Bireysel verilere dayalı kapasite üzeri rezervasyon modelleri

Yıl 2021, Cilt: 36 Sayı: 3, 1373 - 1386, 24.05.2021

Tuğçe Yavuz , Onur Kaya

https://doi.org/10.17341/gazimmfd.615952

Öz

Gelir yönetiminin bir parçası olan kapasite üzeri rezervasyon uygulaması günümüzde, kullanılmayan kapasitenin depolanamadığı birçok sektörde uygulanmaktadır. Rezervasyon yapan müşterilerden bazılarının rezervasyonuna gelmemesi durumunda firmanın karşılaşacağı atıl kapasite maliyetini giderebilmek için kapasitenin üzerinde rezervasyon aldığı bu uygulamanın amacı, atıl kapasiteyi azaltırken kazanç miktarını en büyüklemektir. Literatürdeki klasik yaklaşımda, rezervasyon yapan her müşterinin rezervasyonuna gelme olasılığının aynı olduğu kabul edilmektedir. Bu çalışmada farklı olarak, rezervasyon yapan her müşterinin rezervasyonuna gelme olasılığının kişiye bağlı olarak belirlenmesi önerilmiştir. Önerilen yaklaşım için ihtiyaç duyulan kişisel olasılıklar, tahmin algoritmaları kullanılarak, geçmiş rezervasyon bilgilerinden elde edilmiştir. Her müşterinin farklı gelme olasılıklarının olması, farklı sayılarda müşterilerin rezervasyonlarına gelme olasılıklarının klasik yöntemle hesaplanmasını zorlaştırmıştır. Optimum rezervasyon limitini belirlemede kullanılan bu olasılık değerleri Monte Carlo simülasyonu ile elde edilmiştir. Çalışma sonucunda, önerilen dinamik yapılı rezervasyon modelleri ile klasik yaklaşıma oranla çok daha yüksek kazançlar elde edilebileceği görülmüştür. 

Anahtar Kelimeler

Kapasite üzeri rezervasyon, monte carlo simülasyonu, veri madenciliği, tahmin algoritmaları

Kaynakça

• 1. Yiğit, F. ve Esnaf, Ş., Gelir yönetiminde kapasite üzeri rezervasyon için bir karma dinamik model önerisi, İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü Yönetim Dergisi, 24, 105-120, 2013.
• 2. Coughlan, J., Airline overbooking in the multi-class case, Journal of the Operational Research Society, 50(11), 1098–1103, 1999.
• 3. Feng, Y. ve Xiao, B., A continuous-time seat control model for single-leg flights with no-shows and optimal overbooking upper bound, Eur. J. Oper. Res., 174, 1298-1316, 2006.
• 4. Mookherjee, R. ve Friesz, T.L., Pricing, allocation, and overbooking in dynamic service network competition when demand is uncertain, Production and Operations Management, 17(4), 455-474, 2008.
• 5. Erdelyi, A. ve Topaloğlu, H., A dynamic programming decomposition method for making overbooking decisions over an airline network, Informs Journal on Computing, 22(3), 443-456, 2010.
• 6. Topaloglu, H., Birbil, S¸İ., Frenk, J. ve Noyan, N., Tractable open loop policies for joint overbooking and capacity control over a single flight leg with multiple fare classes, Transportation Science, 46(4), 460-481, 2012.
• 7. Aydın, N., Birbil, Ş.İ., Frenk, J.B.G. ve Noyan, N., Single-leg airline revenue management with overbooking, Transportation Science, 47(4), 560-583, 2013.
• 8. Huang, Y., Ge, Y., Zhang, X. ve Xu, Y., Overbooking for parallel flights with transference, Int. J. Prod. Econ, 144(2), 582-589, 2013.
• 9. Phumchusri, N. ve Maneesophon, P., Optimal overbooking decision for hotel rooms revenue management, Journal of Hospitality and Tourism Technology, 5(3), 261-277, 2014.
• 10. Ivanov, S.H., Optimal overbooking limits for a hotel with three room types and with upgrade and downgrade constraints, Tourism Economics, 21(1), 223-240, 2015.
• 11. Somboon, M. ve Amaruchkul, K., Applied two-class overbooking model in thailand's passenger airline data, The Asian Journal of Shipping and Logistics, 33(4), 189-198, 2017.
• 12. Hueglin, C. ve Vanotti, F., Data Mining Techniques to Improve Forecast Accuracy in Airline Business, Bilgi Keşfi ve Veri Madenciliği Konulu 7. Uluslararası ACM SIGKDD Konferansı, San Francisco-California, 438-442, Ocak, 2001.
• 13. Lawrence, R.D., Hong, S.J. ve Cherrier, J., Passenger-based predictive modeling of airline no-show rates, Bilgi Keşfi ve Veri Madenciliği Konulu 9. Uluslararası ACM SIGKDD Konferansı, Washington-USA, 397-406, 24-27 Ağustos, 2003.
• 14. Garrow, L. A. ve Koppelman, F. S., Predicting air travelers' no-show and standby behaviour using passenger and directional itinerary information, Journal of Air Transport Management , 10, 401-411, 2004.
• 15. Zenkert, D., No-show forecast using passenger booking data, Yüksek Lisans Tezi,Lund Teknik Üniversitesi, Matematiksel Bilimler Merkezi, Lund, 2017.
• 16. Murphy, K. P., Machine Learning: A Probabilistic Perspective, The MIT Press, London, England, 2012.
• 17. Hastie, T., Tibshirani, R. ve Friedman, J.,The Elements of Statistical Learning,: Data Mining, Inference, and Prediction, 2. baskı, Springer, 2017.
• 18. Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P. ve Witten, I. H., The WEKA data mining software: An update, SIGKDD Explorations, 11(1), 10-18, 2009.
• 19. Medical Appointment No Shows Data Set. https://www.kaggle.com/joniarroba/noshowappointments. Yayın tarihi Mayıs, 2016. Erişim tarihi Aralık 2, 2019.