Cum timpul dvs. de transfer poate face sau rupe profitul unei companii aeriene

Când realitatea nu se potrivește așteptărilor, este întotdeauna neplăcut. Este deosebit de neplăcut dacă ați plătit bani pentru realitatea așteptată: cumpărați un bilet de la o companie aeriană, dar din anumite motive sunteți plasat pe un avion al unei companii aeriene complet diferite. Apoi faceți o conexiune și vă pun pe un avion al unei terțe companii aeriene necunoscute. Ce se întâmplă? La urma urmei, aveți un bilet al companiei aeriene, pe care l-ați cumpărat doar pentru că știți ce să așteptați de la el, dar totuși zburați cu avioane ale unor companii aeriene complet diferite. Se pare că ați cumpărat un bilet de la o companie aeriană mare și bine stabilită, dar la bord se pare că Companiile aeriene nu realizează că astfel de acțiuni pot determina călătorii să-și schimbe complet preferințele? O experiență negativă construiește rapid abilitatea de a lua o abordare mai aprofundată pentru a evalua posibilele alternative. Fluxurile de pasageri sunt ca un fluid care curge într-un volum mai mare în cazul în care există mai puține obstacole în calea sa. O scădere a atractivității unui zbor al unei companii aeriene duce la așa-numita „înfășurare” a unei părți a fluxului de pasageri. O altă companie aeriană poate prinde deversarea oferind o alternativă mai atractivă - făcând o captură. Un astfel de model se numește modelul de deversare și capturare (capturare) al fluxului de pasageri și se referă direct la profiturile companiei aeriene la experiențele pozitive ale călătorilor. Acest articol se concentrează pe modul de a face zborurile codeshare mai atractive și de a face un profit bun pe ea (fără a lăsa concurenții tăi în urmă, desigur). Distribuția fluxului de pasageri Să presupunem că există o rețea mică de rute de trei orașe, constând doar din trei rute: A → B – zborurile sunt operate de A1; B→C – zborurile sunt operate de A2 și A3; A→B→C — pe primul segment, zborurile sunt operate de A1, pe al doilea de A2 и A3 — aceasta este ruta care necesită evaluarea optimității acordului de codeshare. Fluxurile de pasageri pot fi reprezentate în două forme - să le numim H și D: H - traficul de pasageri elementar între două orașe; D - traficul de pasageri compus între două orașe. De exemplu, pe segmentul A→B, compania aeriană A1 poate estima (observa dacă este mai mică decât capacitatea) fluxul de pasageri D11, care este suma a două fluxuri de pasageri elementare: În acest caz, H1 este fluxul de călători interesați de a ajunge de la A la B, iar H3 este fluxul de călători interesați de a ajunge de la A la C. Pentru segmentul B→C, lucrurile sunt puțin mai interesante: În acest caz, companiile aeriene A2 și A3 împart traficul de pasageri H2 - călătorii care merg de la B la C, iar traficul de pasageri H3 - călătorii care merg de la A la C și se conectează la aeroportul orașului B. Parametrul α poate fi, de asemenea, interpretat ca probabilitatea de a face o achiziție de bilet pe un anumit zbor al companiei aeriene, prin urmare: α depinde de atractivitatea zborurilor și este determinată de funcția utilitară U(R), unde R este un vector al parametrilor de zbor, pe baza căruia călătorii decid să cumpere un bilet. De obicei, funcțiile exponențiate sunt utilizate ca funcție utilitară și convertite în probabilități folosind funcții soft-max. Este aceasta o modalitate bună de a face acest lucru? Este comună și simplă. În același timp, funcțiile sigmoid și funcția de distribuție a lui Dirichlet se potrivesc mult mai bine în paradigma de vot. De exemplu, dacă a existat un sondaj al călătorilor în care a trebuit să evaluați fiecare parametru de zbor pe o scară de 10 puncte, ar fi distribuțiile beta și Dirichlet care ar procesa rezultatele. Acest lucru este mai complicat, dar oferă mai Impactul acordurilor de codeshare asupra atractivității traseului Zborurile Codeshare sunt atractive pentru călători, deoarece permit pasagerilor să: Acumulați mile bonus prin participarea la programul de loialitate al companiei aeriene, chiar dacă zborul este operat de o altă companie aeriană. Rezervați bilete de avion pentru zboruri cu conexiuni convenabile, alegând cea mai potrivită opțiune dintre ofertele diferitelor companii aeriene. Obțineți asistență și asistență de la compania aeriană în timpul zborului, indiferent de compania de la care a fost achiziționat biletul. Cu toate acestea, principalul motiv pentru care zborurile codeshare sunt atractive este că ele cresc numărul de rute - este mult mai ușor să alegeți o rută gata făcută decât să o creați singur. Desigur, zborurile codeshare pot fi, de asemenea, neatrăgătoare din mai multe motive: niveluri inadecvate de servicii; reguli diferite de bagaje și de transport; Posibilitatea unor probleme