunto. Sin embargo, además de los ingresos, también hay costes que tienen un impacto significativo en la rentabilidad de los vuelos. Cfix — fixed costs, e.g.: crew pay, airport charges for parking, takeoff and landing, aviation security. Cvar — variable costs, which depend on the number of passengers, for example: fees for the provision of airport terminal complex, baggage handling. This would also include kerosene costs, since its quantity also depends on the number of passengers and luggage, but for simplicity we will refer it to Cfix. Пусть Cvar=cvarQ, for example, cvar may be equal to 25 c.u., the value of which is simply multiplied by the number of passengers — Q. Precio(2)ch — costo de los asientos comprados de la aerolínea operadora para un vuelo de codeshare. Entonces el beneficio medio A1 será la siguiente función: Los beneficios de la segunda aerolínea: Se podría pensar que si A1 entra en un acuerdo con A2, entonces los beneficios de A3 no deben ser de preocupación. De hecho, el intercambio de códigos tiene una consecuencia muy interesante: presión competitiva. Sabemos que Hj∼Poisson(λj). sabiendo que Pj(Choice=Ai), podríamos registrar el número de boletos comprados q(i)j como: Incluso para los pequeños valores de Hj, es una práctica estándar, pero los viajeros de H1 y H3 son una mezcla aleatoria - no hay tal cosa como la primera venta de boletos sólo para los de H1 y luego la venta de los asientos restantes sólo para los de H3. También debe tenerse en cuenta que si los aeropuertos A y B están separados por un número significativo de zonas horarias, la mezcla de H2 y H3 tendrá una composición diferente dependiente del tiempo. Por ejemplo, si A3 reduce significativamente el precio por la noche, entonces esta reducción puede ser vista primero por los pasajeros de H3 porque pueden tener el día en lugar de la noche. Es importante recordar que los datos siempre vienen primero. Incluso si escribimos Hj∼Poisson(λj) es una aproximación extremadamente cruda tomada sólo por el motivo del ejemplo. En lugar de la distribución de Poisson, siempre hay una distribución condicional muy compleja, que es lo que se deriva de los datos. La mezcla de los flujos de pasajeros, la capacidad limitada de los aviones, las cuotas y muchos otros matices hacen imposible derivar analíticamente la distribución del número de entradas vendidas. Antes de modelar algo, es necesario definir los parámetros básicos del problema. Supongamos que la ruta A → B → C es la ruta Vladivostok-Moscú-Sochi: VVO → SVO → AER. Los vuelos serán operados por los siguientes aviones: VVO→SVO — es operado por la aerolínea A1 en aviones A350 con una capacidad de V=325. SVO→AER — es operado por la aerolínea A2 en aviones A320 con una capacidad de V=180. SVO→AER — es operado por la aerolínea A3 na en aviones Boeing 737 con una capacidad de V=190. Los costes fijos serán los siguientes: C(1) fijo — 48360 c.u.; C(2)fix — 10270 c.u.; C(2) fijo — 9890 c.u. Los costos variables: c(1)var — 6.8 c.u. / passenger. c(2)var — 5.4 c.u. / pasajero. c(2)var — 5.1 c.u. / pasajero. Supongamos que los flujos de pasajeros se distribuyan de la siguiente manera: H1−Poisson (λ1=370 ) H2 ~ Poisson (λ2 = 350) H3 ~ Poisson (λ3 = 110) def prob_in_trafic(precios): precio_1, precio_2, precio_3 = precios rvdem_1 = gama(a=12, loc=100, escala=8) rvdem_2 = gama(a=8, loc=60, escala=7) rvdem_3 = gama(a=10, loc=230, escala=12) pb_11 = rvdem_1.sf(precio_1) pb_10 = 1 - pb_11 ph\_1 = \[pb\_10, pb\_11] uh\_2 = np.array(\[0.14, 0.1\]) pseg\_2 = uh\_2 / uh\_2.sum() si precio\_2 > precio\_3: pbp\_22 = rvdem\_2.sf(precio\_2) pbp\_23 = rvdem\_2.sf(precio\_3) - rvdem\_2.sf(precio\_2) pb\_22 = pbp\_22 \* pseg\_2\[0] pb\23 = pbp\_22 \* pseg\_2\[1\] + pbp\_23 otro: pbp\_22 = rvdem\_2.sf(precio\2) pbp\_23 = rv\dem_2.sf(precio_3) pb_22 = pbp\22 pb_22 pb_23 = 0 pb\_20 = 1 - pb\_22 - pb\_23 pb\_2 = pb\20, pb\22, pb\_23 uh\_3 = np.array(\[0.2, 0.06\]) pseg\_3 = uh\_3 / uh\_3.sum() si (precio\_1 + precio\_2) > (precio\_1 + precio\_3): pbp\_32 = rvdem\_3.sf(precio\_1 + precio\_2) pbp\_33 = rvdem\_3.sf(precio\_1 + precio\_3) - rvdem\_3.sf(precio\_1 + precio\_2) pbp\32 = pbp\32 = pbp\3\0\33 = pbp\3\32 = pbp\3\1\3\3\1\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3\3 pb\_30 = 1 - pb\_32 - pb\_33                            Devuelve ph\_1, ph\_2, ph\_3 def sales(P): h_1 = poisson.rvs(mu=370) h_2 = poisson.rvs(mu=350) h_3 = poisson.rvs(mu=110) h\_all = np.sum(\[h\_1, h\_2, h\_3\) p\_in\_h = np.array(\[h\_1, h\_2, h\_3\) / h\_all v\_1, v\_2, v\_3 = 325, 180, 190 q\_1, q\_2, q\_3 = 0, 0, 0 para iter en rango(h\_all): pas\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) si pas\_in\_h == 1: si np.random.choice(\[[0, 1\], p=P\[0\]): si q\1 < v\_1: q\_1 += 1 if pass\\\_in\\\_h == 2: a\\\_i = np.random.choice(\\\[0, 2, 3\\\], p=P\\\[1\\\]) if a\\\_i == 2: if q\\\_2 < v\\\_2: q\\\_2 += 1 if a\\\_i == 3: if q\\\_3 < v\\\_3: q\\\_3 += 1 if pass\\\_in\\\_h == 3: a\\\_i = np.random.choice(\\\[0, 2, 3\\\], p=P\\\[2\\\]) if a\\\_i == 2: if q\\\_2 < v\\\_2: q\\\_2 += 1 if q\\\_1 < v\\\_1: q\\\_1 += 1 if a\\\_i == 3: if q\\\_3 < v\\\_3: q\\\_3 += 1 if q\\\_1 < v\\\_1: q\\\_1 += 1 Devuelve q\_1, q\_2, q\_3 def profit_a(precios, Q): profit_1 = Q[0] * precios[0] - Q[0] * 6.8 - 48360 profit_2 = Q[1] * precios[1] - Q[1] * 5.4 - 10270 profit_3 = Q[2] * precios[2] - Q[2] * 5.1 - 9890 retorno profit_1, profit_2, profit_3 def e_profit(precios, n_iter): P = prob_in_trafic(precios) retorno np.mean([profit_a(precios, ventas(P)) para _ en rango(n_iter)], eje = 0) Ahora podemos comenzar a modelar y optimizar.Las preguntas surgen: ¿qué y cómo optimizar? ¿Qué y qué comparar para ver si hay un aumento en el beneficio? Ideally, every airline wants to increase its profit, but changes in the price of one airline’s tickets affect all passenger traffic. These changes are noticed by other airlines and they too change the price, which again leads to changes in passenger flows. This means that profit gains cannot be achieved by applying the optimization method just once. Thus, there is only one requirement for the method — it must show a non-negative profit increase for all parameters. Supongamos que ninguna aerolínea ha celebrado acuerdos de codeshare y consideremos que los siguientes precios son óptimos: Price(1)1=185; Precio (2) 2 = 114 Precio(3) 2 = 110 Entonces la distribución de sus beneficios será la siguiente: precios = [185, 114, 110] q_data = [] profit_data = [] P = prob_in_trafic(precios) para i en el rango(1000): Q = ventas(P) q_data.append(Q) profit_data.append(profit_a(precios, Q)) q_data = np.array(q_data) profit_data = np.array(profit_data) fig, ax = plt.subplots(1, 3, figsize=(12, 3.5) sns.kdeplot(profit_data[:, 0], ax=ax[0]) e_pa_1 = np.mean(profit_data[:, 0]) ax[0].axvline(e_pa_1, color='C3', label=f'e_pa_1:.0f} c.u.') ax[0].legend() ax[0].set_title(r'$A_{1}$') ax[0].set_xlabel('Profit (c.u.)') sns.kdeplot(profit_data[:], 1], ax=ax[1]) e_pa_2 = np.mean(profit_data[:, 1]) ax[1].axvline(e_pa_2, color='C3', label=f'e_pa_2:.0f} c.u.') ax[1].legend() ax[1].set_title(r'$A_{2}$') ax[1].set_xlabel('Profit (c.u.)')') sns.kdeplot(profit_data[:, 2], ax=ax[2]) e_pa_3 = np.mean(profit_data[:, 2]) ax[2].axvline(e_pa_3, color='C3', label=f'e_pa_3:.0f} c.u.') ax[2].legend(loc='upper left') ax[2].set_title(r'$A_{3}$') ax[2].set_xlabel('Profit (c.u.)') plt.suptitle('Distribución de beneficios de aerolíneas') plt.tight_layout(); Para la aerolínea A3, el precio claramente no es el mejor precio. Sin embargo, ahora estamos interesados en exactamente cómo el beneficio promedio de las aerolíneas A2 y A3 cambiará si entran en un acuerdo de codeshare entre sí. def prob_in_trafic_ch(prices): price_1, price_2, price_3, price_ch = prices[:-1] rvdem_1 = gamma(a=12, loc=100, scale=8) rvdem_2 = gamma(a=8, loc=60, scale=7) rvdem_3 = gamma(a=10, loc=230, scale=12) pb\_11 = rvdem\_1.sf(precio\_1) pb\_10 = 1 - pb\_11 ph\_1 = \[pb\_10, pb\_11] uh\_2 = np.array(\[0.14, 0.1\]) pseg\_2 = uh\_2 / uh\_2.sum() si precio\_2 > precio\_3: pbp\_22 = rvdem\_2.sf(precio\_2) pbp\_23 = rvdem\_2.sf(precio\_3) - rvdem\_2.sf(precio\_2) pb\_22 = pbp\_22 \* pseg\_2\[0] pb\23 = pbp\_22 \* pseg\_2\[1\] + pbp\_23 otro: pbp\_22 = rvdem\_2.sf(precio\2) pbp\_23 = rv\dem_2.sf(precio_3) pb_22 = pbp\22 pb_22 pb_23 = 0 pb\_20 = 1 - pb\_22 - pb\_23 ph\_2 = \[pb\_20, pb\_22, pb\_23\] u\_3\_ch = np.array(\[0.28, 0.2, 0.06\]) pseg\_3\_ch = uh\_3\_ch.sum() u\_3 = np.array(\[0.2, 0.06\]) pseg\_3 = uh\_3 / uh\_3.sum() si precio\_ch > (precio\_1 + precio\_2) > (precio\_1 + precio\_3): pbp\_31 = rvdem\_3.sf(precio\_ch) pbp\_32 = rvdem\_3.sf(precio\_1 + precio\__2) pbp\_31 = pbp\33 = pbp\33 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\31 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\33 = pbp\ pb\_30 = 1 - pb\_31 - pb\_32 - pb\_33 pb\_3 = pb\33, pb\31, pb\32, pb\33 Devuelve ph\_1, ph\_2, ph\_3 def sales_ch(P, w_1): h_1 = poisson.rvs(mu=370) h_2 = poisson.rvs(mu=350) h_3 = poisson.rvs(mu=110) h\_all = np.sum(\[h\_1, h\_2, h\_3\) p\_in\_h = np.array(\[h\_1, h\_2, h\_3\) / h\_all v\_1, v\_2, v\_3 = 325, 180, 190 q\_1, q\_1\_ch, q\_2, q\_3 = 0, 0, 0, 0 para iter en rango(h\_all): pase\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) si pase\_in\_h == 1: si np.random.choice(\[0, 1\), p=P\[0\]): si q\_1 < v\_1 - w\_1: q\_1 += 1 if pass\\\_in\\\_h == 2: a\\\_i = np.random.choice(\\\[0, 2, 3\\\], p=P\\\[1\\\]) if a\\\_i == 2: if q\\\_2 < v\\\_2 - w\\\_1: q\\\_2 += 1 if a\\\_i == 3: if q\\\_3 < v\\\_3: q\\\_3 += 1 if pass\\\_in\\\_h == 3: a\\\_i = np.random.choice(\\\[0, 1, 2, 3\\\], p=P\\\[2\\\]) if a\\\_i == 1: if q\\\_1\\\_ch < w\\\_1: q\\\_1\\\_ch += 1 if a\\\_i == 2: if q\\\_2 < v\\\_2 - w\\\_1: q\\\_2 += 1 if q\\\_1 < v\\\_1 - w\\\_1: q\\\_1 += 1 if a\\\_i == 3: if q\\\_3 < v\\\_3: q\\\_3 += 1 if q\\\_1 < v\\\_1 - w\\\_1: q\\\_1 += 1 devolver q\_1, q\_1\_ch, q\_2, q\_3 def profit_a_ch(precios, Q, w_1): profit_1 = (Q[0] * precios[0] + Q[1] * precios[-2]) - (Q[0] + Q[1]) * 6.8 - w_1 * precios[-1] - 48360 profit_2 = (Q[2] * precios[1] + w_1 * precios[-1]) - (Q[2] + Q[1]) * 5.4 - 10270 profit_3 = Q[3] * precios[2] - Q[3] * 5.1 - 9890 retorno profit_1, profit_2, profit_3 def e_profit_ch(precios, w_1, n_iter): P = prob_in_trafic_ch(precios) retorna np.mean([profit_a_ch(precios, sales_ch(P, w_1), w_1) para _ en rango(n_iter)], eje = 0) Veamos todos los valores de beneficio A1 y A2 que son simultáneamente mayores que cero: En el caso de que se produzca una pérdida de tiempo, se debe realizar una pérdida de tiempo en el caso de que se produzca una pérdida de tiempo en el caso de que se produzca una pérdida de tiempo en el caso de que se produzca una pérdida de tiempo en el caso de que se produzca una pérdida de tiempo en el caso de que se produzca una pérdida de tiempo en el caso de que se produzca una pérdida de tiempo. x = np.linspace(0, 17500) y_1 = -x + 20000 y_2 = -0.8 * x + 20000 plt.plot(x, y_1, 'C3', label='Indiferencia') plt.plot(x, y_2, 'C2', label='Interés') plt.xlabel(r'$A_{2}$ beneficio (c.u)') plt.ylabel(r'$A_{1}$ beneficio (c.u)') plt.title('Scatter de valores de beneficio positivos de dos aerolíneas') La leyenda ( Página de presentación() Si este conjunto era simétrico, entonces el punto del conjunto que está más cerca de la línea cortando segmentos iguales de los ejes de coordenadas podría ser tomado como el punto óptimo. Este enfoque se llama un enfoque indiferente. Un conjunto eficiente casi nunca es simétrico, por lo que los participantes tienen un interés en asegurarse de que la asimetría se tenga en cuenta cuando se toma una decisión conjunta. En este caso, el punto más cercano a la línea por encima del conjunto y paralelo a la línea que pasa a través de los puntos de interés máximo se toma como el punto óptimo (0,Profit 1) y (Profit 2,0). La construcción de tal conjunto para un problema en forma estocástica siempre requiere investigación y aproximación - no se puede construir analíticamente. Deje que los puntos de interés máximo sean los siguientes: (0, 12000) y (17500, 0). Como una línea paralela a otra línea que pasa a través de los puntos de interés máximo, tomemos la línea con la ecuación y=−0.8x+20000. Entonces los precios óptimos tomarán los siguientes valores: Precio (1) 1 = 185 Precio (2) 2 = 114 Precio (1)ch = 345; Precio (2)ch = 120; en el (1) 3 -29. Después de la introducción del vuelo de codeshare, las distribuciones de ganancias se verán así: precios_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) q_ch_data = [] beneficio_ch_data = [] para i en el rango(1000): Q = sales_ch(P, w_opt) q_ch_data.append(Q) profit_ch_data.append(profit_a_ch(prices_opt, Q, w_opt)) q_ch_data = np.array(q_ch_data) profit_ch_data = np.array(profit_ch_data) precios_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) q_ch_data = [] profit_ch_data = [] para i en el rango(1000): Q = sales_ch(P, w_opt) q_ch_data.append(Q) profit_ch_data.append(profit_a_ch(prices_opt, Q, w_opt)) q_ch_data = np.array(q_ch_data) profit_ch_data = np.array(profit_ch_data) Además de aumentar los beneficios, hemos resuelto en silencio el problema de la negociación.Todos los algoritmos para optimizar los acuerdos de codeshare optimizan los ingresos de una sola aerolínea.Al final, dos aerolíneas (partícipes potenciales) que utilizan este algoritmo se encontrarán en negociaciones con diferentes figuras - esto significa que en el resultado final todo dependerá de cómo negocien.Construir un conjunto Pareto-eficiente no solo optimiza los beneficios de ambas aerolíneas, sino que también hace que las negociaciones sean mucho más fáciles, abriendo un camino más directo y más corto a la teoría del juego - eliminando completamente el elemento humano. La idea de embotellar y capturar pasajeros es muy profunda y tiene implicaciones "de largo alcance".