The airline industry is highly competitive with costly operations. These factors, combined with the advances in technology and varying kinds of customers, have led to the development of sophisticated revenue management systems. These systems maximize the revenue of the network by optimally adjusting the availability and the price of tickets. Traditionally ancillary services have been considered as less important to overall profitability, resulting in a poor understanding of passengers’ decision-making towards these services. However, especially the operational and pricing models of low-cost carriers rely heavily on ancillary revenues. The success of low-cost carriers has aroused the interest of major legacy carriers. This change in attitudes has resulted in the development of even more sophisticated pricing models for different ancillaries.
This thesis focuses on the pricing of airline seat upgrades. It presents a data-driven dynamic pricing approach to optimally price the upgrades for each flight at each time before the departure. This model relies on three main steps. First, the effect of limited availability of the upgrades is cleaned from the data using an expectation-maximization algorithm combined with a naive removal approach. Later, using the cleaned data, the demand is modelled separately for money and loyalty upgrades by applying two models that utilize neural networks. Finally, dynamic programming is used to optimize the price for each flight at each booking window such that the profit is maximized while also taking into account the loyalty customers. This optimization algorithm considers the demand estimates of money and loyalty upgrades and relies on the current and expected booking information obtained from the revenue management system.
In this thesis, the pricing model is evaluated by considering a set of example scenarios, and the results obtained using the dynamic approach are compared to a static pricing strategy. Based on the results, it is seen that the new model performs better than the static one. The approach generates more profit when the availability of upgrades is expected to be constrained and is especially beneficial when the economy cabin is expected to be overbooked. In addition, the developed model can provide more value for loyalty customers.
Finally, future prospects to further improve the developed dynamic pricing model are proposed. These include the use and examination of different approaches to clean the data, the studying of other possibilities to forecast the demand, and the extension to consider the various uncertainties in the optimization. Furthermore, the thesis briefly discusses the future of dynamic pricing of airline ancillaries in general terms.Lentoliikenne on erittäin kilpailtu toimiala. Sen toimintakustannukset ovat korkeat ja alalle on ominaista eri asiakasryhmien erilaiset tarpeet. Kehittyvä teknologia on mahdollistanut näiden tekijöiden huomioimisen siten, että on luotu tuottojärjestelmiä, joilla voidaan ohjata lentoyhtiön tulovirtoja lippujen hintoja ja saatavuutta muuttamalla. Erilaiset lennoilla tarjottavat lisäpalvelut ovat tavanomaisesti kuitenkin jääneet vähemmälle huomiolle hinnoittelussa, sillä näiden ei ole ajateltu juuri vaikuttavan tulovirtoihin. Samalla ymmärrys matkustajien päätöksenteosta näihin palveluihin liittyen on jäänyt puutteelliseksi. Toisaalta erityisesti halpalentoyhtiöt ovat saavuttaneet hyviä tuloksia tuottomalleilla, jotka ovat nojanneet vahvasti lisäpalveluista saataviin tuloihin, mikä on lisännyt myös muiden suurempien lentoyhtiöiden kiinnostusta niitä kohtaan. Lisäksi kiinnostus lisäpalvelujen hinnoitteluun on niin ikään kasvanut ja eri lisäpalveluille pyritään kehittämään yhä edistyneempiä hinnoittelumalleja.
Työ keskittyy matkustusluokan korotuksen hinnoitteluun ja esittää aineistopohjaisen tavan, jolla matkustusluokan korotuksia voidaan hinnoitella dynaamisesti lento- ja päiväkohtaisesti. Esitetty lähestymistapa koostuu kolmesta osasta. Ensin korotusten rajoitettu saatavuus pyritään korjaamaan käyttämällä rajoitetun aineiston poistamisen lisäksi EM-algoritmia. Tämän jälkeen matkustusluokan korotuksen kysyntää mallinnetaan kahdella neuroverkkoja hyödyntävällä mallilla, joista ensimmäinen mallintaa rahalla tehtäviä korotuksia ja toinen pisteillä tai etukupongeilla tehtäviä korotuksia. Lopuksi korotuksen hinta määritetään käyttämällä dynaamiseen ohjelmointiin perustuvaa optimointialgoritmia, joka hyödyntää järjestelmistä saatavaa varaustietoa ja kysyntämalleilla tehtäviä kysyntäennusteita. Tämä algoritmi optimoi korotuksista saatavaa rahallista voittoa huomioiden myös pisteitä ja etukuponkeja käyttävät asiakkaat.
Esitettävää mallia arvioidaan simuloitujen esimerkkilentojen avulla vertaamalla lähestymistavan tuottamia tuloksia staattiseen hinnoittelumalliin. Näiden tulosten perusteella huomataan dynaamisen mallin tuottavan enemmän voittoa kuin staattisen mallin. Dynaaminen malli toimii erityisen hyvin, kun korotusten saatavuus lennolla on rajoitettua tai kun turistiluokkaan on myyty enemmän lippuja kuin siellä on paikkoja. Mallia käyttämällä voidaan myös paremmin huomioida pisteitä ja etukuponkeja käyttävät asiakkaat kuin käytettäessä staattista mallia.
Lopuksi työssä pohditaan mahdollisia tulevaisuuden kehityskohteita esitetylle mallille. Saatavuuden aiheuttamaa rajoittuneisuutta aineistoon voidaan esimerkiksi tutkia ja pyrkiä korjaamaan monilla muillakin tavoilla kuin mitä tässä työssä käytetään. Myös erilaisia kysyntäennusteita voidaan jatkossa testata, ja dynaamisessa optimoinnissa voidaan tulevaisuudessa paremmin huomioida esitetyn mallin eri osiin liittyviä epävarmuuksia. Työ käsittelee lyhyesti myös lisäpalveluiden dynaamisen hinnoittelun tulevaisuutta yleisellä tasolla.
