La science de la prévision et de l'optimisation de la volonté de payer (WTP) révolutionne le RM des compagnies aériennes en les aidant à prévoir et à fixer les prix en fonction de la sensibilité des clients au prix, et non de la disponibilité des classes.
La prévision de la volonté de payer est une technologie inédite dans le secteur qui aide les compagnies aériennes à lutter scientifiquement contre la baisse des prix et à générer des revenus supplémentaires. Le rachat est le concept selon lequel les passagers ont une certaine volonté de payer pour un produit mais rachètent la classe la plus basse disponible. Cet effet dilue les recettes de la compagnie aérienne, à moins que des mesures de protection ne soient mises en place pour empêcher ce phénomène. Dans un environnement où il y a peu de concurrents ou des structures tarifaires cloisonnées, le rachat est automatiquement contrôlé par la segmentation implicite des tarifs déposés. Toutefois, comme le secteur du transport aérien s'est éloigné des barrières traditionnelles, il faut davantage de données pour contrôler la disponibilité afin d'empêcher le rachat. L'adoption de cette approche permet d'adopter une démarche plus scientifique à l'égard d'une question qui était auparavant traitée par une intervention manuelle.
PROS a poursuivi l'évolution de cette approche en mettant en œuvre la méthodologie de prévision et d'optimisation de la volonté de payer (WTP) de PROS. Ce guide présente les étapes clés de la méthodologie WTP :
Dans les premiers temps des pratiques de gestion des recettes, les codes de classe (RBD, classes, classe tarifaire, etc.) étaient le principal indicateur de la segmentation de la volonté de payer d'un passager, ou de sa sensibilité au prix. La classe représente le "produit" que le passager souhaite acheter et le prix associé à ce produit. La compagnie aérienne a déposé des tarifs pour chacune des classes en fonction de la sensibilité au prix du passager et des conditions associées au tarif. Ces conditions constituaient le produit particulier que le passager souhaitait acheter. Il s'agit de conditions tangibles telles que la possibilité d'annuler ou de rembourser le billet. Il s'agit également de conditions telles que le nombre de jours avant le départ pour l'achat du billet. Ces conditions, et d'autres, ont été conçues pour créer une segmentation parmi les passagers. Dans certains cas, ces pratiques sont encore utilisées. Le choix d'un produit particulier par le passager peut être une décision passive ou active. Dans certains cas, le passager choisit activement les conditions du tarif, alors que dans d'autres cas, le nombre de jours avant le départ qu'un passager achetait lui faisait ignorer qu'il choisissait le produit et qu'il s'agissait donc d'une décision passive.
Le système traditionnel de gestion des recettes prévoit la demande des passagers pour chacune de ces classes et optimise ensuite en supposant que la demande est purement intéressée par l'achat de ce code de classe en raison des restrictions et des conditions tarifaires. L'optimisation qui en résulte produit des contrôles, généralement des prix d'offre, qui fixent la classe disponible la plus basse qui doit être vendue sur la base des contraintes de capacité imposées par la demande attendue et la valeur de cette demande. Pour ce faire, on compare le tarif de la classe au prix de l'offre, qui sert de seuil de rentabilité.
Toutefois, avec l'évolution des compagnies aériennes vers la distribution numérique des prix et l'entrée des transporteurs à bas prix (LCC) sur un plus grand nombre de marchés, des efforts plus ciblés ont été déployés pour supprimer les barrières tarifaires qui étaient traditionnellement visibles pour les compagnies aériennes. La suppression de cette segmentation se traduit par des codes de classe ayant la même association de produits, mais à des niveaux de prix différents. On observe alors un effet d'achat à la baisse, le passager ne choisissant que la classe la moins chère. Ce problème étant de plus en plus répandu, les compagnies aériennes ont commencé à utiliser différentes expressions telles que élasticité des prix, sensibilité aux prix, buy-up, buy-down, trade-up, yield-up, spiral down, problème de dépendance à l'égard de la classe, etc. Tous ces termes décrivent la situation à laquelle elles sont confrontées et soulignent la nécessité d'y remédier. Pour lutter contre cette situation, les compagnies aériennes ont utilisé différentes approches. Dans la plupart des cas, les compagnies aériennes choisissent d'utiliser une approche basée sur des règles en combinaison avec les prévisions et l'optimisation traditionnelles. Dans le cadre de cette approche combinée, le prix de l'offre fixe la classe disponible la plus basse sur la seule base des contraintes de capacité, puis l'analyste crée une action ou une règle qui ferme les classes inférieures à l'approche de la date de départ, forçant ainsi la demande à acheter ces classes, ce qui évite la dilution.
