خلیل‌الله معمارزاده کارشناس صنعت هوانوردی
نقش مدیریت درآمد خطوط هوایی، تجزیه و تحلیل و پیش‌بینی تقاضا برای هر پرواز و تعیین قیمت بر اساس آن است و جهت دستیابی به این هدف، در حال حاضر، شرکت‌های هواپیمایی ایران ناگزیر از تجزیه و تحلیل داده‌های تاریخی و تصمیم‌گیری آگاهانه و داده‌محور براساس ابزارهای هوش تجاری (BI) هستند؛ از این رو، ترمینال وب‌سیستم رزرواسیون نیرا که بیشتر شرکت‌های هواپیمایی ایران از آن بهره می‌گیرند، دارای ماژول BI است؛ ضمن اینکه در صورت نبود آن، نرم‌افزار در دسترس مایکروسافت یعنی Power BI نیز جهت افزایش موثر درآمدها قابل به‌کارگیری خواهد بود؛ با این حال، با ظهور هوش مصنوعی (AI)، شرکت‌های هواپیمایی اکنون از الگوریتم‌های پیشرفته و تکنیک‌های یادگیری ماشینی برای بهینه‌سازی استراتژی‌های مدیریت درآمد خود استفاده می‌کنند تا با ترکیب مدل‌های ریاضی کدشده به زبان کامپیوتر، به‌صورت خودکار و سریع مدیریت درآمد خود را انجام دهند. فناوری‌های پیشرفته که بهینه‌سازی ظرفیت، شناخت مشتری، استراتژی قیمت‌گذاری و دقت پیش‌بینی را بهبود می بخشند، خطوط هوایی را برای به دست آوردن مزیت رقابتی بیشتر یاری می‌دهند.
به گزارش ترابران، جهت پیش‌بینی تقاضا از طریق ابزارهای هوش تجاری (BI) خطوط هوایی معمولاً از داده‌های تاریخی و مدل‌های آماری برای پیش‌بینی تقاضا برای هر پرواز و سپس تعیین قیمت‌های بهینه برای هر کلاس صندلی استفاده می‌کنند، اما این روش‌ها اغلب نمی‌توانند الگوها و روندهای پیچیده آینده را به تصویر بکشند، در صورتی که به کمک هوش مصنوعی (AI) شرکت‌های هواپیمایی می‌توانند از الگوریتم‌های پیچیده‌ای استفاده کنند که حجم وسیعی از داده‌ها از جمله رفتار مشتری و الگوی رزرواسیون، روند بازار، شرایط آب‌وهوایی و رویدادها را تجزیه و تحلیل می‌کند. به عبارت بهتر، با ترکیب عوامل خارجی و داده‌های بلادرنگ، مدل‌های پیش‌بینی تقاضا مبتنی بر هوش مصنوعی و انتخاب‌محور (Choice-based) قادر هستند پیش‌بینی‌های دقیق‌تری ارائه دهند و خطوط هوایی را قادر سازند تا قیمت‌گذاری و تخصیص و توزیع موجودی صندلی‌ها را در کلاس‌های نرخی مختلف بهینه کنند؛ به‌عنوان مثال اخیراً خطوط هوایی سنگاپور یک سیستم پیش‌بینی تقاضا مبتنی بر هوش مصنوعی را اجرا کرده که منجر به بهبود 15 درصدی در دقت پیش‌بینی تقاضا و افزایش قابل‌توجه درآمدها شده است.
در واقع، روش‌های قیمت‌گذاری ایستا در کلاس‌های نرخی مختلف با فواصل نرخی ثابت که اکنون مورد استفاده قرار می‌گیرد، با روش‌های قیمت‌گذاری پویا و پیشنهاد قیمت (Bid pricing) به چالش کشیده شده است.
قیمت‌گذاری پویا برای خطوط هوایی به این معنی است که نرخ بلیت می‌تواند به طور مکرر بر اساس عوامل مختلف مانند ظرفیت و فرکانس پرواز، مسیریابی رقبا، زمان روز، روز هفته، فصل و حتی آب‌وهوا تغییر کند، این امر به‌ویژه در صنعت هواپیمایی بسیار رقابتی، که در آن حاشیه سود اغلب ناچیز است و تقاضا می‌تواند به سرعت در نوسان باشد، مهم است.
با الگوریتم‌های قیمت‌گذاری پویا مبتنی بر هوش مصنوعی، به‌طور مداوم شرایط بازار، قیمت‌گذاری رقبا، نوسانات تقاضا و تقسیم‌بندی مشتری برای تعیین قیمت‌های بهینه در لحظه و برخط تجزیه و تحلیل می‌شوند
در مدل‌های قیمت‌گذاری ایستا مبتنی بر هوش تجاری استراتژی‌های قیمت‌گذاری بر اساس قوانین ثابت نرخی و تنظیمات دستی و با مداخله انسان انجام می‌گیرد که توان محدودی برای واکنش سریع به تغییرات بازار و ترجیحات مشتریان دارد و گاهی به‌واسطه اختلاف‌های نرخی ناچیز با رقبا در سورت موتورهای جستجوگر درآمدهای زیادی را از دست می‌دهند، در حالی که با AI و الگوریتم‌های قیمت‌گذاری پویا مبتنی بر هوش مصنوعی، به‌طور مداوم شرایط بازار، قیمت‌گذاری رقبا، نوسانات تقاضا و تقسیم‌بندی مشتری برای تعیین قیمت‌های بهینه در لحظه، بلادرنگ و برخط تجزیه و تحلیل می‌شوند. این امر خطوط هوایی را قادر می‌سازد تا با ارائه قیمت‌های شخصی و سفارشی‌شده و رقابتی به بخش‌های 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.
