Havayolunda Yapay Zekâ ile Gelir Yönetimi: Fiyatlama, Talep Tahmini ve Yan Gelirler
Günlük bir algoritmik karara bu kadar çok gelir bağlı olan çok az sektör var. 2 milyar dolarlık yolcu geliri olan bir havayolu, RASK’taki her %1 için yılda yaklaşık 20 milyon dolar hareket ettirir — ve gelir yönetimi, bu sayıyı tek bir uçak, hat ya da çalışan eklemeden hareket ettiren az sayıdaki koldan biridir.
Disiplin elli yıllık. Değişen şey araç kutusu: sabit ücret sınıfları dünyası için kurulmuş bacak (leg) temelli sezgisel yöntemlerin yerini, makine öğrenmeli talep modelleri ve her talebi bağlamı içinde fiyatlayan optimizasyon alıyor. Bu modernleşmenin gerçekte neleri içerdiğini — ve yapılmadığında neyin kırıldığını — aşağıda anlatıyoruz.
Eski mimari parayı nerede masada bırakıyor
Klasik gelir yönetimi artık geçerli olmayan varsayımlara dayanır:
- Ağ dünyasında bacak temelli düşünce. Her uçuş bacağını bağımsız optimize etmek, aktarmalı seyahatleri yanlış fiyatlar — oysa ağ taşıyıcılarının marjı tam oradadır. Doğru çerçeve, teklif fiyatı (bid price) kontrolüyle kalkış–varış (O&D) optimizasyonudur ve hesaplama açısından öyle zorludur ki birçok taşıyıcı hâlâ yaklaşık çözümlerle idare eder.
- Bağımsız talep ve sabit ücret sınıfları. Geleneksel modeller her rezervasyon sınıfının, başka nelerin açık olduğundan etkilenmeyen kendi talebi olduğunu varsayar. Her taşıyıcıdaki her ücretin bir arama uzaklıkta olduğu bir pazarda talep yüksek ölçüde bağımlıdır — aşağı kayma (buy-down) ve yukarı satış (sell-up) davranışı baskındır ve bunu yok sayan modeller sistematik olarak yanılır.
- Ortalama olarak rezervasyon eğrileri. Tarihsel ortalama eğriler tam da önemli oldukları anda kırılır: yeni bir rakip, bir tarife değişikliği, bir etkinlik, bir talep şoku. Eğri, artık var olmayan bir dünyanın özetidir.
- Ölçekte analist müdahaleleri. Yirmi kişilik bir analist ekibi, günlük binlerce O&D × kalkış tarihi kombinasyonunu anlamlı biçimde inceleyemez. Sonunda en gürültülü %5’i yönetir, geri kalanını varsayılanlara bırakırlar.
Modern mimari, bileşen bileşen
O&D düzeyinde talep tahmini. Pazar ve kalkış tarihi bazında, eski modellerin yok saydığı her şeyle koşullanmış makine öğrenmeli bir tahmin: haftanın günü ve mevsimsellik, tatiller ve okul takvimleri, etkinlikler, rakip tarife ve kapasite değişiklikleri, satış noktası karışımı için makro ve kur sinyalleri ve o ana kadarki rezervasyon temposu. Gradyan artırmalı modeller de modern zaman serisi mimarileri de burada iyi çalışır; mühendislik zorluğu, öznitelik hattı ve yeni hatlarda soğuk başlangıç davranışıdır — orada benzer pazarlardan öğrenme aktarımı, boş sayfayı yener.
Ödeme isteği ve esneklik. Eski sistemlere göre en büyük sıçrama. Model, “Q sınıfına kaç rezervasyon gelecek” yerine talep eğrisini tahmin eder — hacmin fiyata segment, rezervasyon ufku ve seyahat amacına göre nasıl tepki verdiğini. Bu, sansürlü verinin açıkça ele alınmasını gerektirir: yalnızca sunduğunuz fiyatlardan sattıklarınızı gözlemlersiniz; dolayısıyla talebi sansürden arındırmak ve kasıtlı fiyat deneyleri yürütmek sonradan akla gelen bir şey değil, temel pratik hâline gelir.
Rekabetçi ücret istihbaratı. Toplanan ve beslenen ücret verisinin karşılaştırılabilir bir yapıya normalize edilmesi ve rakip tepki modellemesi. Buradaki tuzak naif eşleştirmedir — her zaman altına giren bir kural, iki taşıyıcının da kaybettiği bir dibe yarışa dönüşür. Fiyatı aynalamayın, tepkiyi modelleyin.
Sürekli fiyatlama ve dinamik teklifler. NDC tabanlı dağıtımla çıktı bir ücret sınıfı olmaktan çıkar, bir fiyata dönüşür — potansiyel olarak talep başına, kanal başına, bağlam başına. Bu, havayolu fiyatlamasında onyılların en büyük yapısal değişimi ve saniye altı çıkarım, katı korkuluklar ve teklif edilenle satılan arasında kusursuz tutarlılık gerektiriyor.
Koltuk envanteri ve ağ optimizasyonu. Tahmin ve ödeme isteği eğrisi verildiğinde neyin kabul edileceğine karar vermek: bacak başına teklif fiyatları, aktarmalı trafik için yer değiştirme maliyeti ve ağa saygı duyan müsaitlik kontrolleri. Bu bir tahmin değil, matematiksel optimizasyondur — araç rotalayan ve iş gücü çizelgeleyen optimizasyon ve karar bilimi araç kutusunun aynısı.
Fazla rezervasyon ve gelmeme tahmini. Uçuş bazında gelmeme (no-show) ve iptal modelleri, kaba bir fazla rezervasyon katsayısını kalibre edilmiş bir katsayıya dönüştürür. ROI iki taraftan da gelir: gelmeyenlere satılmayan boş koltuk azalır ve para ve müşteri kaybettiren biniş reddi azalır.
Yan gelirler. Marjın giderek daha çok bulunduğu yer. Koltuk seçimi, bagaj, öncelik, lounge ve paketlerin her birinin kendi esnekliği vardır ve optimizasyon ortaktır: paket, ücretten bağımsız değil, ücrete karşı fiyatlanır. Bu envanter üzerinde kişiselleştirilmiş teklif sıralaması, ticari bir organizasyonda genellikle değere en hızlı ulaşan yapay zekâ projesidir; çünkü veri temizdir ve geri bildirim döngüsü anındadır.
Grup ve kargo. Yer değiştirme farkındalıklı fiyatlamayla grup teklifleri ve karın altı kargo kapasitesi ile navlun optimizasyonu — ikisi de klasik olarak az modellenir ve ikisi de sessizce önemlidir.
Veri ön koşulları (burada dürüst olun)
Modern gelir yönetimi, saklamış ya da saklamamış olabileceğiniz bir geçmişe ihtiyaç duyar: zaman damgalı rezervasyon ve iptal işlemleri (son durum anlık görüntüleri değil — sinyal tempodur), müsaitlik geçmişi (ne zaman gerçekte ne sunulduğu; bu olmadan talebi sansürden arındıramazsınız), gözlendiği hâliyle rakip ücretleri, gelmeme ve biniş reddi kayıtları, yan ürün bağlanma verisi ve tarife değişikliği geçmişi. Müsaitlik geçmişi hiç saklanmadıysa bugün saklamaya başlayın; beklediğiniz her ay, yeniden oluşturulamayacak bir eğitim verisi kaybıdır.
Bunu savunulabilir kılan korkuluklar
- Pazar bazında fiyat tabanları, tavanları ve değişim hızı limitleri; böylece bir model hatası manşet üretemez.
- Korunan özelliklere göre fiyatlama yok ve bireyselleştirilmiş fiyatlamaya benzeyen her şeye kasıtlı özen — düzenleyici ve itibari risk asimetriktir; kişiselleştirilmiş fiyatlamaya yönelik tüketici koruma denetimi hem AB’de hem Türkiye’de artıyor.
- Analistler için açıklanabilirlik. Gelir yönetimi ekipleri, kendilerini geçersiz kılan bir kara kutuya güvenmez. Tahmini, esneklik kestirimini ve önerinin gerekçesini görünür kılın — benimseme buna doğruluktan daha çok bağlıdır.
- Kayıt altında insan müdahalesi ve müdahalelerin bir sinir bozukluğu değil, model iyileştirme sinyali olarak incelenmesi.
- Özerklikten önce gölge modu. Yeni motoru mevcutla birlikte çalıştırın, önerileri karşılaştırın ve tek bir ücret değişmeden önce ayrışmayı sayısallaştırın.
Dürüst ölçüm nasıl yapılır
Tek inandırıcı ölçüm kontrollü karşılaştırmadır: pazarlarınızı mevsimsellik, rekabet yoğunluğu ve uçuş mesafesi bakımından eşleştirilmiş test ve kontrol gruplarına ayırın, yeni sistemi test grubunda çalıştırın ve tam bir rezervasyon döngüsü boyunca RASK ile doluluk oranını karşılaştırın. Kaçırılan talebi (kabul edeceğiniz bir fiyattan reddedilen) ve boş uçan koltukları doğrudan izleyin; tahmin hatasını gelirden bağımsız takip edin ki sayının neden hareket ettiğini bilesiniz. Herkesin ilk başvurduğu karşılaştırmaya dikkat — farklı kapasite, farklı rekabet ve farklı yakıt fiyatı olan bir döneme karşı yıldan yıla kıyas hiçbir şey kanıtlamaz.
İyi yürütülen bir programın tipik sonucu, RASK iyileşmesinde düşük tek haneli yüzdelere oturur. Gelir tabanınızla çarpana kadar bu mütevazı görünür.
Nereden başlamalı
Gelir yönetimi sistemini değiştirmeyin. Tek bir bileşen seçin — genellikle tanımlı bir pazar kümesi için talep tahmini ya da etki yarıçapının küçük olduğu yan ürün fiyatlaması — ve tam bir rezervasyon döngüsü, diyelim sekiz ila on iki hafta boyunca gölge modda çalıştırın. Tahminin ayrılmış veride mevcut sistemi geçtiğini kanıtlayın, sonra test pazarlarında müsaitliği yönetmesine izin verin. Bu, her yapay zekâ devreye alımında kullandığımız emekle-yürü-koş yayının aynısı ve bir fiyatlama hatasının dakikalar içinde bir karşılaştırma sitesinde göründüğü bir işte tek sorumlu yaklaşım.
Aynı matematik havacılığın çok ötesinde geçerli — oteller, demiryolu, feribot, araç kiralama, taşımacılık ve bozulabilir kapasite satan her iş yapısal olarak aynı sorunlarla karşılaşır; bunu yapay zekâ ile dinamik fiyatlandırma yazısında ele alıyoruz.
Gelir yönetimini mevcut ağınızdan daha eski bir sistemle mi yürütüyorsunuz? Verinize bakalım ve neyi destekleyebileceğini görelim.