Dans certains cas, l'analyste peut également utiliser une règle de facteur de charge qui fermera les classes inférieures au fur et à mesure que le facteur de charge augmente. Les compagnies aériennes peuvent également combiner ces approches.
Cette approche s'est avérée précieuse pour les compagnies aériennes, en particulier celles qui adoptent une approche méthodique pour créer les règles. Cependant, l'application de ces règles peut souvent être trop large ou mal définie, ce qui entraîne une fermeture trop importante ou trop faible. En outre, cette approche peut également avoir un impact sur l'effet de réseau en annulant le résultat de l'optimisation du réseau. Enfin, en raison de l'effort manuel important que cette approche requiert, les compagnies aériennes s'exposent à des erreurs de saisie ou à des opportunités manquées.
Une autre approche que les compagnies aériennes peuvent employer est une méthodologie qui augmente la demande dans les classes supérieures, plus près du départ. Cela donne à l'optimisation traditionnelle l'impression qu'il existe une demande plus élevée à l'approche du départ, ce qui permet de fixer les contrôles à un niveau de disponibilité plus élevé. L'hypothèse de cette approche est qu'il existe une demande suffisante pour les classes disposées à payer ce tarif. Cependant, cette approche repose uniquement sur le prix de l'offre pour forcer le rachat, ce qui n'est pas l'utilisation prévue. Si la demande pour un vol n'est pas suffisante pour remplir l'avion, le prix de l'offre sera probablement très bas, ce qui indique que n'importe quel tarif est vendable.
Dans ce cas, il reste potentiellement des possibilités de revenus en forçant la demande à acheter dans les classes supérieures, ce qui ne sera pas possible en utilisant uniquement le prix de l'offre.
La suite de ce guide est une plongée en profondeur dans l'approche recommandée par PROS pour la prévision et l'optimisation avec la méthodologie WTP.
Figure 1 Aperçu des principales étapes du processus et de l'approche PROS pour résoudre ces étapes.
The lambda parameter estimates the volume component of the function and the alpha parameter represents the shape of the curve. Alpha also represents the amount of price sensitivity in the demand (figure 2). The p0 is a minimum price in the market.
Given this formulation, the next step is for the PROS Bayesian forecaster to generate a forecast of the alpha and lambda parameters. This is done by first generating historical observations of the alpha and lambda values. In a traditional bookings forecast, the observations are the bookings and a constraint probability, which is used to calculate an unconstrained bookings observation. These unconstrained bookings are used as an input into the model. In the WTP model, the alpha and lambda parameters are not directly observed, but instead are generated based on the historically observed bookings and the price paid for those bookings.
Figure 2 Representation of the parameters of the exponential demand curve.
Figure 3 Price Demand curve after discretization to the class level.
This approach provides several key characteristics that make it a robust model for estimation of the price sensitivity. Those are:
This forecast is then sent to the optimization process for fare transformation.
PROS RM Advantage uses the properties of the network optimization and dynamic program where the transformed fare and demand can be used, without any changes to the traditional formulation. This means that the primary focus on the WTP Optimization is the calculation of the transformed fares and demand.
