Tarifs des compagnies aériennes - Quelle analyse doit-on utiliser pour détecter les comportements concurrentiels de fixation des prix et les corrélations de prix?

Je veux étudier le comportement de fixation des prix des compagnies aériennes - en particulier la façon dont les compagnies aériennes réagissent aux prix des concurrents.

Comme je dirais que mes connaissances sur l'analyse plus complexe sont assez limitées, j'ai principalement utilisé toutes les méthodes de base pour recueillir une vue d'ensemble des données. Cela inclut des graphiques simples qui aident déjà à identifier des modèles similaires. J'utilise également SAS Enterprise 9.4.

Cependant, je recherche une approche plus basée sur les nombres.

Base de données

L'ensemble de données (auto) collectées que j'utilise contient environ 54 000 tarifs. Tous les tarifs ont été collectés dans un délai de 60 jours, sur une base quotidienne (tous les soirs à 00h00).

Par conséquent, chaque tarif dans cette fenêtre horaire se produit fois sous réserve de la disponibilité du tarif ainsi que de la date de départ du vol, lorsqu'il est dépassé par la date de perception du tarif. (Vous ne pouvez pas percevoir de tarif pour un vol lorsque la date de départ du vol est passée)$n$

Le non formaté qui ressemble essentiellement à ceci: (fausses données)

+--------------------+-----------+--------------------+--------------------------+---------------+
| requestDate        | price| tripStartDeparture | tripDestinationDeparture | flightCarrier |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 725.32    | 16APR2015:10:50:02 | 23APR2015:21:55:04       | XA            |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 966.32    | 16APR2015:13:20:02 | 23APR2015:19:00:04       | XY            |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 915.32    | 16APR2015:13:20:02 | 23APR2015:21:55:04       | XH            |
+--------------------+-----------+--------------------+--------------------------+---------------+

"DaysBeforeDeparture" est calculé via où$I=s-c$

• I & intervalle (jours avant le départ)
• s & date du prix (départ du vol)
• c & date à laquelle le tarif a été perçu

Voici un exemple d'ensemble de données groupées par I (DaysBeforeDep.) (Fausses données!):

+-----------------+------------------+------------------+------------------+------------------+
| DaysBefDeparture | AVG_of_sale | MIN_of_sale | MAX_of_sale | operatingCarrier |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 880.68           | 477.99           | 2,245.23         | DL           |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 904.89           | 477.99           | 2,534.55         | DL           |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 1,044.39         | 920.99           | 2,119.09         | LH               |
+-----------------+------------------+------------------+------------------+------------------+

Ce que j'ai trouvé jusqu'à présent

En regardant les graphiques linéaires, je peux déjà estimer que plusieurs lignes auront un facteur de corrélation élevé. Par conséquent, j'ai essayé d'utiliser l'analyse de corrélation d'abord sur les données groupées. Mais est-ce la bonne façon? En gros j'essaye maintenant de faire des corrélations sur les moyennes plutôt que sur les prix individuels? Y a-t-il un autre moyen?

Je ne sais pas quel modèle de régression convient ici, car les prix ne se déplacent sous aucune forme linéaire et semblent non linéaires. Aurais-je besoin d'adapter un modèle à chacune des évolutions de prix d'une compagnie aérienne

PS: Ceci est un long mur de texte. Si j'ai besoin de clarifier quoi que ce soit, faites le moi savoir. Je suis nouveau dans ce sous-marin.

Quelqu'un un indice? :-)

Mot d'avertissement d'un ancien analyste de Revenue Management de la compagnie aérienne: vous aboyez peut-être le mauvais arbre avec cette approche. Toutes mes excuses pour le mur de texte qui suit, mais ces données sont beaucoup plus complexes et bruyantes qu'il n'y paraît à première vue, donc je voulais fournir une brève description de la façon dont elles sont générées; averti est avant-bras.

Les tarifs des compagnies aériennes ont deux composantes: tous les tarifs réels (avec les règles tarifaires et ce que vous avez) qu'une compagnie aérienne a à disposition pour un certain trajet, dont la plupart sont publiés par la Airline Tariff Publishing Company (quelques-uns à usage spécial sont non, mais ce sont l'exception plutôt que la règle) et la gestion réelle des stocks effectuée par la compagnie aérienne au quotidien.

Les tarifs peuvent être soumis à ATPCO quatre fois par jour, à intervalles fixes, et lorsque les compagnies aériennes le font, il s'agit généralement d'un mélange d'ajouts, de suppressions et de modifications des tarifs existants. Lorsqu'une compagnie aérienne lance une action de tarification (en supposant que ses concurrents n'essaient pas de faire leurs propres mouvements ici), ils doivent généralement attendre la prochaine mise à jour pour voir si leurs concurrents suivent / répondent. L'inverse se produit lorsqu'un concurrent lance une action de tarification, car la compagnie aérienne doit attendre la prochaine mise à jour avant de pouvoir répondre.

