از هوش تجاری BI تا هوش مصنوعی AI در مدیریت درآمد خطوط هوایی

شرکت های هواپیمایی ایران برای تجزیه و تحلیل داده های تاریخی و تصمیم گیری آگاهانه و داده محور می بایست به ابزارهای هوش تجاری (BI) متکی باشند. ترمینال وب سیستم رزرواسیون نیرا که بیشتر شرکت های هواپیمایی ایران از آن بهره می گیرند ماژول BI را دارد و در نبود آن نرم افزار در دسترس مایکروسافت Power BI نیز به سهولت جهت افزایش موثر درآمدها قابل به کار گیری است.

با این حال، با ظهور هوش مصنوعی (AI)، شرکت های هواپیمایی اکنون از الگوریتم های پیشرفته و تکنیک های یادگیری ماشینی برای بهینه سازی استراتژی های مدیریت درآمد خود استفاده می کنند تا با ترکیب مدل های ریاضی کد شده به زبان کامپیوتر به صورت خودکار و سریع مدیریت درآمد خود را انجام دهند.

 جهت پیش بینی تقاضا با BI خطوط هوایی از داده تاریخی و مدل های آماری برای پیش بینی تقاضا استفاده می کنند.  این روش ها اغلب نمی توانند الگوها و روندهای پیچیده آینده را به تصویر بکشند. به همین دلیل با AI شرکت های هواپیمایی می توانند با هوش مصنوعی از الگوریتم های پیچیده ای استفاده کنند که حجم وسیعی از داده ها از جمله رفتار مشتری و رزرواسیون، روند بازار، شرایط آب و هوایی و رویدادها را تجزیه و تحلیل می کند.  با ترکیب عوامل خارجی و داده های بلادرنگ، مدل های پیش بینی تقاضا مبتنی بر هوش مصنوعی و انتخاب محور Choice-based پیش بینی های دقیق تری را ارائه می دهند و خطوط هوایی را قادر می سازند قیمت گذاری و تخصیص و توزیع موجودی صندلی ها را در کلاس های نرخی مختلف بهینه کنند.

 به عنوان مثال اخیرا خطوط هوایی سنگاپور یک سیستم پیش بینی تقاضا مبتنی بر هوش مصنوعی را اجرا کرده که منجر به بهبود 15 درصدی در دقت پیش بینی تقاضا و افزایش قابل توجه درآمدها شده است.

 روش های قیمت گذاری ایستا در کلاس های نرخی مختلف با فواصل نرخی ثابت فعلی با روش های قیمت گذاری پویا و پیشنهاد قیمت Bid pricing به چالش کشیده شده است. در مدل های قیمت گذاری ایستا مبتنی بر BI استراتژی های قیمت گذاری بر اساس قوانین ثابت نرخی و تنظیمات دستی با مداخله انسان انجام می گیرد که توان محدودی برای واکنش سریع به تغییرات بازار و ترجیحات مشتریان دارد و گاهی به واسطه اختلاف های نرخی ناچیز با رقبا در سورت موتورهای جستجوگر درآمدهای زیادی را از دست می دهند.

در حالیکه با AI و الگوریتم های قیمت گذاری پویا مبتنی بر هوش مصنوعی به طور مداوم شرایط بازار، قیمت گذاری رقبا، نوسانات تقاضا و تقسیم بندی مشتری برای تعیین قیمت های بهینه در زمان واقعی تجزیه و تحلیل می شوند.  این امر خطوط هوایی را قادر می سازد تا با ارائه قیمت های شخصی و سفارشی شده و رقابتی به بخش های مختلف مشتریان، درآمد خود را در مجموع از یک پرواز ثابت به حداکثر برسانند و سود پخش و توزیع بلیت در آژانس آنلاین فروش را نیز خود به چنگ آورند.

