Der Wert von Zusatzgepäck: Dynamisches Pricing von Ancillaries

dynamic pricing for extra baggage (Copyright: Shutterstock / GBALLGIGGSPHOTO)

Eines der aktuellen Top-Themen im Bereich Airline Revenue Management und Distribution ist Dynamic Pricing. Die meisten Ansätze konzentrieren sich dabei allerdings auf dynamische Preise für den Sitzplatz; zu dynamischen Preisen für Ancillaries gibt es bisher relativ wenige Untersuchungen. Wir wollen das ändern und sehen uns daher dynamische Preise für ein Zusatzgepäckstück --das „First Bag“-Ancillary-- genauer an.

 

Dieser Beitrag ist in Zusammenarbeit mit Janek Reichardt, Werkstudent bei Lufthansa Systems, entstanden. Kollegen aus Berlin und Budapest sind an dem Projekt beteiligt.

Ancillaries sind Dienstleistungen, die von Fluggesellschaften zusätzlich zu einem Flugticket verkauft werden. Beispiele für Ancillaries sind Zusatzgepäck, mehr Beinfreiheit oder Priority Boarding. Einige Ancillaries sind bereits im Ticketpreis enthalten, wie zum Beispiel die kostenlose Stornierungsmöglichkeit bei flexiblen Tickets. Andere Ancillaries können „à la carte“ hinzugebucht werden.

Was bedeutet Dynamic Pricing in diesem Zusammenhang?

Dynamisch bedeutet hier, dass die Preise für eine Buchungsanfrage in Echtzeit vom System berechnet werden und sich daher prinzipiell ändern können. Man zahlt dann nicht mehr immer den gleichen Betrag für das zusätzliche Gepäckstück, wie es aktuell bei den meisten Fluggesellschaften der Fall ist. Stattdessen kostet das Gepäck zu manchen Zeiten etwas weniger und zu anderen etwas mehr.

Bei Lufthansa Systems nutzen wir hierfür eine leistungsstarke Software Plattform aus dem Project PROCESS. Das EU-Projekt PROCESS (PROviding Computing solutions for ExaScale challengeS) hat zum Ziel, eine Hard- und Software-Umgebung zur Verfügung zu stellen, mit der exascale Datenmengen für wissenschaftliche und industrielle Anwendungen verarbeitet werden können. Das Projekt ist Teil des EU-Forschungsprogramms Horizon 2020.

Welches sind die besten dynamischen Preise?

Unsere Aufgabe besteht darin, revenue-optimale Ancillarypreise zu bestimmen, d. h. individuelle Preise für jede Anfrage, sodass der Gesamtertrag maximiert wird. Wir lösen diese Aufgabe in zwei Schritten. Zunächst verwenden wir Machine Learning Algorithmen, um zu verstehen, wie die Entscheidung, ein Zusatzgepäckstück zu kaufen, von den Umständen der Buchungsanfrage abhängt. Auf dieser Grundlage lösen wir im zweiten Schritt ein Optimierungsproblem, mit dem wir die revenue-optimalen Preise bestimmen.

Wir benutzen Machine Learning Algorithmen aus dem Open Source Projekt H2O.ai. H2O enthält Implementierungen vieler Machine Learning Verfahren. Wir rufen H2O von der Statistikplattform R aus auf und trainieren je ein Distributed Random Forest Modell und ein Deep Neural Network Modell, von denen wir dann das bessere weiterverwenden.

Machine Learning Verfahren sind wertvolle Werkzeuge. Sie können komplexe Beziehungen in Daten erkennen. In unserem Fall möchten wir herausfinden, wie wahrscheinlich es ist, dass ein Kunde Zusatzgepäck kaufen wird. Die Entscheidung eines Kunden zum Erwerb von Zusatzgepäck hängt von einer Vielzahl von Faktoren ab, zum Beispiel vom Datum des Abflugs und vom Ticketpreis, aber vor allem vom Preis des Ancillary selbst. Die Wahrscheinlichkeit, dass ein Passagier Zusatzgepäck kauft, ändert sich auch während des Zeitraums von der Ticketbuchung bis zum Abflug. Daher enthält unser Modell zusätzlich eine Zeitkomponente über den Buchungszeitraum.

Das System nutzt dieses neue Wissen, um optimale Preisstrategien zu bestimmen. Zum Beispiel könnte das Modell den Preis reduzieren, falls der Kunde vermutlich nicht an Zusatzgepäck interessiert ist und so einen Ansporn für eine Buchung liefern. Oder es könnte den Preis an den Tagen kurz nach dem Tag der Ticketbuchung absenken als „Belohnung“ für diejenigen Passagiere, die sich frühzeitig für Zusatzgepäck entscheiden. Auf der anderen Seite könnte der Preis gegen den Abflugtag hin schrittweise steigen. Die Bestimmung der Preisstrategie wird als nichtlineares Optimierungsproblem formuliert, das wir mit Standardverfahren lösen.

Wie wird das Modell verwendet?

Mit ausreichend Rechenleistung –-wie sie von Cloudlösungen bereitgestellt wird-– sind Fluggesellschaften in der Lage, Ancillary Preise in dem Moment, in dem eine Buchungsanfrage eingeht, in Echtzeit zu bestimmen: Aus den Parametern der Buchungsanfrage ermittelt das Modell die voraussichtliche Zahlungsbereitschaft des Kunden für den Erwerb von Zusatzgepäck für jeden Tag zwischen dem aktuellen Datum und dem Abflugtag. Das Optimierungsproblem wird gelöst, und der Kunde bekommt den jeweils geltenden optimalen Preis für Zusatzgepäck angezeigt.

In unseren Tests trainieren wir die Modelle auf Datensätzen, die bis zu 350 Millionen Buchungen umfassen. Dies benötigt etwa 75 Minuten auf der PROCESS Umgebung. Der Trainingsprozess wird etwa einmal im Monat wiederholt. Die Berechnung der optimalen Preisstrategie für eine Anfrage erfolgt im Bereich von Millisekunden. Unsere Simulation zeigt eine Revenuesteigerung durch dynamisches Pricing von Zusatzgepäck von bis zu 6 %.

Leave a comment

Mandatory input is marked *. Your email address will not be published.

Kontakt