به‌عنوان نمونه، بریتیش‌ایرویز یک سیستم قیمت‌گذاری پویا را پیاده‌سازی کرده است که براساس آن، Fares یا نرخ کرایه‌ها (Fare با Price تفاوت دارد) بر اساس عواملی مانند در دسترس بودن صندلی، الگوهای رزرو و پروفایل مشتری تنظیم می‌شود. این رویکرد منجر به افزایش 5 درصدی درآمد به‌ازای هر کیلومتر صندلی در دسترس (RASK) در سال اول اجرا شده است. هواپیمایی امارات نیز یک موتور توصیه مبتنی بر هوش مصنوعی را پیاده‌سازی کرده که داده‌های مشتریان را برای ارائه بسته‌های مسافرتی شخصی، ارتقای صندلی و خدمات جانبی تجزیه و تحلیل می‌کند. این رویکرد هم منجر به افزایش 10 درصدی در درآمد جانبی و بهبود وفاداری مشتریان شده است.
نمونه دیگر لوفت‌هانزا است که در سال 2019 با اپلیکیشن رزرو سفر Hopper همکاری کرد تا از قابلیت‌های هوش مصنوعی و یادگیری ماشینی خود برای پیش‌بینی دقیق‌تر قیمت پروازها استفاده کند. ایرآسیا نیز بسته فناوری خود را به گونه‌ای پیکربندی کرده که از طریق همکاری با Kambr، تجزیه و تحلیل داده‌های آینده‌نگرتر را امکان‌پذیر نماید.
این در حالی است که بررسی ساختار دستوری شبکه پروازی ایران، نشان می‌دهد شرکت‌های هواپیمایی ایران تحلیل اقتصادی و تراز مالی مسیر دقیقی ندارند و عمدتاً شبکه و برنامه Timetable فصلی پروازهای برنامه خود را به روش چانه‌زنی و تصورات ذهنی تنظیم می‌کنند و همان برنامه‌ها را هم سال‌ها به‌صورت هفتگی ادامه می‌دهند و یک بار از خود نمی‌پرسند با وجود تمام این محدودیت‌ها آیا گزینه‌های بهتری مثل زمان یا کانکشن یا فرکانس هم می‌تواند در مذاکرات و چانه‌زنی‌ها در دسترس باشند یا خیر.
بررسی ساختار دستوری شبکه پروازی ایران، نشان می‌دهد شرکت‌های هواپیمایی ایران تحلیل اقتصادی و تراز مالی مسیر دقیقی ندارند و عمدتاً شبکه و برنامه Timetable فصلی پروازهای برنامه خود را به روش چانه‌زنی و تصورات ذهنی تنظیم می‌کنند و همان برنامه‌ها را هم سال‌ها به‌صورت هفتگی ادامه می‌دهند
همان‌گونه که گفته شد، برنامه‌ریزی مسیر از طریق هوش تجاری یاBI ، مبتنی بر داده‌های تاریخی و تجزیه و تحلیل‌های دستی است و اغلب منجر به تصمیم‌گیری‌های نادرست و عملیات ناکارآمد می‌شود، در حالی که هوش مصنوعی به کمک الگوریتم‌های مرتبط با بهینه‌سازی مسیر، متغیرهای متعددی مانند هزینه‌های سوخت، در دسترس بودن هواپیما بر اساس برنامه قابلیت اطمینان، تقاضای مسافر و محدودیت‌های فضای هوایی و ساعات اسلات فرودگاهی را در نظر می‌گیرد و به این ترتیب، با تجزیه و تحلیل داده‌های بلادرنگ و شبیه‌سازی سناریوهای مختلف، خطوط هوایی می‌توانند سودآورترین مسیرها را شناسایی کنند، مصرف سوخت را کاهش دهند و در عین حال کارایی عملیاتی خود را نیز افزایش دهند. به‌عنوان نمونه، خطوط هوایی دلتا یک سیستم بهینه‌سازی مسیر مبتنی بر هوش مصنوعی را پیاده‌سازی کرده که عواملی مانند الگوهای آب‌وهوا، تراکم ترافیک هوایی و قیمت سوخت را در نظر می‌گیرد. این رویکرد منجر به کاهش 12 درصد در هزینه سوخت و بهبود عملکرد به‌موقع (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 الگوریتم‌های یادگیری ماشینی و بهینه‌سازی قیمت‌گذاری، تخصیص صندلی و تصمیمات رزرو بیش از حد Overbooking ، شیوه‌های مدیریت درآمد خود را بهبود بخشیده و به دستاوردهای مالی قابل‌توجهی دست یافته است و برخی گزارش ها نشان می دهد تا 25 درصد سود عملیاتی شرکت های هواپیمایی از انجام هوشمندانه ریسک رزرو مازاد به دست آمده است.
گذار از هوش تجاری به هوش مصنوعی، مدیریت درآمد خطوط هوایی را متحول کرده است. راه‌حل‌های مبتنی بر هوش مصنوعی خطوط هوایی را قادر می‌سازد تا تصمیم‌گیری‌های مبتنی بر داده‌ها، بهینه‌سازی استراتژی‌های قیمت‌گذاری، شخصی‌سازی پیشنهادها و افزایش کارایی عملیاتی را انجام دهند. همان‌طور که هوش مصنوعی به تکامل خود ادامه می‌دهد، خطوط هوایی باید از این فناوری‌ها استفاده کنند تا در چشم‌انداز دنیای هوانوردی آینده جایگاهی داشته باشند.