Maintenant, tout va bien en ce qui concerne les tarifs, mais le problème est que, parce que tout est publié dans ATPCO, les tarifs sont la prochaine meilleure chose à l'information publique ... tous vos concurrents peuvent voir ce que vous avez dans votre arsenal, les tentatives d'obscurcissement ne sont donc pas inconnues, telles que la publication de tarifs auxquels aucun inventaire ne sera réellement attribué, la liste de tous les tarifs comme jour de départ, etc.

À bien des égards, la sauce secrète se résume à la répartition réelle des stocks, c'est-à-dire combien de sièges sur chaque vol serez-vous prêt à vendre pour un tarif donné, et cette information n'est pas accessible au public. Vous pouvez obtenir quelques aperçus en grattant les informations Web, mais les combinaisons potentielles d'heure / date de départ et de règles tarifaires sont assez nombreuses et peuvent rapidement dégénérer au-delà de votre capacité à suivre facilement.

En règle générale, une compagnie aérienne ne sera disposée à vendre qu'une poignée de sièges à un prix très bas et les personnes qui les accrocheront doivent réserver assez longtemps à l'avance de peur que les règles tarifaires ne les bloquent, ou que d'autres voyageurs ne les battent simplement. La compagnie aérienne sera disposée à vendre quelques sièges supplémentaires pour un tarif plus élevé, et ainsi de suite. Ils seront très heureux de vendre tous les sièges au prix le plus élevé qu'ils ont publié, mais ce n'est généralement pas faisable.

Ce que vous voyez avec des tarifs plus élevés à mesure que vous vous rapprochez du jour du départ est simplement le processus naturel de réserver les sièges à bas prix, tandis que l'inventaire restant devient progressivement plus cher. Bien sûr, il y a quelques mises en garde ici. Le processus RM est activement géré et l'intervention humaine est assez courante, car l'équipe RM s'efforce généralement d'atteindre ses objectifs de revenus et de maximiser les revenus sur chaque vol. En tant que tel, les vols qui se remplissent rapidement peuvent être «resserrés» en fermant les tarifs bas. Les vols qui réservent lentement peuvent être «assouplis» en allouant plus de sièges à des tarifs plus bas.

Il y a une interaction et une concurrence constantes entre les compagnies aériennes dans ce domaine, mais il est peu probable que vous capturiez la dynamique réelle simplement en grattant les tarifs. Ne vous méprenez pas, nous avions de tels outils à notre disposition et, malgré leurs limites, ils étaient assez précieux, mais ils n'étaient qu'une source de données qui a alimenté le processus décisionnel. Vous auriez besoin d'accéder aux centaines, voire aux milliers de décisions opérationnelles prises quotidiennement par les équipes RM, ainsi qu'aux informations sur l'état du monde telles qu'elles les voient à l'époque. Si vous ne trouvez pas de partenaire aérien avec lequel travailler afin d'obtenir ces données, vous devrez peut-être envisager d'autres sources de données.

Je recommanderais d'envisager d'accéder aux données sur les tarifs O&D du Guide officiel des compagnies aériennes (ou de l'un de leurs concurrents) et d'essayer de les utiliser pour votre analyse. Il est basé sur des échantillons (environ 10% de tous les billets vendus) et agrégé à un niveau supérieur à l'idéal, donc une sélection d'itinéraire prudente est impérative (je recommanderais quelque chose avec de nombreuses compagnies aériennes, volant sans escale plusieurs fois par jour, avec gros avions), mais vous pourrez peut-être avoir une meilleure idée de ce qui a été réellement vendu (tarif moyen) et de la quantité vendue (facteur de charge), par rapport à ce qui est disponible à la vente à un moment donné. En utilisant ces informations, vous pourriez être en meilleure position pour au moins explorer les résultats de la stratégie de tarification des compagnies aériennes et tirer vos conclusions à partir de là.

En plus de l'analyse exploratoire des données (EDA), à la fois descriptive et visuelle, j'essaierais d'utiliser l' analyse des séries chronologiques comme une analyse plus complète et sophistiquée . Plus précisément, j'effectuerais une analyse de régression de séries chronologiques . L'analyse des séries chronologiques est un vaste domaine de recherche et de pratique.Par conséquent, si vous n'êtes pas familier avec les principes fondamentaux, je suggère de commencer par l'article Wikipédia ci-dessus, de rechercher progressivement des sujets plus spécifiques et de lire les articles, articles et livres correspondants.

Depuis l' analyse des séries chronologiques est une très populaire approche, il est pris en charge par la plupart open source et la source fermée commerciale la science des données et statistiques des environnements (logiciels) , tels que R , Python , SAS , SPSS et bien d' autres. Si vous souhaitez utiliser R pour cela, consultez mes réponses sur l'analyse générale des séries chronologiques et sur la classification et le regroupement des séries chronologiques . J'espère que cela vous sera utile.