Internationales Verkehrswesen (67) 3 | 2015 54 Airline Revenue Management Aktuelle Herausforderungen und Perspektiven Revenue Management System, Nachfrage, Tarif, Zahlungsbereitschaft, Preisdiferenzierung, Prognose,-Optimierung Seit dem Beginn der Deregulierungsprozesse im kommerziellen Luftverkehr unterliegen auch die Wettbewerbsparameter einem stetigen Wandel. Die Konvergenz der Geschäftsmodelle, steigende Preiselastizitäten der Nachfrage, neue Vertriebskanäle, leistungsfähigere Computer und Big Data, gepaart mit innovativen wissenschaftlichen Methoden, prägen das Airline Revenue Management. Hier liegen sowohl Chancen als auch Risiken für die Fluggesellschaften, welche in diesem Beitrag näher erläutert werden. Der Autor: Martin Kuras Z ahlreiche Veröfentlichungen im Bereich Operations Research in den letzten Jahren hatten das Ziel, einen Beitrag zur Verbesserung des Erlösmanagements von Airlines zu leisten. Tatsächlich gelten die Fluggesellschaften als Pioniere auf diesem Gebiet. Erste Systeme wurden bereits in den 1980er Jahren implementiert 1 , während Erlösmanagement in einigen Branchen bisher kaum oder keinen Gebrauch indet [1, 5, 37]. Geschichte und Entstehung Ausgangspunkt für die Entwicklungen im Airline Revenue Management (ARM) war die Deregulierung der Luftverkehrsmärkte in den USA seit Ende der 1970er Jahre. Durch die gestiegene Anzahl neuer Wettbewerber nahm die Marktkonzentration ab und die etablierten Airlines wurden substituierbarer. Die Preiselastizität der Nachfrage stieg und die abnehmende Zahlungsbereitschaft (WTP, willingness to pay) der Konsumenten setzte die klassischen Full-Service Airlines (FSA) zunehmend unter Druck. Die Yields (Durchschnittserlös pro verkaufter Produktionseinheit) und Erlöse begannen zu erodieren. Hinzu kam, dass auch die Produktion, infolge mangelnder Eizienzanreize in Regulierungszeiten, vergleichsweise teuer war. So schmolzen die Gewinne durch sinkende Yields auf der einen und relativ hoher Stückkosten auf der anderen Seite. Dieser Umstand zwang die FSA, ihre Produktionsfaktoren eizienter zu nutzen (z. B. durch steigende Ladefaktoren) und (beeinlussbare) Inputkosten zu senken (v. a. im Personalbereich). Auf der Erlösseite mussten hingegen Wege gefunden werden, einerseits die relativ hohen Zahlungsbereitschaften von Premiumkunden abzuschöpfen, aber andererseits die Kunden mit geringer Zahlungsbereitschaft nicht gänzlich an die neu entstandenen Low-Cost Airlines (LCA) zu verlieren, um die Kapazitäten ausreichend und mindestens grenzkostendeckend auszulasten (base load). Das konnte nur über ein diferenziertes Preissystem funktionieren (selective matching). Diese Erkenntnis war der Ausgangspunkt für die Evolution des Erlösmanage- Foto: Air Berlin/ Andreas Wiese LOGISTIK Luftverkehrsmarkt Internationales Verkehrswesen (67) 3 | 2015 55 Luftverkehrsmarkt LOGISTIK ments bei Fluggesellschaften. Preisdiskriminierung stellt somit das mikroökonomische Basisinstrument im ARM dar [1 -11, 30, 40]. Preisdiskriminierung und Marktsegmentierung Die zugrundeliegende Annahme im ARM ist, dass ein gleiches Kernprodukt 2 (ein Sitz im Flugzeug in der gleichen Beförderungsklasse) für verschiedene Kunden zu verschiedenen Buchungszeitpunkten unterschiedliche Wertigkeiten (Nutzen) besitzt [2, 3]. Es ist somit die Aufgabe des Erlösmanagements, die richtigen Sitze an die richtige Kundengruppe zum richtigen Zeitpunkt und zum richtigen Preis zu verkaufen, um den Gesamterlös zu maximieren [5]. Der Begrif „Kundengruppe“ lässt bereits