Aviation 101，你所不知的航空收益管理-航空公司的需求預測？

需求模型預測. “Aviation 101，你所不知的航空收益管理-航空公司的需求預測？” is published by Sherry T. GetstartedOpeninappSherryTSigninGetstarted12FollowersAboutGetstartedOpeninappAviation101，你所不知的航空收益管理-航空公司的需求預測？SherryTJun20,2020·4minread需求模型預測基本的terminology都釐清之後，我們可以開始討論一些比較有趣的東西了。

你有沒有想過航空公司是怎麼做預測的呢？是一架一架飛機預測載客數？還是按照同一個航班不同的時間一起預測再均分到每一個時段？如果今天一個人從YYZ到TPE經過IAD，這兩個航班的載客量是不是應該要有某種關係？事實上需求預測模型比想像中的簡單，但是牽扯到O＆Ｄ的概念。

在模型預測上，你必須要忘掉原本的實體的航班，而是以O&D的角度來建立model。

常用的模型是時間序列的模型，而常用的變數包含出發國家/出發機場/到達機場/航班出發時間/乘客類別/星期/飛行時間/艙等/航程。

多數的情況下，一張5/25出發的票會有331天的出售日，也就是出發日開始回推331天是可以銷售的日期。

在這一年的時間，可能根據市場的不同、消費者的差異，銷售狀況也會不盡相同。

某一些市場消費者會傾向在早鳥訂購（例如：特別是旅遊為主的城市，像曼谷、普吉島、賽取樂斯等等）但這些市場也會隨著季節有所不同（例如：聖誕假期、暑假、開學季…等等）所以模型除了根據上述的變數個別建立模型之外，還會另外分出季節性參數以及趨勢參數，以及根據每個市場消費型態來切割331天的出發日成為不同的區段。

雖然不能把詳細的模型架構寫出來，但是統整一下上述所談及得模型：模型會以出發國家/出發機場/到達機場/航班出發時間/乘客類別/星期/飛行時間/艙等/航程為單位，並且切割331天的日期到不同的bucket中，把消費習慣相近的日期group在一起做模型modeloutput=base+trend+seasonality其實概念就像是基於上面所有維度產出ARIMA(2,x,y)的模型。

Voila！這就是航空業的預測模型，其實並不是很困難吧。

補充上述幾個dimension中有幾個比較特別的或是非同業比較不熟悉的維度：出發機場/到達機場：其實起降會將online與trip都納入考量，你可能會覺得很奇怪，trip明明就跟航空公司航線沒有關係，為什麼我們要注意他們呢？其實當trip不等於online時，只有幾個特定有產生足量的需求才會被納入考量，這是因為這些特定的trip量到了一個程度時，發生在市場的狀況就必須獨立出來考量。

e.g.卡達航空的香港到杜哈航段可能有一部分的載客來自於台灣，如果今天台灣市場發生一些狀況，那我們就只需要調整trip是台灣起訖的模型就好。

乘客類別：這裡的乘客類別並非真正的區分消費者，通常我們只會區分乘客為團客或是散客，因為團客會有較不同於散客的取消行為以及showuprate飛行時間：有在觀察機票的人多多少少都會注意到，同樣一段航程轉機時間的差異會很直接的影響票價，這也是為什麼飛行時間會被納入考量的原因延伸閱讀：customerchoicemodel艙等:這裡的艙等除了指頭等/商務/經濟艙之外，其實每一個艙等都被航空公司再細分為很多不同的子艙等，目的就是為了做定價策略以及販售不同的消費組合。

航程：航程及為Ａ點到Ｂ點的實際飛行途徑。

這個feature基本上只有非常大的航空公司，有兩個以上hub的公司才會用到(e.g.漢莎航空就有MUCandFRA兩個hub，所以在考慮流量時就必須考慮這兩個航點的乘客流量）通常一般的航空公司P2P或是只有一個hub,不太會用到這個維度。

介紹完forecastmodel,下一期我們就要來談談我們是如何看到票價產出的過程，以及為何我們會時常看到不一樣的票價延伸閱讀：Aviation101，你所不知的航空收益管理-這些專有名詞是什麼意思？延伸閱讀：Aviation101，票價結構：到底什麼時候買機票最划算？延伸閱讀：Aviation101，為什麼價格一直變？航空業浮動價格的機制與利潤最佳化演算法AUHSherryT一個世界打工仔的一些所見所聞FollowAviationForecastingRevenueManagement大數據航空MorefromSherryTFollow一個世界打工仔的一些所見所聞