Aplicação data mining para análise e previsão das estratégias de pricing em companhias aéreas. Estudo de caso : registos das tarifas da rota SSA-LIS

Abstract

O foco deste trabalho é estudar a aplicabilidade e pertinência do uso de árvores de decisão como modelo preditivo do pricing para uma companhia aérea. Para isso, são utilizados como amostra dados da rota Salvador-Lisboa da TAP. As variáveis identificadas por este tipo de modelo preditivo como mais determinantes para o preço pago pelos bilhetes nesta rota foram o momento de compra (medido em número de dias antes da partida do voo), o ponto de venda do bilhete e o número de dias da estadia no destino. Este outcome corresponde com o conhecimento empírico de negócio da gestão de rotas da TAP. Foi também efetuada uma análise de clusterização dos clientes da rota de forma a descobrir alguns padrões comportamentais que suportem a tomada de decisão das métricas a utilizar. Podemos aferir que as técnicas de Machine Learning e Data Mining utilizadas neste projeto podem servir de suporte na obtenção de melhores resultados, numa lógica complementar aos modelos matemáticos existentes, que têm como objetivo a maximização de receita. Estas técnicas permitem descrever com maior riqueza de informação o comportamento esperado da procura. Com a leitura que estas técnicas nos apresentaram para a presente análise da rota Salvador-Lisboa, conseguimos nomear quais das 11 métricas/dimensões atualmente utilizadas (com a metodologia “Bayesian Forecasting” – Guilhotina) são mais importante e vão dar à companhia maiores benefícios. Assim, podemos manipular e dar maior ênfase no nosso trabalho diário, àquelas dimensões que, segundo os resultados obtidos pelo SAS, têm maior preponderância na definição da procura. Métricas/dimensões essas que são utilizadas numa base diária pelo analista com a função de Pricing & Demand. Acreditamos que a leitura e análise dos resultados dos modelos utilizados neste trabalho sejam uma mais-valia e suporte fundamental na tomada de decisão das nossas ações diárias, com a finalidade comum de obtenção de receita máxima e adequação da oferta às necessidades dos clientes.

The main purpose of this work is to study the applicability and relevance of using decision trees as a predictive model for an airline pricing department. For this, a dataset containing the information related to the TAP Salvador-Lisbon route was considered. The variables identified by this type of predictive model as the most determinant for the price paid for the tickets, were the moment of purchase (measured as the number of days before departure of being flight), the point of sale and the number of days of the ticket issued. This outcome corresponds to TAP's empirical business knowledge from the analyst. A clustering analysis of the route customers was also carried out to discover some behavioral patterns that support the decision making of the dimensions to be used. We can verify that the Machine Learning and Data Mining techniques could be used to gain a better knowledge of the business of the company, by complementing the existing mathematical models. These techniques allow us to describe the expected behavior of demand with a greater wealth of information, leading to a maximization of the revenue. With the information gained by using these techniques on the Salvador-Lisbon route, we were able to name which of the 11 metrics/dimensions currently used (with the methodology "Bayesian Forecasting" - Guillotine) are more important and will give the company greater benefits. Thus, one can manipulate and give greater emphasis, in daily activities, to those dimensions that, according to the results obtained by SAS, have a greater preponderance in the definition of demand. These metrics/dimensions are the ones used by the analysts operating in the Pricing & Demand area. We believe that the analysis of the results obtained by the models used in this work provides an added value and a fundamental support for the daily decision-making activities. This allows to maximize the revenue and to increase the matching between the adequacy of the offer and the needs of the clients.