 به عنوان مثال بریتیش ایرویز یک سیستم قیمت گذاری پویا را پیاده سازی کرده است که نرخ ها Fares (نرخ Fare با Price تفاوت دارد) را بر اساس عواملی مانند در دسترس بودن صندلی، الگوهای رزرو و پروفایل مشتری تنظیم می کند.  این رویکرد منجر به افزایش 5 درصدی درآمد به ازای هر کیلومتر صندلی در دسترس (RASK) در سال اول اجرا شده است و یا هواپیمایی امارات یک موتور توصیه مبتنی بر هوش مصنوعی را پیاده سازی کرده است که داده های مشتریان را برای ارائه بسته های مسافرتی شخصی، ارتقای صندلی (و در نمونه اخیر بسیار جالب به پرمیوم کلاس یا Lite Business Class بواسطه ترجیحات مسافران بعد کرونا) و خدمات جانبی تجزیه و تحلیل می کند.  این رویکرد منجر به افزایش 10 درصدی در درآمد جانبی و بهبود وفاداری مشتریان شده است.

حتی در ساختار دستوری شبکه پروازی ایران ، بررسی شده است شرکت های هواپیمایی ایران تحلیل اقتصادی و تراز مالی مسیر دقیقی ندارند و عمدتا شبکه و برنامه Timetable فصلی پروازهای برنامه خود را به روش چانه زنی و تصورات ذهنی تنظیم می کنند و همان برنامه ها را سال ها به صورت هفتگی ادامه می دهند و یک بار از خود واقعا نمی پرسند با وجود تمام این محدودیت ها آیا گزینه های بهتری هم می تواند مثل زمان یا کانکشن یا فرکانس در مذاکرات و چانه زنی ها در سناریوهای متعدد در دسترس باشند یا خیر. با این وجود برنامه ریزی مسیر با BI مبتنی بر داده های تاریخی و تجزیه و تحلیل های دستی است که اغلب منجر به تصمیم گیری های نادرست و عملیات ناکارآمد می شود. هوش مصنوعی AI با الگوریتم های بهینه سازی مسیر مبتنی بر هوش مصنوعی متغیرهای متعددی مانند هزینه های سوخت، در دسترس بودن هواپیما بر اساس برنامه قابلیت اطمینان، تقاضای مسافر و محدودیت های فضای هوایی و ساعات اسلات فرودگاهی را در نظر می گیرند.

با تجزیه و تحلیل داده های بلادرنگ و شبیه سازی سناریوهای مختلف، خطوط هوایی می توانند سودآورترین مسیرها را شناسایی کنند، مصرف سوخت را کاهش دهند و کارایی عملیاتی خود را افزایش دهند.

 به عنوان مثال خطوط هوایی دلتا یک سیستم بهینه سازی مسیر مبتنی بر هوش مصنوعی را پیاده سازی کرده است که عواملی مانند الگوهای آب وهوا، تراکم ترافیک هوایی و قیمت سوخت را در نظر می گیرد.  این رویکرد منجر به کاهش 12 درصد در هزینه سوخت و بهبود عملکرد به موقع OTP شده است. همچنین سیستم Delta Analyze & Recommend Tool هواپیمایی دلتا موسوم به DART یک ابزار مبتنی به هوش مصنوعی در مدیریت درآمد است که با الگوریتم های یادگیری ماشینی و بهینه سازی قیمت گذاری، تخصیص صندلی و تصمیمات رزرو بیش از حد شیوه های مدیریت درآمد خود را بهبود بخشیده و به دستاوردهای مالی قابل توجهی دست یافته است.

گذار از هوش تجاری به هوش مصنوعی، مدیریت درآمد خطوط هوایی را متحول کرده است.  راه حل های مبتنی بر هوش مصنوعی خطوط هوایی را قادر می سازد تا تصمیم گیری های مبتنی بر داده ها، بهینه سازی استراتژی های قیمت گذاری، شخصی سازی پیشنهادات و افزایش کارایی عملیاتی را انجام دهند. همانطور که هوش مصنوعی به تکامل خود ادامه می دهد، خطوط هوایی باید از این فناوری ها استفاده کنند تا در چشم انداز دنیای هوانوردی آینده جایگاهی داشته باشند.

* خلیل الله معمار زاده کارشناس هوانوردی