erahnen, dass Marktsegmentierung eine notwendige Bedingung für eine efektive Preisdiskriminierung (zweiten und dritten Grades) darstellt. Klassischerweise segmentieren Airlines bezüglich Privat- und Geschäftsreisekunden. Letztere buchen meist kurzfristig und weisen tendenziell geringere Preiselastizitäten auf, sind jedoch zeitbzw. frequenzelastischer als Privatreisende. Die Herausforderung besteht nun darin, ixe Kapazitäten bei gleichzeitig schwankender und heterogener Nachfrage (unterschiedliche Präferenzen und Zahlungsbereitschaften) kostendeckend zu füllen. Um Märkte zu segmentieren, wurden Tarife geschafen, die sowohl unterschiedliche Preise als auch unterschiedliche Restriktionen enthalten. Diese Restriktionen waren für das ARM der FSA lange der Schlüssel, um verschiedene Marktsegmente gegeneinander abzugrenzen (fencing) und Kannibalisierungsefekte (buy-down bzw. revenue dilution) zwischen den einzelnen Kundengruppen zu minimieren. Zum Beispiel werden bestimmte Tarife mit einer Vorausbuchungsfrist (advance purchase) versehen, sind also nur bis zu einem bestimmten Zeitpunkt vor Ablug buchbar. Das soll verhindern, dass Geschäftsreisende trotz hoher Zahlungsbereitschaft einen günstigen Tarif buchen. Durch ihre mangelnde Flexibilität und ihr kurzfristiges Buchungsverhalten werden durch den Vorausbuchungszwang jene Tarife für sie unattraktiv. Generell lässt sich sagen: Je günstiger die Tarife, desto mehr sind sie mit Aulagen/ Restriktionen versehen. Flexibilität muss also durch teurere Tarife erkauft werden [1-3, 6, 7, 10-16]. Revenue Management Systeme Damit die Entscheidung getrofen werden kann, welche Tarife wann verfügbar sind, wird zunächst die künftige Nachfrage sowie deren Wertigkeiten (also der potentielle Erlös) pro Buchungsklasse 3 (RBD, reservation/ revenue booking designator) bestimmt. Erst dann kann entschieden werden, welcher Teil der Nachfrage (in Abhängigkeit des Angebots) tatsächlich bedient (traic) und welcher Teil durch Nichtverfügbarkeit der jeweiligen Tarife abgelehnt wird (spill). Bezogen auf das komplette Netz einer Airline ist dieser Analyse- und Rechenaufwand nur durch ein Revenue Management System (RMS) eizient realisierbar. Moderne RMS verfügen dementsprechend über ein Modul zur Nachfrageprognose (demand forecasting), welches aus historischen und aktuellen Buchungsdaten pro RBD die nachgefragte Menge (und Stornierungen, welche wiederum von den Buchungen abhängen) zu verschiedenen Zeitpunkten prognostiziert [5, 6, 12, 18-20]. Das zweite Kernelement ist das Optimierungsmodul. Hier wird der prognostizierten Nachfragefunktion schließlich die Kapazität, also die Angebotsfunktion, gegenübergestellt. Oder alternativ ausgedrückt: Die Zielfunktion (Erlösmaximierung) wird mit den Nebenbedingungen (Kapazitäten) konfrontiert. Anschließend werden mit Optimierungsalgorithmen die Verfügbarkeiten der einzelnen RBDs intertemporal optimiert. So kann die Kapazität (Sitze) durch die Buchungsklassen nachfrageorientiert „gesteuert“ werden. Ergänzend dazu werden aus Ablugdaten (post-departure data) No-shows prognostiziert und Überbuchungslevel optimiert. Die taktische Anpassung der Verfügbarkeiten (steering) stellt neben Nachfrageprognose und Optimierung den dritten und letzten Kernprozess im ARM dar [1-3, 5, 6].. In den letzten Jahren haben sich jedoch einige Änderungen in den Luftverkehrsmärkten ergeben. Diese stellen sowohl die RMS als auch die ARM-Analysten vor neue Herausforderungen [24]. Aktuelle Trends und dynamische Preissetzung Eine dieser