cu bagajele în timpul conexiunilor. Creșterea atractivității unui zbor codeshare poate crește traficul de pasageri: În teorie, zborurile codeshare pot crește traficul total de pasageri, dar într-o măsură mult mai mare, ele cresc pur și simplu cererea. Adăugarea unui zbor codeshare pune călătorii H3 în fața a trei alternative: Zbor de la A la C pe un zbor codeshare cu un minim de inconveniente. Zbor de la A la C prin B cu o conexiune convenabilă la un zbor al companiei aeriene A2. Fly from A to C via B with an inconvenient connection on airline flight A3. Să presupunem că acesta este cazul, atunci H3 poate fi reprezentat ca următoarea sumă: unde H(ch)3 – sunt călătorii care au ales un zbor codeshare, iar H(rem)3 – sunt călătorii care au ales o rută de auto-transfer. Apoi, redistribuirea completă a tuturor fluxurilor între companii aeriene poate fi scrisă în următoarea formă: Faptul că atractivitatea rutelor poate schimba întregul flux de pasageri poate părea destul de ciudat. Cu toate acestea, este important să înțelegem că vorbim despre părți ale fluxului de pasageri, adică segmente individuale de călători care evaluează și clasifică alternativele posibile în mod diferit. Cererea arată modul în care prețul afectează numărul de bilete achiziționate. Atractivitatea, pe de altă parte, arată modul în care acest număr este influențat de alți factori. Atractivitatea este adesea fixă – de exemplu, pentru zborurile programate care nu își pot schimba orele de sosire sau de plecare. Odată ce un zbor comun cu o altă companie aeriană este adăugat la un astfel de zbor, timpul conexiunii se poate schimba, ceea ce înseamnă că o parte a călătorilor vor fi ghidați de mai mult decât doar prețul atunci când cumpără un bilet. Joacă și capturează Am obținut o expresie care descrie schimbarea proporțională a volumului de pasageri între companii aeriene. Rămâne să ne dăm seama cum să calculăm proporțiile pe baza a. Acest lucru poate părea foarte complicat – în acest caz întotdeauna recurgem la aproximări simple. Vom face două ipoteze importante: Noi avem datele. Putem crea modele de date. În esență, vorbim doar despre ceea ce „știm cum să facem în ML (învățarea automată)”. În primul rând, trebuie să specificăm volumele aleatorii de pasageri care constau în cumpărători potențiali, și anume, oricine este în vreun fel interesat să cumpere un bilet pe unele dintre rutele luate în considerare. H1 ~ Poisson(λ1) H2 ~ Poisson(λ2) H3 Poisson(λ3) Să luăm în considerare modul în care se produce îmbutelierea și captarea traficului de pasageri folosind exemplul H3, deoarece acest trafic de pasageri este împărțit între trei companii aeriene. Niveluri diferite de atractivitate a zborului generează niveluri diferite de atenție în diferite segmente de preț de pasageri. De exemplu, un zbor codeshare va fi cel mai atractiv, dar din același motiv va fi cel mai scump. Asta înseamnă că va fi de interes pentru cei care sunt dispuși să plătească mai mult decât de obicei pentru un bilet. Lăsați atractivitatea să fie determinată de doi factori: codeshare și timp de conexiune. Să presupunem că t(2) timpul de transfer pentru zborul A2 este mult mai aproape de t∗ decât t(3) – timpul de transfer pentru zborul A3. Acum putem determina atractivitatea (utilitatea celor două zboruri) printr-o funcție simplă în formă de clopot. Δt∗=t∗−t=0 – diferența minimă față de timpul ideal de transfer. Δt∗=t∗−t<0 – trebuie să aştepţi. Să exprimăm atracțiile prin funcții utilitare: u2=U(Δt2) și u3=U(Δt3), unde U poate fi orice funcție unimodală: în cazul nostru U este o funcție gausă. Atractivitatea zborurilor A2 și A3 poate fi afișată după cum urmează: import numpy ca np de la scipy.stats import normă, gamma, poisson, binom, uniform, bernoulli import matplotlib.pyplot ca plt de la pylab import rcParams rcParams['figure.figsize'] = 7, 4 rcParams['figure.dpi'] = 140 %config InlineBackend.figure_format = 'png' import seaborn ca sns.set() dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scale=1.4) plt.plot(dt, u, „C0”) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, scară=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, scară=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('Atractivitatea (utilitatea) zborurilor\n' + r' ale companiilor aeriene $A_{2}$ și $A_{3}$') plt.xlabel(r'$\Delta t$ (oră)') plt.ylabel('u', rotație=0) plt.legend() plt.show() În cazul în care compania aeriană A1 încheie un acord de codeshare cu A2, atunci, în ceea ce privește timpul de transfer, atractivitatea zborului codeshare va fi aceeași cu cea a A2, deoarece timpul ideal de transfer - t ∗, în raport cu care toate deltele sunt calculate, nu sa schimbat în nici un fel. Cu toate acestea, zborurile codeshare oferă o serie de avantaje: nu este nevoie să se