¿Cuánto dinero se puede hacer con una idea de este tipo?La prueba de datos reales y simulados muestra que la consideración de las preferencias de los viajeros junto con el cálculo de las cuotas óptimas y los beneficios para ambas aerolíneas produce ganancias significativas sobre los métodos de preferencia: El color rojo muestra cuánto se pierde por las aerolíneas que no firmaron un acuerdo: se puede ver que, en promedio, la pérdida supera el beneficio de las aerolíneas que crearon un vuelo de codeshare. El punto es que los cambios en los flujos de pasajeros afectan a toda la red de rutas.Los efectos negativos o positivos de tales cambios pueden afectar a todos los participantes de la red: socios, competidores e incluso a aquellos que no fueron tomados en cuenta en absoluto. Las aerolíneas también a menudo sobreestiman la atractividad de los vuelos de codeshare. A veces los precios se hinchan por más de 100 dólares. Los viajeros realmente valoran la comodidad mucho, pero debido al precio extremadamente hinchado, eligen opciones menos cómodas pero mucho más baratas. Si el operador (el que realmente transporta pasajeros) no sabe cómo calcular el conjunto óptimo de soluciones de Pareto, el operador de marketing (el que vende boletos) puede fácilmente aprovechar esto y pagar menos de lo que debería. Por cierto, en este artículo sólo se consideró un tipo más común de codeshare de venta gratuita – cuando ambas aerolíneas pueden publicar el vuelo de la otra aerolínea como suyo propio con poca o ninguna restricción sobre el número de asientos que pueden ser vendidos (dentro de la capacidad del avión o los límites establecidos). Sin embargo, el método de optimización considerado también es adecuado para otros tipos de codeshare, por ejemplo, espacio de bloqueo – cuando el número de asientos a vender por una aerolínea de marketing es fijo. Por un lado, tener en cuenta diferentes acuerdos hace que la tarea sea un poco más complicada, pero por otro lado, permite a la aerolínea combinar diferentes condiciones, optimizando no solo los beneficios sino también la atractividad para los pasajeros regulares y nuevos debido a la amplia red de rutas. En conclusión Un aumento del beneficio del 5% sólo debido a los acuerdos de codeshare no es un mal resultado. ¿Puede ser más? Por supuesto, sí. Este problema puede ser visto como una extensión del problema de asignación de la flota IFAM basado en la modelización de la composición de pasajeros y el principio de botellaje / captura del flujo de pasajeros. Un vuelo de codeshare puede ser conceptualizado como un vuelo operado por algunas aeronaves virtuales. Esto significa que se pueden utilizar técnicas ya bien establecidas para una mayor optimización - por ejemplo, optimización en el nivel de precios dinámicos (subclases) en lugar de valores promedio y bruto. IFAM considera sólo una aerolínea, pero la innovación de este modelo radica precisamente en el hecho de que por primera vez comenzó a tener en cuenta el impacto de los cambios en algunos flujos de pasajeros en los cambios en otros flujos de pasajeros. La dificultad con la expansión de IFAM es que cada vuelo compartido potencial realmente tendría que ser tratado como un avión virtual separado. Podría haber más de 100 o incluso 1.000 tales aviones potenciales en la flota de una aerolínea. Y eso no es todo – la decisión de IFAM suele ser precedida por la tarea de modelar el horario, que está diseñado en gran medida con el atractivo del viajero en mente. Al agregar vuelos compartidos, se tendrá en cuenta la medida en que los horarios fijos de vuelo de los aviones virtuales son consistentes con los horarios fijos en los que vuelan los aviones reales de la aerolínea. Lo más importante, después de seleccionar cada avión virtual y precio de billete, tendrá que calcularse la redistribución de los flujos de pasajeros en toda Como se mencionó al comienzo del artículo, la solución del problema sólo es posible si hay datos – más precisamente, una gran cantidad de datos. De una manera u otra, todo se reduce a modelar las discretas opciones que hacen los viajeros. Algunas compañías aéreas, con sus grandes cantidades de datos históricos, hacen un buen trabajo con esto, pero incluso no pueden competir con GDS (Global Distribution System). Esto se debe al hecho de que las compañías aéreas tienen datos sobre los flujos de pasajeros de sólo sus redes de ruta, mientras que GDS ve la imagen entera y es capaz de analizar un número mucho mayor de ambas rutas y escenarios de cambios en los flujos de pasajeros. Sin embargo, debe decirse que esto sólo se aplica a la nueva generación de GDS. Desafortunadamente, los sistemas más antiguos nunca han tratado En realidad, ninguna aerolínea podrá evaluar la redistribución de los flujos de pasajeros de manera oportuna, simplemente porque requiere datos de otras aerolíneas. En este artículo hemos tocado, aunque en el pasado, el tema de la optimización de múltiples criterios, que facilita las negociaciones, lo que a su vez nos lleva a la teoría del juego. Pero esta teoría ha demostrado repetidamente que las estrategias de cooperación son las más rentables y sostenibles. Para lograr esto, se necesita una nueva generación de GDS, entonces cualquier aerolínea tendría acceso a datos anónimos sobre el tráfico de pasajeros de otras aerolíneas. Gracias a esto es posible alcanzar un nuevo nivel cualitativo de optimización no solo de acuerdos de codeshare, sino también de una serie de otras tareas: horarios, despliegue de vu Para comprender las posibilidades de GDS, preguntémosnos una pregunta simple: ¿qué pasaría si en el problema considerado todos los vuelos fueran realizados no por tres sino por una aerolínea? En este caso, sólo se podría optimizar la suma media de los beneficios de todos los vuelos. Obtenga el problema habitual de IFAM, y el beneficio en los beneficios totales se vuelve mucho mayor que de la introducción de los vuelos de codeshare. El único problema es que los vuelos son operados por aerolíneas diferentes. La gestión centralizada tiene muchas más ventajas, pero también tiene dificultades. Debido a datos insuficientes, las aerolíneas no pueden hacer esto, pero GDS puede.