Herausforderungen ist die Preissetzung vieler LCA. Diese zeichnet sich vor allem durch eine simpliizierte (weniger bis keine Restriktionen) und komprimierte (geringere Preisdispersion bzw. geringere fare ratios) Preisstruktur aus. Sind keine Restriktionen vorhanden (RFP, restriction free pricing), können die Marktsegmente nicht mehr scharf voneinander abgegrenzt werden (sinkende switching cost für Konsumenten). LCA bieten auch verbreitet One-Waystatt Return-Tickets an. Dadurch werden bestimmte Restriktionen, wie beispielsweise eine Mindestaufenthaltsdauer (minimum stay oder saturday night stay), obsolet. Neben dem zunehmenden Vertrieb über das Internet erhöht dieser Umstand die Preistransparenz für die Konsumenten erheblich (sinkende transaction cost), erschwert jedoch die Marktsegmentierung mithilfe von Tarifrestriktionen [18, 37, 40]. Diese Trends setzten die Preisgefüge der FSA zunehmend unter Druck, u.a. mit der Folge, dass auch diese begannen, ihre Preisstrukturen zu vereinfachen und weniger Restriktionen zu verwenden. Wie oben erwähnt, wird die Nachfrageprognose jedoch unabhängig für jede Buchungsklasse bestimmt (separate Nachfrage für ein separates Produkt). Je weniger diese mit Restriktionen belegt sind, desto unrealistischer wird die Annahme der unabhängigen Nachfrage, da die einzelnen Buchungsklassen nicht mehr als separate Produkte angesehen werden können - sie unterscheiden sich also nicht länger hinreichend. Somit haben die Konsumenten keinen Anreiz mehr, auf Foto: Pixabay Internationales Verkehrswesen (67) 3 | 2015 56 LOGISTIK Luftverkehrsmarkt Grund von Restriktionen in höhere RBDs einzubuchen. Sie werden vermehrt die günstigste verfügbare Klasse wählen (downsell). Dies führt wiederum zu negativen Rückkopplungsefekten im RMS und zu einer Abwärtsspirale der Erlöse (revenue spiral down). Denn auch die Prognose für hochwertige Tarife wird somit abschmelzen, da sie auf historischen Daten beruht. Dies führt wiederum zu höheren Verfügbarkeiten in den unteren und zu geringeren Verfügbarkeiten in den oberen Klassen, obwohl eine höhere Zahlungsbereitschaft existiert. Wird dieser Kreislauf nicht manuell unterbrochen, sinken Nachfrageprognosen in hochwertigen Klassen und deren Erlöse sukzessive, da die Zahlungsbereitschaften keine Berücksichtigung inden [5, 6, 12, 17, 19, 25-31]. Im RFP wählen Kunden also weniger nach Produkt als nach Preis aus. So kann zwischen produktorientierter (yieldable demand) und preisorientierter (priceable demand) Nachfrage unterschieden werden. Für das ARM bedeutet das eine zunehmende Verschiebung vom mengenbasierten (Verfügbarkeiten für einzelne Produkte optimieren) zum preisbasierten Erlösmanagement (dynamic pricing). Während bei einer mengenbasierten Steuerung das RMS oftmals eine Preisuntergrenze festlegt, welche sich aus den marginalen Verdrängungskosten (displacement cost) einer Buchung ableitet (minium acceptable price oder bid price), verschiebt sich bei einer preisbasierten Steuerung der Fokus hin zu einer Obergrenze, was der Kunde maximal bereit ist zu-zahlen (WTP) [1, 5, 8, 15, 26, 30, 17, 24]. Künftige Herausforderungen Restriktionsreduzierte oder restriktionsfreie Preissetzung stellt klassische Prognosemodule der RMS vor neue Herausforderungen, v. a. hinsichtlich der hinfälligen Annahme unabhängiger Nachfrage. Denn diese kann somit in einzelnen RBDs nicht mehr separat prognostiziert werden. Konventionelle Zeitreihenmodelle stoßen hier zunehmend an ihre Grenzen, zumal sie bei plötzlichen Marktänderungen