verifice din nou bagajele, nu este nevoie să se verifice din nou, iar pentru zborurile internaționale, șederea într-o zonă clară înseamnă nici un control suplimentar al pașapoartelor. Atractivitatea unui zbor codeshare crește datorită faptului că călătorul are un risc mai mic de a întâlni Δt2, și există, de asemenea, timp suplimentar pentru a vă întinde picio Timpul ideal de conectare ar trebui să ia în considerare mai mulți factori: Timp minim de conectare – timpul necesar pentru transferul cu succes al pasagerilor și al bagajelor de la un zbor la altul la aeroport. Timp suplimentar de confort - necesar pentru a reduce riscurile de a alerga la check-in pentru un alt zbor. Timpul mediu al întârzierilor zborurilor - există statistici speciale pentru fiecare companie aeriană. Timpul ideal de conexiune pentru un zbor codeshare va scădea cel puțin datorită faptului că riscurile de întârziere a pasagerului pentru zbor în timpul conexiunii sunt asumate de compania aeriană - acum garantează că, chiar dacă călătorul întârzie, acestea vor fi totuși puse pe următorul zbor. Presupunând că t∗ch<t∗, acest lucru face pur și simplu ca graficul funcției utilitare pentru zborul codeshare A1 să se deplaseze spre dreapta: dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scară=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, scala=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, scară=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, scale=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, scară=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('Atractivitatea (utilitatea) zborurilor\n' + r' ale companiilor aeriene $A_{2}$ și $A_{3}$') plt.xlabel(r'$\Delta t$ (oră)') plt.ylabel('u', rotație=0) plt.legend() plt.show() Dacă anterior diferența față de timpul ideal de conexiune a fost de aproximativ 1 oră și 10 minute, pentru un zbor codeshare această diferență va fi de numai 20 de minute. Desigur, apropierea de timpul ideal de conexiune nu este singurul factor care afectează atractivitatea (utilitatea) unui zbor. Timpul de transfer este luat numai în scopuri ilustrative. Acum trebuie să înțelegem cum aceste trei valori împart traficul de pasageri în segmente de preț – vorbim în mod clar despre unele fracțiuni. Pentru a determina aceste fracțiuni, avem nevoie de un profil al cererii potențiale. prețuri_1 = np.linspace(100, 300, 1000) rvdem_1 = gamma(a=12, loc=100, scala=8) profile_1 = rvdem_1.pdf(prices_1) plt.plot(prices_1, profile_1, label=r'$H_{1}$') prețuri_2 = np.linspace(60, 200, 1000) rvdem_2 = gamma(a=8, loc=60, scala=7) profile_2 = rvdem_2.pdf(prices_2) plt.plot(prices_2, profile_2, label=r'$H_{2}$') prețuri_3 = np.linspace(240, 500, 1000) rvdem_3 = gamma(a=10, loc=230, scala=12) profile_3 = rvdem_3.pdf(prices_3) plt.plot(prices_3, profile_3, label=r'$H_{1}$') plt.legend() plt.xlabel('Prețul (c.u.)') plt.title('Profilele de cerere ale fluxului de pasageri'); Existența unui profil de cerere indică faptul că există o reprezentare fiabilă a prețurilor la care probabilitatea de a cumpăra un bilet este diferită de 0 sau 1 și cum depinde de preț. Ar trebui remarcat imediat că existența unor astfel de profiluri de preț nu permite demonstrarea rațională a practicilor vechi sau suboptime. În primul rând, odată ce cineva este familiarizat cu metodele ML, este destul de dificil să ne imaginăm cum ar putea cineva să facă ceva diferit, cu atât mai puțin să-l înrăutățească. În al doilea rând, există cel puțin mai multe metodologii pentru „predicția” numărului de bilete vândute la un anumit preț. Companii aeriene diferite pot folosi diferite. Unele, de obicei companiile aeriene mici se pot baza în întregime pe intuiție. Diferitele grade de atractivitate ale alternativelor trebuie să împartă cumva fluxurile de pasageri între companii aeriene, iar acum avem tot ce avem nevoie pentru a calcula α pentru fiecare dintre ele: Fluxul H1 între companii aeriene nu este împărțit. Numai fluxurile H2 și H3 sunt împărțite, iar diviziunea depinde de atractivitatea zborurilor, ceea ce afectează probabilitatea alegerii. fig, ax = plt.subplots(1, 3, figsize=(12, 3)) dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scala=1.4) ax[0].plot(dt, u, 'C0') dt = np.linspace(-5, 5, 300) u_ch = norm.pdf(dt, loc=0.8, scala=1.4) ax[0].plot(dt, u_ch, 'C0--') ax[1].plot(dt, u_ch, 'C0--') dt_1 = 1.15 u_1 = norm.pdf(dt_1, loc=0.8, scară=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, scară=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, scară=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('Atractivitatea pentru $H_3$\n(codeshare $A_{1}$ și $A_{2}$)') ax[0].set_xlabel(r'$\Delta t$ (oră)')') ax[1]. plot(dt, u, 'C0') dt_1 = 2.5 u_1 = norm.pdf(dt_1, loc=0.8, scară=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, scară=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, scară=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('Atractivitatea pentru $H_3$\n(codeshare $A_{1}$ și $A_{3}$)') ax[1].set_xlabel(r'$\Delta t$ (oră)')') dt = np.linspace(-5, 5, 300) u = norm.pdf(dt, loc=0, scară=2.6) plt.plot(dt, u, „C0”) dt_2 = 1.15 u_2 = norm.pdf(dt_2, loc=0, scară=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, scară=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('Atractivitatea pentru $H_2$') ax[2].set_xlabel(r'$\Delta t$ (oră)'); Cel mai simplu mod de a converti utilitățile în probabilități este de a înmulți fiecare dintre valori cu un anumit factor, astfel încât suma rezultată să fie egală cu 1: De exemplu, dacă A1 încheie un acord de partajare a codurilor cu A2, probabilitatea de a alege unul sau celălalt zbor este după cum urmează: u = np.array([0.28, 0.20, 0.06]) print(u / u.sum()) [0.51851852 0.37037037 0.11111111] P3(Choice=A1|Seg=1)=0.52; P3 (A alege = A2 Seg = 1) = 0,37; P3 (A alege = A3 Seg = 1) = 0,11. Cu toate acestea, alegerea este influențată nu numai de preferință, ci și de suma de bani disponibilă pentru a o face. Cunoscând profilurile de cerere, putem determina probabilitatea de a cumpăra un bilet la un anumit preț. Preț (1) 1 = 190 Preț (1) 3 = 370 Preț (2) 2 = 135 Preț(3)2 = 115 Apoi probabilitatea de a cumpăra un bilet la un anumit preț poate fi definită după cum urmează: De exemplu, probabilitatea ca un bilet pentru un zbor codeshare să fie cumpărat la 370 c.u. va fi egală cu 0,27: rvdem_3 = gamma(a=10, loc=230, scala=12) imprimare(rvdem_3.sf(370)) 0.2727250812333501 Călătorii care își pot permite un bilet la acest preț văd trei alternative în fața lor. Cu toate acestea, dacă o persoană își poate permite confortul maxim, nu înseamnă că el sau ea îl va folosi în mod necesar. Disponibilitatea alternativelor mai ieftine permite economisirea de bani - de aceea am calculat atractivitatea alternativelor și am determinat probabilitățile de alegere pe baza lor. Probabilitatea totală de alegere va fi egală cu: Probabilitățile rezultate de a alege un anumit zbor pentru acești pasageri vor fi egale: P3 (selecție = A1 Seg = 1) = 0,14; P3 (A alege = A2 / Sec = 1) = 0,1; P3(Choice=A3|Seg=1)=0.03. Rezultatul nu arată atât de impresionant, deoarece probabilitatea finală de a cumpăra un bilet pentru cel mai confortabil zbor nu este atât de mare. Ce se întâmplă cu cei care nu își pot permite să cumpere un astfel de bilet? În acest caz, el va avea la dispoziție două alternative: alege un zbor cu o conexiune convenabilă sau lungă. În funcție de utilitatea disponibilă, probabilitățile de alegere sunt după cum urmează: P3 (A alege = A2 / Sec = 2) = 0,77; P3 (A alege = A3 Seg = 2) = 0,23. u = np. array([0.20, 0.06]) Imprimați(u / u.sum()) [0.76923077 0.23076923] Probabilitatea de a cumpăra un bilet în acest caz va fi: rvdem_3 = gamma(a=10, loc=230, scară=12) imprimare(rvdem_3.sf(325)- rvdem_3.sf(370)) 0.4541835759677653 Probabilitățile de alegere pentru acești călători sunt următoarele: P3 (A alege = A2 / Sec = 2) = 0,35; P3 (A alege = A3 Seg = 2) = 0,1. Călătorii a căror sumă de bani se află în intervalul [305,325] își pot permite doar zborul A3. Probabilitatea de a cumpăra un bilet la prețul 305 pentru acest segment este: rvdem_3 = gamma(a=10, loc=230, scale=12) print(rvdem_3.sf(305)- rvdem_3.sf(325)) 0.17088396696109864 În cele din urmă, probabilitățile de a cumpăra un bilet pentru un anumit zbor vor fi exprimate ca o sumă simplă: Traficul de pasageri H3 vor fi împărțite între companiile aeriene după cum urmează: P3 (Opțiunea = A1) = 0,14 P3 (Opțiunea = A2) = 0,1 + 0,35 = 0,45; P3 (A alege = A3) = 0,03 + 0,1 + 0,17 = 0,3 Probabilitatea P(Cumpara = 0) ca biletul nu va fi cumparat este 0.1, ceea ce in sumă cu probabilitatile de alegere de mai sus da 1. După ce am făcut același lucru pentru fluxul de pasageri H2, obținem următoarele: P2 (Opțiunea = A2) = 0,1 P2(Choice=A3)=0.38. Traficul de pasageri H1 deși nu este împărțit între companii aeriene, dar datorită prețului de 190 ue o parte din ea va fi vărsată, astfel încât putem introduce totuși probabilitatea alegerii zborului P1(Opțiune=A1), care va fi determinată de preț (probabilitatea de a cumpăra un bilet la acest preț): rvdem_1 = gamma(a=12, loc=100, scară=8) imprimare(rvdem_1.sf(190)) 0.5494501693973257 Ar fi posibil să se descrie în detaliu toate valorile lui α, dar din moment ce am obținut deja valori specifice ale fracțiunilor, vom scrie totul într-o formă mai scurtă: Pentru o companie aeriană, optimizarea acordurilor de codeshare este o problemă de ambalare a rucsacurilor cu o variabilă binară egală cu una sau zero atunci când un zbor potențial este ales pentru a fi împărtășit sau nu. Principalele probleme încep atunci când se estimează valoarea articolelor stocate în rucsac. În cazul simplu, o companie aeriană poate decide că depinde de brand: dacă este atractivă, atunci un zbor codeshare va fi, de asemenea, atractiv. O abordare mai dezvoltată este de a utiliza mai multe criterii de atractivitate pentru a selecta un element. Fiecare element este un traseu care are orele de plecare și de sosire, precum și conexiuni care pot varia atât în ceea ce privește durata, cât și tipul. Prin urmare, alegerea unui element schimbă valoarea tuturor celorlalte, atât cele deja în rucsac, cât și cele care nu sunt încă ambalate. Acest lucru înseamnă că toate α trebuie calculate de fiecare dată când este selectat un element. Cu toate acestea, prin înmulțirea tuturor H cu prețurile corespunzătoare, puteți obține estimări destul de rezonabile ale veniturilor și, cel mai important, puteți afla cu cine și în ce condiții să încheiați un acord. Metoda este destul de crudă, dar trebuie remarcat faptul că aceasta leagă preferințele călătorilor de redistribuirea traficului de pasageri. Delta Airlines, unul dintre pionierii în optimizarea acordurilor de partajare a codurilor, a raportat că această evaluare a rutelor comune a furnizat până la 50 de milioane de dolari în venituri anuale suplimentare. Aceasta a fost nu numai una dintre cele mai remarcabile rezultate pentru anii 2000, ci și o dovadă directă a importanței preferințelor călătorilor. Air Canada a arătat mai târziu că această metodă a furnizat până la 80% mai multe venituri săptămânale decât metoda naivă care ia în considerare doar influența mărcii. Această metodă este rea în faptul că împarte problema în două părți: mai întâi trebuie să clasificăm alternativele și să calculăm acțiunile optime ale lui H, iar apoi să ne amintim că toate H sunt aleatorii și să calculăm cotele optime separat. Modelare și optimizare Compania aeriană A1 trebuie să găsească nu numai cele mai bune prețuri, ci și cote: w(1)3 – numărul de locuri rezervate pentru partajarea codurilor, iar w(1)1 – este numărul de locuri pentru cei care călătoresc de la A la B. Dacă denotăm cu V capacitatea aeronavei, atunci este îndeplinită o condiție simplă pentru cote: w(1)1+w(1)3V(1) – aceeași ca și pentru numărul de bilete vândute q(1)1+q(2)3+q(3)3w(1) и q(1)3w(1)3. De obicei, funcția țintă este gratuită și constă numai în creșterea veniturilor generate prin selectarea unui zbor comun. Cu toate acestea, pe lângă venituri, există și costuri care au un impact semnificativ asupra profitabilității zborurilor. Cfix – costuri fixe, de exemplu: remunerarea echipajului, taxele aeroportului pentru parcare, decolare și aterizare, siguranța aviației. Cvar - costuri variabile, care depind de numărul de pasageri, de exemplu: taxe pentru furnizarea de complex terminal de aeroport, manipularea bagajelor. Acest lucru ar include, de asemenea, costurile de kerosen, deoarece cantitatea sa depinde, de asemenea, de numărul de pasageri și bagaje, dar pentru simplitate vom face referire la Cfix. Пусть Cvar=cvarQ, de exemplu, cvar poate fi egal cu 25 c.u., valoarea căruia este pur și simplu înmulțită cu numărul de pasageri - Q. Preț(2)ch – costul locurilor achiziționate de la operatorul de transport aerian pentru un zbor codeshare. Apoi profitul mediu A1 va fi următoarea funcție: Beneficiile celei de-a doua companii aeriene: 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: Știm că Hj∼Poisson(λj). știind că Pj(Choice=Ai), am putea înregistra numărul de bilete cumpărate q(i)j ca: De asemenea, trebuie remarcat faptul că, dacă aeroporturile A și B sunt separate de un număr semnificativ de fusuri orare, amestecul H2 și H3 va avea o compoziție diferită în funcție de timp. De exemplu, dacă A3 reduce semnificativ prețul pe timp de noapte, această reducere poate fi văzută mai întâi de pasagerii din H3, deoarece aceștia pot avea zi în loc de noapte. Este important să ne amintim că datele vin întotdeauna mai întâi. Chiar dacă am scris Hj∼Poisson(λj) este o aproximație extrem de brută luată doar din motive de exemplu. În loc de distribuția Poisson, există întotdeauna o distribuție condiționată foarte complexă, care este ceea ce este derivat din date. Amestecarea fluxurilor de pasageri, capacitatea limitată a aeronavelor, cotele și multe alte nuanțe fac imposibilă derivarea distribuției numărului de bilete vândute analitic. Before modeling something, it is necessary to define the basic parameters of the problem. Să presupunem că ruta A→B→C este ruta Vladivostok-Moscova-Sochi: VVO→SVO→AER. Zborurile vor fi operate de următoarele aeronave: VVO→SVO – este operată de compania aeriană A1 pe aeronave A350 cu o capacitate de V=325. SVO→AER — is operated by airline A2 on A320 aircraft with a capacity of V=180. SVO→AER — is operated by airline A3 на on Boeing 737 aircraft with a capacity of V=190. Costurile fixe vor fi următoarele: C(1)fix — 48360 c.u.; C(2) fix – 10270 c.u.; C(2) fix – 9890 c.u. Costuri variabile : c(1)var — 6,8 c.u. / pasager c(2)var — 5.4 c.u. / passenger. c(2)var — 5.1 c.u. / pasager Să presupunem că fluxurile de pasageri sunt distribuite după cum urmează: H1 ~ Poisson (λ1 = 370) H2∼Poisson(λ2=350); H3∼Poisson(λ3=110). def prob_in_trafic(prețuri): preț_1, preț_2, preț_3 = preț rvdem_1 = gamma(a=12, loc=100, scala=8) rvdem_2 = gamma(a=8, loc=60, scala=7) rvdem_3 = gamma(a=10, loc=230, scala=12) pb_11 = rvdem_1.sf(price_1) pb_10 = 1 - pb_11 u\_2 = np.array(\[0.14, 0.1\]) pseg\_2 = uh\_2 / uh\_2.sum() dacă prețul\_2 > prețul\_3: pbp\_22 = rvdem\_2.sf(prețul\_2) pbp\_23 = rvdem\_2.sf(prețul\_3) - rvdem\_2.sf(prețul\_2) pb\_22 = pbp\_22 \* pseg\_2\[0] pb\23 = pbp\_2\[1\] + pbp\_23 alt: pbp\_22 = rvdem\_2.sf(prețul\2) pbp\_23 = rv\dem\2.sf(prețul_3) pb_22 = pbp\22 pb__23 = 0 pb\_20 = 1 - pb\_22 - pb\_23 ph\_2 = \[pb\_20, pb\_22, pb\_23\] uh\_3 = np.array(\[0.2, 0.06\]) pseg\_3 = uh\_3 / uh\_3.sum() dacă (preț\_1 + preț\_2) > (preț\_1 + preț\_3): pbp\_32 = rvdem\_3.sf(preț\_1 + preț\_2) pbp\_33 = rvdem\_3.sf(preț\_1 + preț\_3) - rvdem\_3.sf(preț\_1 + preț\_2) pbp\32 = pbp\_32 = rvdem\3.sf(preț\1 + preț\_3) pbp\33 = rvdem\3.sf(preț\1 + preț\_3) pbp\32 = pbp\32 = rvdem\33.sf(preț\1 + preț\_2) pbp\33 = rvdem\ pb\_30 = 1 - pb\_32 - pb\_33 întoarceți ph\_1, ph\_2, ph\_3 def vânzări(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 for iter in range(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 întoarce q\_1, q\_2, q\_3 def profit_a(prețuri, Q): profit_1 = Q[0] * prețuri[0] - Q[0] * 6.8 - 48360 profit_2 = Q[1] * prețuri[1] - Q[1] * 5.4 - 10270 profit_3 = Q[2] * prețuri[2] - Q[2] * 5.1 - 9890 return profit_1, profit_2, profit_3 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) Acum putem începe modelarea și optimizarea. Întrebările apar: ce și cum să optimizăm? Ce și ce să comparăm pentru a vedea dacă există o creștere a profitului? În mod ideal, fiecare companie aeriană dorește să-și mărească profitul, dar modificările prețului biletelor unei companii aeriene afectează întregul trafic de pasageri. Aceste modificări sunt observate de alte companii aeriene și, de asemenea, schimbă prețul, ceea ce duce din nou la modificări ale fluxurilor de pasageri. Acest lucru înseamnă că câștigurile de profit nu pot fi obținute prin aplicarea metodei de optimizare o singură dată. Să presupunem că nici o companie aeriană nu a încheiat acorduri de codeshare și să considerăm că următoarele prețuri sunt optime: Price(1)1=185; Prețul (2) 2 = 114; Preț(3) 2 = 110 Then the distributions of their profits will be as follows: prețuri = [185, 114, 110] q_data = [] profit_data = [] P = prob_in_trafic(prețuri) pentru i în interval(1000): Q = vânzări(P) q_data.append(Q) profit_data.append(profit_a(prețuri, 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('Distribuirea profitului companiilor aeriene') plt.tight_layout(); Pentru compania aeriană A3, prețul nu este în mod clar cel mai bun preț. Cu toate acestea, suntem interesați acum de exact modul în care profitul mediu al companiilor aeriene A2 și A3 se va schimba dacă intră într-un acord de codeshare unul cu celălalt. def prob_in_trafic_ch(prețuri): preț_1, preț_2, preț_3, preț_ch = preț[:-1] rvdem_1 = gamma(a=12, loc=100, scala=8) rvdem_2 = gamma(a=8, loc=60, scala=7) rvdem_3 = gamma(a=10, loc=230, scala=12) pb\_11 = rvdem\_1.sf(preț\_1) pb\_10 = 1 - pb\_11 u\_2 = np.array(\[0.14, 0.1\]) pseg\_2 = uh\_2 / uh\_2.sum() dacă prețul\_2 > prețul\_3: pbp\_22 = rvdem\_2.sf(prețul\_2) pbp\_23 = rvdem\_2.sf(prețul\_3) - rvdem\_2.sf(prețul\_2) pb\_22 = pbp\_22 \* pseg\_2\[0] pb\23 = pbp\_2\[1\] + pbp\_23 alt: pbp\_22 = rvdem\_2.sf(prețul\2) pbp\_23 = rv\dem\2.sf(prețul_3) pb_22 = pbp\22 pb__23 = 0 pb\_20 = 1 - pb\_22 - pb\_23 dacă prețul\_ch > (preț\_1 + preț\_2) > (preț\_1 + preț\_3): pbp\_31 = rvdem\_3.sf(preț\_ch) pbp\_32 = rvdem\_3.sf(preț\_1 + preț\_2) pbp\_31 = pbp\3.sf\33 = pbp\3.sf(preț\_1 + preț\_3) - rvdem\3.sf(preț\_1 + preț\_2) pb\_31 = pbp\31 \* pg\3_p_ch\0 \* pb_32 = pbp\31 \ pg\33 \ pg\3\\\ pg\1 \ pg\3\ pg pb\_30 = 1 - pb\_31 - pb\_32 - pb\_33 întoarceți 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 for iter in range(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 întoarceți q\_1, q\_1\_ch, q\_2, q\_3 def profit_a_ch(prețuri, Q, w_1): profit_1 = (Q[0] * prețuri[0] + Q[1] * prețuri[-2]) - (Q[0] + Q[1]) * 6.8 - w_1 * prețuri[-1] - 48360 profit_2 = (Q[2] * prețuri[1] + w_1 * prețuri[-1]) - (Q[2] + Q[1]) * 5.4 - 10270 profit_3 = Q[3] * prețuri[2] - Q[3] * 5.1 - 9890 return profit_1, profit_2, profit_3 def e_profit_ch(prețuri, w_1, n_iter): P = prob_in_trafic_ch(prețuri) returnează np.mean([profit_a_ch(prețuri, sales_ch(P, w_1), w_1) pentru _ în interval(n_iter)], ax = 0) Să ne uităm la toate valorile profitului A1 și A2 care sunt simultan mai mari decât zero: Într-adevăr, pentru a face acest lucru, este necesar să se acorde o atenție deosebită și să se acorde o atenție deosebită și să se acorde o atenție deosebită și să se acorde o atenție deosebită și să se acorde o atenție deosebită, să se acorde o atenție deosebită, să se acorde o atenție deosebită și să se acorde o atenție deosebită. x = np.linspace(0, 17500) y_1 = -x + 20000 y_2 = -0.8 * x + 20000 plt.plot(x, y_1, 'C3', label='Indiferență') plt.plot(x, y_2, 'C2', label='Interes') plt.xlabel(r'$A_{2}$ profit (c.u)') plt.ylabel(r'$A_{1}$ profit (c.u)') plt.title('Scatterul valorilor profitului pozitiv al a două companii aeriene') Cuvânt cheie: legende Citește mai departe show() Setul de puncte este limitat de sus de o anumită funcție în sus convexă și monoton descrescătoare, care conține toate punctele setului Pareto-eficient. Dacă acest set a fost simetric, atunci punctul setului care este cel mai aproape de linia de tăiere a segmentelor egale de la axele de coordonate ar putea fi luat ca punctul optim. Această abordare se numește o abordare indiferentă. Un set eficient este aproape niciodată simetric, astfel încât participanții au un interes în a se asigura că asimetria este luată în considerare în mod necesar atunci când iau o decizie comună. În acest caz, punctul cel mai apropiat de linia de deasupra setului și paralel cu linia care trece prin punctele de interes maxim este luat ca punctul optim (0, Profit 1) și ( Construcția unui astfel de set pentru o problemă în formă stochastică necesită întotdeauna cercetare și aproximare - nu poate fi construită analitic. Lăsați punctele de interes maxim să fie după cum urmează: (0, 12000) și (17500, 0). Ca o linie paralelă cu o altă linie care trece prin punctele de interes maxim, să luăm linia cu ecuația y=−0.8x+20000. Apoi prețurile optime vor lua următoarele valori: Prețul (1) 1 = 185; Prețul (2) 2 = 114; Prețul (1)ch = 345; Prețul (2)ch = 120; în (1) 3 = 29 După introducerea zborului codeshare, distribuția profitului va arăta astfel: prețuri_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) q_ch_data = [] profit_ch_data = [] pentru i în interval(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) prețuri_opt = [185, 114, 110, 345, 120] w_opt = 29 P = prob_in_trafic_ch(prices_opt) q_ch_data = [] profit_ch_data = [] pentru i în interval(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) În plus față de creșterea profiturilor, am rezolvat în liniște problema negocierilor.Toți algoritmii pentru optimizarea acordurilor de partajare a codurilor optimizează veniturile unei singure companii aeriene.În cele din urmă, două companii aeriene (potențiali parteneri) folosind un astfel de algoritm se vor întâlni la negocieri cu cifre diferite - ceea ce înseamnă că în rezultatul final totul va depinde de modul în care vor negocia.Construirea unui set Pareto-eficient nu numai că optimizează profiturile ambelor companii aeriene, dar face, de asemenea, negocierile mult mai ușoare, deschizând o cale mai directă și mai scurtă către teoria jocurilor - eliminând complet elementul uman. Ideea de îmbuteliere și capturare a pasagerilor este foarte profundă și are implicații „de departe”.Câți bani pot fi câștigați dintr-o astfel de idee?Testarea pe date reale și simulate arată că luarea în considerare a preferințelor călătorilor împreună cu calcularea cotelor optime și a profiturilor pentru ambele companii aeriene generează câștiguri semnificative față de metodele preferențiale: The red color shows how much is lost by the airlines that did not enter into an agreement — you can see that, on average, the loss exceeds the gain of the airlines that created a codeshare flight. A vorbi despre concurență ca atare nu este destul de adecvat aici. Punctul este că schimbările în fluxurile de pasageri afectează întreaga rețea de rute. Efectele negative sau pozitive ale unor astfel de schimbări pot afecta toți participanții la rețea: parteneri, concurenți și chiar cei care nu au fost luați în considerare deloc. De asemenea, companiile aeriene supraestimează adesea atractivitatea zborurilor codeshare. Uneori prețurile sunt umflate cu mai mult de 100 de dolari. Călătorii apreciază foarte mult confortul, dar din cauza prețului extrem de umflat, aleg opțiuni mai puțin confortabile, dar mult mai ieftine. Dacă operatorul (cel care transportă efectiv pasageri) nu știe cum să calculeze setul de soluții Pareto-optim, operatorul de marketing (cel care vinde bilete) poate profita cu ușurință de acest lucru și să plătească mai puțin decât ar trebui. Apropo, în acest articol a fost luat în considerare doar unul dintre cele mai comune tipuri de codeshare de vânzare gratuită – atunci când ambele companii aeriene pot publica zborul celuilalt transportator ca fiind propriu, cu puține sau nici o restricție asupra numărului de locuri care pot fi vândute (în cadrul capacității aeronavei sau a limitelor stabilite). Cu toate acestea, metoda de optimizare luată în considerare este potrivită și pentru alte tipuri de codeshare, de exemplu, spațiu bloc – atunci când numărul de locuri care urmează să fie vândute de către un transportator de marketing este fix. Pe de o parte, luarea în considerare a acordurilor diferite face sarcina un pic mai complicată, dar pe de altă parte, permite companiei aeriene să combine condiții diferite, optimizând nu numai profiturile, ci și atractivitatea atât pentru pasagerii obișnuiți, cât și pentru cei noi datorită rețelei vaste de rute. În concluzie O creștere de 5% a profitului doar datorită acordurilor de codeshare nu este un rezultat rău. Poate fi mai mult? Desigur, da. Această problemă poate fi văzută ca o extensie a problemei de atribuire a flotei IFAM bazată pe modelarea compoziției pasagerilor și pe principiul fluxului de pasageri bottleneck/capture. Un zbor codeshare poate fi conceptualizat ca un zbor operat de unele aeronave virtuale. Acest lucru înseamnă că se pot folosi tehnici deja bine stabilite pentru optimizare ulterioară - de exemplu, optimizarea la nivelul prețurilor dinamice (subclasele) mai degrabă decât valorile medii și brute. IFAM consideră doar o singură companie aeriană, dar inovația acestui model constă tocmai în faptul că pentru prima dată a început să ia în considerare impactul schimbărilor în unele fluxuri de pasageri asupra schimbărilor în alte fluxuri de pasageri. Dificultatea cu extinderea IFAM este că fiecare zbor partajat potențial ar trebui într-adevăr să fie tratat ca un avion virtual separat. Ar putea exista mai mult de 100 sau chiar 1.000 de astfel de avioane potențiale în flota unei companii aeriene. Și asta nu este tot – decizia IFAM este de obicei precedată de sarcina de a forma programul, care este conceput în mare parte cu apelul călătorilor în minte. Când se adaugă zboruri codeshare, gradul în care programele de zbor fixe ale avioanelor virtuale sunt în concordanță cu programele fixe pe care zboară avioanele reale ale companiei aeriene trebuie luat în considerare. Cel mai important, după selectarea fiecărui avion virtual și a prețului biletului, va trebui să se calculeze redistribuirea fluxurilor de pas După cum s-a menționat la începutul articolului, soluția la această problemă este posibilă numai dacă există date – mai precis, o cantitate imensă de date. Într-un fel sau altul, totul se reduce la modelarea alegerilor discrete pe care călătorii le fac. Unele companii aeriene, cu cantitățile lor mari de date istorice, fac o treabă destul de bună cu acest lucru, dar chiar și ele nu pot concura cu GDS (Global Distribution System). Acest lucru se datorează faptului că companiile aeriene au date despre fluxurile de pasageri ale rețelelor lor de rută, în timp ce GDS vede întreaga imagine și este capabil să analizeze un număr mult mai mare de ambele rute și scenarii de schimbări ale fluxurilor de pasageri. Cu toate acestea, trebuie spus că acest În realitate, nici o companie aeriană nu va putea vreodată să evalueze redistribuirea fluxurilor de pasageri în timp util, pur și simplu pentru că necesită date de la alte companii aeriene. În acest articol am abordat, deși în trecut, tema optimizării multi-criterii, care facilitează negocierile, ceea ce, la rândul său, ne duce în teoria jocului. Dar această teorie a dovedit în mod repetat că strategiile de cooperare sunt cele mai profitabile și durabile. Pentru a realiza acest lucru, este necesară o nouă generație de GDS, atunci orice companie aeriană ar avea acces la date anonimizate privind traficul de pasageri al altor companii aeriene. Datorită acestui fapt, este posibil să se realizeze un nivel calitativ nou de optimizare nu numai a acordurilor de codeshare, ci Pentru a înțelege posibilitățile GDS, să punem o întrebare simplă: ce s-ar întâmpla dacă în problema luată în considerare toate zborurile nu ar fi fost efectuate de trei, ci de o singură companie aeriană? În acest caz, numai suma medie a profiturilor din toate zborurile ar putea fi optimizată. Veți obține problema obișnuită IFAM, iar câștigul în profitul total devine mult mai mare decât de la introducerea zborurilor codeshare. Singura problemă este că zborurile sunt operate de companii aeriene diferite. Gestionarea centralizată are mai multe avantaje, dar are și dificultăți. Din cauza datelor insuficiente, companiile aeriene nu pot face acest lucru, dar GDS poate.