The transformation process is a marginal revenue calculation called the Concave Envelope Data Transformation (CEDT). The algorithm assesses those fare classes that are on the efficient frontier. An efficient class, one on the efficient frontier, is one that should be open under at least one available capacity scenario to maximize revenue. A class lying below the efficient frontier, called inefficient, is a class that should never be open for sale under any available capacity scenario and thus the class is closed or inherits the availability from the class below it. The intention of this process is to identify classes where the revenue is diluted so much that it results in a negative margin, thus in a revenue maximization process, it is optimal to close the class. Once this step of closing classes has occurred, the system next performs a demand and fare transformation. The purpose of this step is to provide an estimation of the actual amount of demand expected at each class and the relative value of that class, given the incremental revenue achieved in that class. The transformed demand is calculated as the incremental demand if one additional class is open for sale. The transformed fare represents the incremental revenue per passenger if one additional class is open for sale. Once the transformed fare and demand are calculated, they are sent to the Linear Program for network optimization and the dynamic program for leg optimization. The resulting outputs from the optimization are the flight/leg/compartment bid prices and the ODIF/ POS level transformed fares. Figures 4-6 show an example of this calculation of transformed fares and demand.
Figure 4 The demand (as calculated from the forecast), daily fare, and calculated cumulative revenue. These represent the input into CEDT.
Figure 5 Visual representation of the efficient frontier. Class V lies below the efficient frontier and thus is inefficient.
Figure 6 Transformed demand and fares calculated. Since V class is inefficient, the transformed fare is $0.
Since the transformed fare is the representation of the incremental revenue for a given class, this is now used when comparing a fare to the bid price for the purposes of determining availability. PROS RM Advantage outputs the necessary data for consumption by the availability calculator. PROS RTDP Advantage is seamlessly integrated with RM Advantage, allowing the system to send real-time updates of new bid prices to RTDP. Once this data is in RTDP, the availability is calculated by comparing the transformed fare to the bid price. If RTDP does not find the transformed fare, the system falls back to the daily fare provided by RM Advantage.
As the airline industry continues to evolve to keep up with market shifts and competitive environments, airline revenue management systems must evolve and modernize with it. One of the biggest evolutions related to revenue management is the way the price and product are presented in the market and how the price sensitivity of the passenger is considered. Airlines have approached this with unscientific, rules-based methods, which at best prevent significant revenue dilution and at worst cause more revenue dilution.
The solution to this is to perform scientific forecasting and optimization steps to best capture the price-sensitive demand and adjust availability accordingly. With PROS WTP methodology, PROS has built upon previous experiences from traditional and hybrid forecasting and optimization to build the next stage in modernizing airline revenue management. The WTP model uses the observed bookings and the fare of those bookings to estimate a continuous price/demand curve. These forecasts are then discretized to the class level and sent to optimization where optimal controls can be generated. This data is seamlessly integrated with PROS RTDP to distribute accurate and timely availability.
The benefits of PROS WTP Forecasting and Optimization include both revenue improvement as well as more flexibility in the model for the analyst in the changing business environment. The revenue improvements have been studied using both simulation methods as well as with real data.
This solution has proven benefits in both simulation and with real airline data. The results consistently show an improvement of between 1% and 3% over traditional revenue management controls where the fare classes are assumed independent.
The improvement is on top of the benefits already achieved by moving to O&D-level forecasting to take into account the network effect.
The revenue benefits will be dependent on the market characteristics, including the competitive environment, fare fences/conditions, and the price sensitivity of passengers. Regardless, Willingness-to-Pay methodology unveils great revenue potential for airlines to exploit on the path to class-free dynamic pricing and modern airline retailing.
Justin Jander is a Senior Director of Product Management, focusing on the Revenue Management products at PROS. Justin has been with PROS for 14 years, all within the Product Management group, focusing on the travel products. During that time, he has overseen the continuous improvement of the PROS revenue management products. These improvements have been through new features and functionality that improve the industry-leading science as well as enhancements to the way analysts use the system. In order to understand the needs of the always-changing industry, he has worked with airlines across the world, which allows him to understand the business problem and translate that into features that can improve the RM system. His most recent accomplishment includes the successful launch of the new PROS RM Editions product, which includes launching RM Essentials and RM Advantage.
Justin earned a Bachelor of Science degree in Mathematics from Stephen F. Austin State University and a Master of Science degree in Statistical Science from Southern Methodist University.
Français 
English 
Deutsch (Sie) 