wenig lexibel sind und oftmals Wettbewerbsparameter außer Acht lassen. Besonders der letzte Umstand, also die Annahme unabhängig agierender Airlines, wird den oligopolistischen Marktstrukturen in der kommerziellen Luftfahrt wenig gerecht [6, 12, 17, 32, 33]. Es existieren Ansätze, welche die klassischen Verfahren der RMS bereits ergänzt oder ersetzt haben. Zu erwähnen sind hier z. B. hybride Prognose- und Optimierungsmodelle, welche die Nachfrage in produkt- und in preisorientierte Segmente aufspalten, um dem hybriden Marktcharakter aus klassischer Preisstruktur mit fencing (klassische Prognoseansätze ausreichend) und unrestringierter Preisstruktur (Prognose der preisorientierten Nachfrage z. B. durch Qforecasting) gerecht zu werden. Ziel ist es, Upsell-Potentiale zu identiizieren (z. B. mithilfe des FRAT5-Ansatzes), um letztlich dem downsell entgegenzuwirken. Erhebliches Potential besitzen darüber hinaus mikroökonometrische Modelle, v. a. diskrete Wahlmodelle, mit Hilfe derer komplexe und granulare Entscheidungsprozesse abgebildet werden können (choice-based revenue management). Je nach Datenverfügbarkeit können hier Wettbewerber-Daten (zur Bestimmung von Kreuzpreiselastizitäten) oder auch Shopping-Daten in die Modelle integriert werden. Präferenzen und Zahlungsbereitschaften werden so zuverlässig und lexibel ermittelt. Auf diese Weise wird eine abhängige Nachfrage geschätzt, welche auch sog. Recapture-Efekte 4 abbildet. Hier wird folglich der Tatsache Rechnung getragen, dass es nicht nur eine Nachfrage für ein Produkt gibt, sondern die nachgefragten Produkte in Verbindung stehen und Alternativen gegeneinander abgewogen werden. Auch die Verwendung neuronaler Netze im ARM wird diskutiert [12, 17, 19, 29, 34, 35, 37, 41-46]. In diesem Zusammenhang wird sich auch die elektronische Vertriebsstruktur der Airlines weiter verändern - zunehmender Internetvertrieb und Digitalisierung, Suchmaschinen, NDC 5 , dbCommerce 6 , personalisierte Angebote (customer centricity), unbundling und Zusatzerlöse (ancillary revenue) prägen die Entwicklungen. Wenn es um das efektive Abschöpfen von Zahlungsbereitschaften geht, ist eine schnelle und dynamische Anpassung der Preise (real time pricing) und Produkte notwendig, um nicht zuletzt schnell und lexibel auf Handlungen der Konkurrenz und Kundenpräferenzen reagieren zu können. Anbieter klassischer Vertriebskanäle in Form globaler Distributionssysteme (GDS) stehen damit ebenfalls vor neuen Herausforderungen [28, 30, 39]. Aus einem zunehmend preisorientiertem ARM ergeben sich jedoch nicht nur technische (RMS, GDS, etc.), sondern auch organisatorische Herausforderungen. So ist z. B. die Integration von Erlös- und Preismanagement elementar, da bei mehr preisori- Foto: Pixabay Foto: Pixabay Internationales Verkehrswesen (67) 3 | 2015 57 Luftverkehrsmarkt LOGISTIK entierter Nachfrage und einem wachsenden Fokus auf Zahlungsbereitschaften den Preispunkten und deren dynamische Anpassung eine besondere Rolle zukommt. Moderne Modelle zur Nachfrageschätzung und neue Entscheidungshilfen für die Preispunktsetzung werden weiter an Bedeutung gewinnen. Da ein RMS vor allem bei stabiler und optimierter Kapazitätsplanung seine Wirkung entfalten kann, ist ebenfalls die Integration der Netzwerkplanung essentiell. Aber auch andere Abteilungen, wie Marketing oder Sales, müssen im Sinne einer kohärenten Strategieplanung und der konsequenten Ausrichtung an Kundenpräferenzen einbezogen werden (z. B. bei neuen Verbindungen) [6, 15, 16, 28-30, 38, 39]. