How Your Layover Time Can Make or Break an Airline's Profit あなたのレイアウトタイムはどのようにして航空会社の利益を生み出すか

現実が期待に合わないとき、それは常に不愉快です。あなたが予想された現実のために金を支払った場合、特に不愉快です:あなたは一つの航空会社のチケットを購入しますが、何らかの理由であなたは完全に異なる航空会社の飛行機に乗せられています。それからあなたは接続を作成し、彼らはあなたを何らかの未知の第三の航空会社の飛行機に置きます。 何が起こりますか? 結局、あなたは航空会社のチケットを持っています、あなたがそれから何を期待するかを知っているためだけに購入しましたが、あなたはまだ完全に異なる航空会社の飛行機で飛行しています。 あなたは、大規模で確立された航空会社からチケットを購入したように見えますが、ボードでは、この航空会社は地域の子会社 航空会社は、そのような行動が旅行者に好みを完全に変える可能性があることに気づいていないだろうか? ネガティブな経験は、可能な代替案を評価するためのより徹底的なアプローチを取るためのスキルを迅速に構築する。 一つの航空会社のフライトの魅力の低下は、旅客の流れの一部のいわゆる「ボトルアップ」につながります。別の航空会社は、より魅力的な代替案を提供することによって、流れを引き上げることができます。このようなモデルは、旅客の流れの流れの流れとキャプチャ(キャプチャ)モデルと呼ばれ、航空会社の利益をポジティブな旅行者体験と直接関連付けています。この記事は、コードシェアのフライトをより魅力的にし、それで良い利益を得る方法に焦点を当てています(もちろん、あなたの競争相手を残さずに)。 旅客流通分布 3つの都市の小さなルートネットワークがあると仮定し、これらは3つのルートで構成されている。 A→B — フライトはA1が運航する。 B→C - フライトはA2とA3が運航する。 A→B→C - 最初のセグメントでは、フライトはA1によって運営され、第二はA2 иA3によって運営される - これはコードシェア協定の最適性を評価する必要があるルートです。 旅客の流れは2つの形で表すことができます - 彼らをHとDと呼びましょう: H - 二つの都市間の基本的な旅客交通 D - 二つの都市間の複合旅客交通。 たとえば、セグメントA→Bでは、航空会社A1は2つの基本的な旅客流の合計である乗客流D11を推定(容量より小さい場合を観察する)することができます。 この場合、H1はAからBへ行くことに興味のある乗客の流れであり、H3はAからCへ行くことに興味のある乗客の流れである。 B→Cセグメントでは、もう少し興味深い。 この場合、航空会社A2とA3は旅客トラフィックH2 - BからCへの旅客、そして旅客トラフィックH3 - AからCへの旅客と都市Bの空港に接続する旅客を共有します。 パラメータαはまた、特定の航空会社のフライトでチケットを購入する確率として解釈することができ、したがって: αはフライトの魅力に依存し、ユーティリティ機能U(R)によって決定されるが、Rは旅行者がチケットを購入することを決定するフライトパラメータのベクトルである。 一般的に、暴露された機能はユーティリティ機能として使用され、ソフトマックス機能を使用して確率に変換されます。 これはそれを行う良い方法ですか? それは一般的かつ単純です。 同時に、シグモイド機能とDirichlet配布機能は投票パラダイムによりよく適合します。 たとえば、10ポイントスケールで各フライトパラメータを評価する必要がある旅行者調査があった場合、結果を処理するベータおよびDirichlet配布になります。 これはより複雑ですが、より多くの結果をもたらします。 Impact of codeshare agreements on route attractiveness コードシェアフライトは、乗客が以下のことを可能にするため、旅行者にとって魅力的なものです。 航空会社の忠誠プログラムに参加することによってボーナスマイルを蓄積し、フライトが別の航空会社によって運航されている場合でも。 便利な接続で航空券を予約し、異なる航空会社のオファーの中で最も適切なオプションを選択します。 航空会社から航空券を購入した会社に関係なく、フライト中に航空会社から助けとサポートを受けること。 しかし、コードシェアフライトが魅力的な主な理由は、ルートの数を増やすことである - 準備されたルートを選ぶのは、自分で作るよりもはるかに簡単です。 もちろん、コードシェアフライトは、いくつかの理由で魅力的なものではありません。 不適切なサービスレベル 異なる手荷物と運搬ルール 接続中に手荷物のトラブルが発生する可能性があります。 コードシェアフライトの魅力を高めることは、旅客トラフィックを増やすことができます: 理論的には、コードシェアフライトは全体的な乗客トラフィックを増やすことができますが、より大きな範囲で、彼らは単に需要を増加させます。 コードシェアフライトを追加すると、H3旅行者は3つの選択肢に直面します。 コードシェアフライトでAからCへ最小限の不便を伴う飛行。 AからCへB経由で飛行し、A2航空会社のフライトに便利な接続ができます。 AからCへB経由で、航空会社A3便で不便な接続で飛ぶ。 この場合であると仮定すると、H3は次の合計として表すことができます。 where H(ch)3 — are travelers who chose a codeshare flight, and H(rem)3 — are travelers who have chosen a self-transfer route. H3 must also be shared in some proportion: H(ch)3は、コードシェアフライトを選択した旅行者であり、H(rem)3は、自己転送ルートを選択した旅行者である。 次に、航空会社間のすべての流れの完全な再分配は、次の形式で書くことができます。 ルートの魅力が全体の旅客の流れを変えることができるという事実は、かなり奇妙なように思えるかもしれませんが、しかし、私たちは旅客の流れの一部、すなわち、可能な代替品を異なって評価しランクアップする旅行者の個々のセグメントについて話していることを理解することが重要です。 需要は、価格が購入されたチケットの数にどのように影響するかを示します。魅力とは、その他の要因によってこの数がどのように影響されるかを示します。魅力はしばしば固定されます - 例えば、到着時や出発時刻を変更できない予定フライトの場合。他の航空会社との共同フライトがそのようなフライトに追加されると、接続時間は変化する可能性があります。 プレイ&キャプチャ 我々は、航空会社間の乗客量の比例変化を記述する表現を得た. それは、 α に基づいて比率を計算する方法を理解する余地がある. これは非常に複雑に見えるかもしれない - この場合、我々は常に単純なアプローチに従う. 我々は2つの重要な仮定をする: 私たちはデータを持っています。 データモデルを作成できます。 基本的に、我々は単に「機械学習(ML)でどのようにするかを知っている」ことを話しているだけです。 まず、我々は潜在的な購入者で構成されるランダムな乗客量を指定する必要があります、すなわち、検討中のルートのいくつかでチケットを購入することに何らかの方法で興味を持っている誰でも。 H1～Poisson(λ1) H2～Poisson(λ2) H3 ポイソン(λ3) この旅客トラフィックは3つの航空会社に分かれているため、H3の例を用いて旅客トラフィックのボトル化とキャプチャがどのように起こるかを考えましょう 異なるレベルのフライト魅力は、異なる旅客価格セグメントで異なるレベルの注意を生み出す。例えば、コードシェアフライトは最も魅力的なものになりますが、同じ理由で最も高価なものになります。 魅力は、コードシェアと接続時間の2つの要因によって決定されます。 いくつかの最適な転送時間があります - を t で表すようにしましょう. t (2) フライト A2 の転送時間は t よりも t に近いと仮定します(3) - フライト A3 の転送時間。 私たちは今、単純な鐘の形の機能を通じて、魅力(二つのフライトの有用性)を決定することができます。 Δt∗=t∗−t=0 - 理想の転送時間との最小差。 ☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆ ☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆ U2=U(Δt2)および u3=U(Δt3)を用いて、Uは任意のユニモダル関数であり得る:私たちの場合、Uはガウシア関数である。 フライトA2とA3の魅力は以下の通り表示されます。 scipy.stats import norm, gamma, poisson, binom, uniform, bernoulli import matplotlib.pyplot as plt from pylab import rcParams rcParams['figure.figsize'] = 7, 4 rcParams['figure.dpi'] = 140 %config InlineBackend.figure_format = 'png' import seaborn as sns.set() dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=1.4) plt.plot(dt, u, 'C0') トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > ☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆ plt.title('フライトの魅力(有用性)\n' + r' of airlines $A_{2}$ and $A_{3}$') plt.xlabel(r'$\Delta t$ (hour)') plt.ylabel('u', rotation=0) plt.legend() plt.show() もし航空会社A1がA2とコードシェア契約を締結した場合、転送時間の面では、コードシェアフライトの魅力はA2と同じになるでしょう、なぜなら、理想の転送時間 - t は、すべてのデルタが計算されていることに関して、何らかの方法で変化していません。しかし、コードシェアフライトは、いくつかの利点を提供します:荷物の再チェックが必要ありません、再チェックインする必要はありません、国際フライトでは、明確なゾーンに滞在することは、追加のパスポート制御を意味しません。コードシェアフライトの魅力は、旅行者が Δt2に会うリスクが少ないので増加します、また、足を伸ばしてフライトから休むための追加の時間もあります。 理想的な接続時間は、いくつかの要因を考慮する必要があります: 最小接続時間 - 空港で乗客と手荷物を1便から別の便に転送するのに必要な時間。 追加の快適な時間 - 別のフライトのチェックインに走るリスクを減らすために必要です。 飛行機の遅延の平均時間 - それぞれの航空会社に特別な統計があります。 コードシェアフライトのための理想的な接続時間は、少なくとも、接続中に乗客がフライトに遅刻するリスクが航空会社によって受け入れられるという事実のために減少します - それは今、旅行者が遅刻しても、それらは次のフライトに引き続き置かれることを保証します。 t∗ch トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > ☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆ plt.title('フライトの魅力(有用性)\n' + r' of airlines $A_{2}$ and $A_{3}$') plt.xlabel(r'$\Delta t$ (hour)') plt.ylabel('u', rotation=0) plt.legend() plt.show() 以前、理想的な接続時間との差が約1時間10分だった場合、コードシェアフライトの場合、この差はわずか20分になります。もちろん、理想的な接続時間への接近は、フライトの魅力(有用性)に影響を与える唯一の要因ではありません。 現在、これらの3つの値がどのようにして乗客トラフィックを価格セグメントに分けるかを理解する必要がある――我々は明らかにいくつかの割合について話している。 価格_1 = np.linspace(100、300、1000) rvdem_1 = gamma(a=12, loc=100, scale=8) profile_1 = rvdem_1.pdf(prices_1) plt.plot(prices_1, profile_1, label=r'$H_{1}$) 価格_2 = np.linspace(60, 200, 1000) rvdem_2 = gamma(a=8, loc=60, scale=7) profile_2 = rvdem_2.pdf(prices_2) plt.plot(prices_2, profile_2, label=r'$H_{2}$') 価格_3 = np.linspace(240, 500, 1000) rvdem_3 = gamma(a=10, loc=230, scale=12) profile_3 = rvdem_3.pdf(prices_3) plt.plot(prices_3, profile_3, label=r'$H_{1}$') plt.legend() plt.xlabel('Price (c.u.)') plt.title('Passenger flow demand profiles'); The existence of a demand profile indicates that there is a reliable representation of at what prices the probability of buying a ticket is different from 0 or 1 and how it depends on price. It should be immediately noted that the existence of such price profiles does not allow for rational demonstration of old or suboptimal practices. First, once one is familiar with ML methods, it is quite difficult to imagine how one could do anything differently, much less do it worse. Second, there are at least several methodologies for “predicting” the number of tickets sold at some price. Different airlines may use different ones. Some, usually small airlines may rely entirely on intuition. For now, let’s just assume that in the worst case, the demand profiles would be rough step functions. 代替品の魅力の異なるレベルは何らかの方法で航空会社間の旅客の流れを分割しなければなりません、そして今、私たちはそれぞれの αを計算するために必要なすべてを持っています。 航空会社間のH1フローは共有されていません。H2とH3のフローだけが分割され、分割はフライトの魅力に依存し、選択の確率に影響を与えます。 フィギュア、アックス = plt.subplots(1, 3, figsize=(12, 3)) dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=1.4) ax[0].plot(dt, u, 'C0') トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > コードシェア コードシェア コードシェア コードシェア コードシェア コードシェア コードシェア コードシェア トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップページ > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆ コードシェア(コードシェア) コードシェア(コードシェア) コードシェア(コードシェア) コードシェア(コードシェア) コードシェア(コードシェア) dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=2.6) plt.plot(dt, u, 'C0') トップページ > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ホーム > ☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆ ユーティリティを確率に変換する最も簡単な方法は、各値をいくつかの要因で倍増して、その結果の合計が1に等しいようにすることです。 たとえば、A1がA2とコードシェア契約を結んだ場合、そのどちらかを選択する確率は次のとおりです。 u = np.array([0.28, 0.20, 0.06]) トップページ トップページ トップページ トップページ トップページ トップページ トップページ トップページ トップページ P3(Choice=A1Seg=1)=0.52 P3(Choice=A2Seg=1)=0.37 P3(Choice=A3|Seg=1)=0.11. しかし、選択は好みだけでなく、それを作るために利用可能なお金の量にも影響されます。需要プロファイルを知れば、特定の価格でチケットを購入する確率を決定することができます。 価格(1)1=190 価格(1)3=370 Price(2)2=135 価格(3)2=115 その場合、ある価格でチケットを購入する確率は次のとおり定義できます。 たとえば、コードシェアフライトのチケットが370ccで購入される確率は0.27になります。 rvdem_3 = gamma(a=10, loc=230, scale=12) print(rvdem_3.sf(370)) 0.2727250812333501 この価格でチケットを手に入れることができる旅行者は、前面に3つの選択肢が見られます。しかし、最大限の快適さを手に入れることができる人は、彼または彼女が必ずそれを利用することを意味しません。より安価な選択肢の利用がお金を節約することを可能にします - だから私たちは選択肢の魅力を計算し、それらに基づいて選択の確率を決定しました。選択の合計確率は次のとおりになります。 このような乗客の特定のフライトを選択する確率は次のとおりです。 P3(Choice=A1Seg=1)=0.14 P3(Choice=A2Seg=1)=0.1 P3(Choice=A3Seg=1)=0.03. 最も快適なフライトのチケットを購入する最終的な確率はそれほど高くないため、結果はそれほど印象的なものではありません。 このようなチケットを買う余裕がない人々はどうなりますか? 乗客の手段の金額がその範囲内に落ちる場合: 彼はもはやコードシェアフライトを手に入れることができないだろう。この場合、彼には2つの選択肢があるだろう:便利な接続または長い接続を持つフライトを選択する。 P3(Choice=A2Seg=2)=0.77 P3(Choice=A3Seg=2)=0.23 u = np.array([0.20、0.06]) トップページ(u / u.sum()) (平成27年6月7日) この場合、チケットを購入する確率は次のとおりです。 トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > したがって、そのような旅行者の選択の確率は次のとおりです。 P3(Choice=A2 A2Seg=2)=0.35 P3(Choice=A3Seg=2)=0.1 料金の範囲内にある旅行者(305 325)は、飛行機A3のみを購入できます。 トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > 最終的に、特定のフライトのチケットを購入する確率は、単純な合計として表現されます。 旅客 H3 航空会社間で次のように分割されます。 P3(選択=A1)=0.14 P3(選択=A2)=0.1+0.35=0.45 P3(選択=A3)=0.03+0.1+0.17=0.3 チケットが購入されない確率P(購入=0)は0.1で、上記の選択の確率と合計すると1.潜在可能な乗客流量が完全に考慮されることを意味します。 H2 旅客の流れについて同じことを行った後、私たちは次のことを得ます。 P2(選択=A2)=0.1 P2(選択=A3)=0.38 旅客トラフィック H1 は航空会社間で共有されていませんが、190 ユーロの価格のため、その一部が流出するので、価格(この価格でチケットを購入する確率)によって決定されるフライト選択 P1(選択=A1)の確率を導入することができます): rvdem_1 = gamma(a=12, loc=100, scale=8) print(rvdem_1.sf(190)) 0.5494501693973257 αのすべての値を詳細に記述することは可能ですが、すでに特定の割合値を得たので、すべてをより短い形式で書きます。 航空会社にとって、コードシェア協定の最適化は、潜在的なフライトが共有されるか否かを選択されたときに1またはゼロに等しいバイナリ変数を持つバックパック包装の問題です。主な問題はバックパックに保管されているアイテムの価値を推定するときに始まります。単純なケースでは、航空会社はそれがブランドに依存することを決定することができます:それが魅力的であれば、コードシェアフライトも魅力的です。 より発達したアプローチは、複数の魅力基準を使用してアイテムを選択することです。各アイテムは出発時刻と到着時刻を有するルートであり、期間と種類の両方で異なる接続であるため、一つのアイテムを選択すると、他のすべてのアイテムの価値が変わります、すでにバックパックに含まれているものとまだ梱包されていないものの両方です。これは、アイテムを選択するたびにすべてのαが計算されなければならないことを意味します。しかし、すべてのHを相応の価格で倍増することによって、あなたは収入の非常に合理的な推定を得ることができ、最も重要なことは、あなたが誰と何の条件で合意を締結するかを知ることができます。 コードシェア協定の最適化の先駆者の一つであるデルタ航空は、この共同ルートの評価は、年間の追加収益を5000万ドルまで提供したと報告しました。これは2000年代の最も優れた結果の1つだけでなく、旅行者の好みの重要性の直接的な証明でもありました。 この方法は、問題を2つの部分に分けるという点で悪い:まず、私たちは代替品をランク付けし、Hの最適な割合を計算する必要があります、そして、すべてのHがランダムであることを覚えて、最適な割合を別々に計算する必要があります。 モデリングと最適化 航空会社A1は、最高の価格だけでなく、割引も見つける必要があります:w(1)3 - コードシェアのために予約された席数、w(1)1 - は、AからBへの旅行者のための席数です。 通常、ターゲット機能は無料で、共同フライトを選択することで生み出される収益を増やすことにのみ含まれますが、収益に加えて、フライトの収益性に大きな影響を与えるコストもあります。 Cfix - 固定コスト、例えば:乗員料、駐車場料金、離陸および着陸、航空安全。 Cvar - 乗客の数に依存する変数コスト、例えば:空港ターミナル複合体の提供、手荷物の取り扱いのための料金を。これはまた、その量も乗客と手荷物の数に依存するので、ケロゼンのコストも含まれますが、シンプルさのために私たちはCfixを参照します。 価格(2)ch — コードシェアフライトの運航会社から購入した座席のコスト。 すると、平均利益A1は次の関数になります。 第2航空会社の利益: One might think that if A1 enters into an agreement with A2, then the profits of A3 should be of no concern. In fact, codesharing has a very interesting consequence: competitive pressure. Therefore, let’s write down the target function for A3 as well: Pj(Choice=Ai)を知れば、購入したチケットの数を q(i)jとして記録することができる。 また、H1とH3からの旅行者はランダムな混合物であるが、H1からのチケットを最初に販売し、その後、残りの座席をH3からのみ販売するようなものは存在しない。また、空港AとBが相当数のタイムゾーンで分離されている場合、H2とH3の混合物は異なる時間依存構成を有する。例えば、A3が夜間の価格を大幅に削減する場合、H3からの乗客は夜間の代わりに昼時を有する可能性があるため、この削減が最初に見られることに留意すべきである。 データが常に先に来ることを覚えておくことは重要です. たとえ Hj∼Poisson(λj) を記述したとしても、それは例として取られた極めて粗末なアプローチです. ポイソン分布の代わりに、常に非常に複雑な条件分布があります。 乗客の流れ、航空機の限られた容量、割引、その他の多くのニュアンスを混ぜ合わせると、売れたチケットの数の分布を分析的に得ることは不可能です。 何かをモデリングする前に、問題の基本的なパラメータを定義する必要があります。 ルートA→B→Cは、ウラジオストク-モスクワ-ソチルートであると仮定します: VVO→SVO→AER。 フライトは以下の航空機で運航する。 VVO→SVO — 航空会社A1がV=325の容量を持つA350機で運航する。 SVO→AER — V=180の容量を持つA320機で航空会社A2によって運航される。 SVO→AER - V=190の容量を持つボーイング737機で航空会社A3が運航しています。 固定コストは以下の通りです。 C(1)固定 — 48360 c.u.; C(2)固定 — 10270 c.u.; C(2)fix — 9890 c.u. 変動コスト: c(1)var — 6.8 c.u. / 乗客 c(2)var — 5.4 c.u. / 乗客。 c(2)var — 5.1 c.u. / 乗客。 旅客の流れが次のように分布していると仮定します。 H1～Poisson(λ1=370) H2−Poisson(λ2=350) H3−ポイソン(λ3=110) def prob_in_trafic(prices): price_1, price_2, price_3 = prices 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(price_1) pb_10 = 1 - pb_11 すなわち、pb\1=[pb\10] トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > if price\_2 > price\_3: pbp\_22 = rvdem\_2.sf(price\_2) pbp\_23 = rvdem\_2.sf(price\_3) - rvdem\_2.sf(price\_2) pb\_22 = pbp\_22 \* pseg\_2\[0\] pb\_23 = pbp\_22 \* pseg\_2\[1\] + pbp\_23 else: pbp\_22 = rvdem\_2.sf(price\_2) pbp\_23 = rvdem\_2.sf(price\_3) pb\_22 = pbp\_22 pb\_23 = 0 pb\_20 = 1 - pb\_22 - pb\_23 トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > もし(価格\_1 + 価格\_2) > (価格\_1 + 価格\_3) : pbp\_32 = rvdem\_3.sf(価格\_1 + 価格\_2) pbp\_33 = rvdem\_3.sf(価格\_1 + 価格\_3) - rvdem\_3.sf(価格\_1 + 価格\_2) pbp\_32 = pbp\_32 = rvdem\3.sf(価格\1 + 価格\_3) pbp\33 他の: pbp\32 = rvdem\33.sf(価格\1 + 価格\_2) pbp\33 = rvdem\3.sf(価格\1 + 価格\_3) pbp\32 = pbp\32 pb\_30 = 1 - pb\_32 - pb\_33 トップ > トップ > トップ > トップ > トップ > トップ > トップ > 返す 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) v\_1, v\_2, v\_3 = 325, 180, 190 q\_1, q\_2, q\_3 = 0, 0, 0 範囲内の iter(h\_all): pass\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) if pass\_in\_h == 1: if np.random.choice(\[[0, 1\], p=P\[0\]): if 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 返す q\_1, q\_2, q\_3 利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り・利回り def e_profit(prices, n_iter): P = prob_in_trafic(prices) return np.mean([profit_a(prices, sales(P)) for _ in range(n_iter)], axis = 0) 今、モデリングと最適化を開始することができます。質問が生じます:何とどのように最適化しますか?何と何を比較して、利益の増加があるかどうかを確認しますか? 理想的には、すべての航空会社は利益を増やすことを望むが、一つの航空会社のチケットの価格の変化はすべての乗客トラフィックに影響を与える。これらの変化は他の航空会社も気付くし、価格も変化し、また乗客の流れの変化をもたらす。 航空会社がコードシェア協定を締結していないと仮定し、以下の価格が最適であると考えましょう。 価格(1)1=185 価格(2)2=114 価格(3)2=110 その結果、利益の分配は以下のようになります。 価格 = [185, 114, 110] q_data = [] profit_data = [] P = prob_in_trafic(価格) Q = 売上(P) q_data.append(Q) profit_data.append(profit_a(prices, 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.)') plt.suptitle('航空会社の収益分布') plt.tight_layout(); 航空会社A3の価格は明らかに最高の価格ではないが、A2とA3の平均利益が、互いにコードシェア協定を締結した場合にどのように変化するかに関心がある。 トップ > プロジェクト > プロジェクト > プロジェクト > プロジェクト > プロジェクト > プロジェクト > プロジェクト > プロジェクト > プロジェクト > プロジェクト > プロジェクト > プロジェクト pb\_11 = rvdem\_1.sf(価格\_1) pb\_10 = 1 - pb\_11 すなわち、pb\1=[pb\10] トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > たとえば、価格\_2 > 価格\_3: pbp\_22 = rvdem\_2.sf(価格\_2) pbp\_23 = rvdem\_2.sf(価格\_3) - rvdem\_2.sf(価格\_2) pb\_22 = rvdem\_22 pbp\_23 = rvdem\_2.sf(価格\2) pbp\23 = rvdem\2.sf(価格\2) pbp\23 = rvdem\2.sf(価格\3) pb_22 = pbp\22 pb_23 = 0 pb\_20 = 1 - pb\_22 - pb\_23 ☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆ たとえば、 たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば たとえば pb\_30 = 1 - pb\_31 - pb\_32 - pb\_33 平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成30年、平成 返す 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) イーターの範囲(h\_all):pass\_in\_h = np.random.choice(\[1, 2, 3\], p=p\_in\_h) if pass\_in\_h == 1: if np.random.choice(\[0, 1\], p=P\[0\]): if 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 返すのは、Q1、Q2、Q3。 def e_profit_ch(値段、w_1, n_iter): P = prob_in_trafic_ch(値段) return np.mean([profit_a_ch(値段、 sales_ch(P, w_1), w_1) for _ in range(n_iter)], axis = 0) A1とA2の利益のすべての値を同時にゼロよりも大きいと見ていきましょう。 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 平成30年 x = np.linspace(0, 17500) y_1 = -x + 20000 y_2 = -0.8 * x + 20000 plt.plot(x, y_1, 'C3', label='Indifference') plt.plot(x, y_2, 'C2', label='Interest') plt.xlabel(r'$A_{2}$利益(c.u)') plt.ylabel(r'$A_{1}$利益(c.u)') plt.title('2つの航空会社の利益の正当な値の分散') トップ > 伝説( トップ > ショー ポイントのセットは、パレト効率のセットのすべてのポイントを含む、上方からいくつかの上方に曲がり、単調に低下する機能によって制限されています。このセットがシンメトリックである場合、そのセットのポイントは、座標軸から平等なセグメントを切断するラインに最も近い場合、最適なポイントとして取ることができます。このアプローチは、無関心なアプローチと呼ばれます。効率的なセットはほとんど決してシンメトリックではありませんので、参加者は、共通の決定をする際に非対称性が必然的に考慮されることを確保することに興味があります。この場合、セットの上のラインに最も近い点と、最大関心のポイントを通過するラインに並行して最適なポイントとして取られます(0、 Profit ストーカスティックな形態の問題のためのこのようなセットの構築は常に調査と近似を必要とします - 分析的に構築することはできません. 最大関心のポイントは次のとおりになります: (0, 12000)および (17500, 0)。 最大関心のポイントを通過する別のラインに並行するラインとして、方程式y=−0.8x+20000のラインを取ります。 価格(1)1=185 価格(2)2=114 価格(1)ch=345 価格(2)ch=120 トップ > トップ > 3 29 コードシェアフライトの導入後、利益の配分は以下のようになります。 価格_オプト = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) ☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆ たとえば、(1000)の範囲内で、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) price_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) ☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆☆ たとえば、(1000)の範囲内で、Q = sales_ch(P、w_opt) q_ch_data.append(Q) profit_ch_data.append(profit_a_ch(prices_opt、Q、w_opt)) コツコツコツコツコツコツコツコツコツコツコツ コードシェア協定を最適化するためのすべてのアルゴリズムは、たった一つの航空会社の収益を最適化する。結局、このようなアルゴリズムを使用する2つの航空会社(潜在的パートナー)は、異なる数字との交渉で会うことになる――これは、最終的な結果では、すべてが彼らがどのように交渉するかに依存するということを意味する。パレト効率的なセットを構築することは、両航空会社の利益を最適化するだけでなく、交渉をより容易にし、ゲーム理論へのより直接的かつ短い道を開く――人間の要素を完全に排除する。 乗客をボトル化して捕獲するというアイデアは非常に深いもので、「遠くに及ぶ」意味を持つ。このようなアイデアからどれだけのお金を稼ぐことができるか? 実際のデータとシミュレーションデータに基づいてテストすると、旅行者の好みを考慮し、両航空会社の最適な割合と利益を計算すると、優先順位のみの方法よりも大幅な利益が得られることがわかります。 赤い色は、合意に至らなかった航空会社がどれだけ損失しているかを示しています - 平均して、損失はコードシェアフライトを作成した航空会社の利益を上回っていることがわかります。 このような競争について話すことは、ここではまったく適切ではありません。ポイントは、乗客の流れの変化が路線ネットワーク全体に影響を与えることです。そのような変化のネガティブまたはポジティブな影響は、ネットワークのすべての参加者に影響を与えることができます:パートナー、競合相手、そして全く考慮されていない人々です。 航空会社はまた、頻繁にコードシェアフライトの魅力を過大評価します。時には価格が100ドル以上に膨らみます。旅行者は本当に快適さを非常に高く評価しますが、非常に膨らんだ価格のために、彼らはより不快で、より安価なオプションを選択します。 最適化の問題が2つの基準の問題であるという事実は、特別な注意を払うべきである。運航会社(実際に乗客を輸送する会社)が、パレト最適なソリューションのセットを計算する方法を知らない場合、マーケティング会社(チケットを販売する会社)は簡単にこれを利用して、必要以上に支払うことができます。 ちなみに、この記事では、無料販売コードシェアの最も一般的なタイプの1つだけを検討しました - 両社の航空会社は、販売可能な座席数(航空機の容量または設定された限界内)にほとんどまたはまったく制限がなく、他社の航空会社のフライトを独自のものとして公開することができます。しかし、検討されている最適化方法は、他の種類のコードシェアにも適しています、例えば、ブロックスペース - マーケティング航空会社によって販売される座席の数が固定されている場合。 On the one hand, taking into account different agreements makes the task a bit more complicated, but on the other hand, it allows the airline to combine different conditions, optimizing not only profits but also attractiveness for both regular and new passengers due to the vast route network. 結論として コードシェア協定によるわずか5%の利益増加は悪い結果ではありません。それ以上でしょうか? 当然、はい。この問題は、旅客組成モデリングと旅客流量ボトルネック/キャプチャの原則に基づいて、IFAMの艦隊割り当ての問題の延長として見ることができます。コードシェアフライトは、いくつかの仮想飛行機によって運用されるフライトとして概念化することができます。これは、すでに確立されているテクニックを使用して、ダイナミックな価格設定(サブクラス)のレベルで最適化することができることを意味します。 IFAMは一つの航空会社だけを考えているが、このモデルの革新性はまさに、初めて一部の乗客流量の変化が他の乗客流量の変化に及ぼす影響を考慮し始めたという事実にある。 IFAMの拡張の難点は、それぞれの潜在的な共有フライトが実際に別々の仮想飛行機として扱われる必要があることである。航空会社のフロートに100個以上、あるいは1000個以上の潜在的な飛行機が存在する可能性があります。それだけではなく、IFAMの決定には、通常、旅行者の魅力を念頭に置いて設計されたスケジュールを作成する作業が先行されます。コードシェアフライトを追加すると、仮想飛行機の固定フライトスケジュールが航空会社の実際の飛行機の固定スケジュールと一致する程度が考慮されなければなりません。最も重要なことは、各仮想飛行機とチケット価格を選択した後、全ルートネットワークの旅客流の再分布が計算されなければなりません。 記事の初めに述べたように、問題の解決は、データがある場合にのみ可能である - より正確に言うと、膨大な量のデータです。 あるいは別の方法で、すべては旅行者が作るさまざまな選択をモデル化することにつながります。 いくつかの航空会社は、それらの膨大な量の歴史的データを持って、これでかなり良い仕事をしますが、それらはGDS(グローバル・ディストリビューション・システム)と競争することはできません。 これは、航空会社が彼らのルートネットワークのみの乗客流量に関するデータを持っているためです、GDSは全体像を見、両方のルートと乗客流量の変化のシナリオをはるかに多く分析することができます。 しかし、これはGDSの新しい世代にのみ適用されると言わなければなりません 実際には、他の航空会社からのデータを必要とするだけで、乗客の流れの再分配をタイムリーに評価することができない航空会社です。この記事では、交渉を容易にする複数の基準の最適化のトピックに触れていますが、それは私たちをゲーム理論に導きます。しかし、この理論は、協力戦略が最も収益的で持続可能であることを繰り返し証明しています。これを実現するためには、新しい世代のGDSが必要です、その後、どの航空会社も他の航空会社の乗客の流れに関する匿名データにアクセスすることができます。 GDSの可能性を理解するために、簡単な質問をします:検討された問題では、すべてのフライトが3社ではなく1社の航空会社によって実施された場合、どうなりますか? この場合、すべてのフライトからの利益の平均合計だけを最適化することができます。 あなたは通常のIFAMの問題を得ることができ、コードシェアフライトの導入よりも総利益の利益がはるかに大きくなります。 唯一の問題は、フライトが異なる航空会社によって運営されていることです。 集中管理には多くの利点がありますが、また困難があります。 データ不足のために、航空会社はこれを行うことができませんが、GDSはできます。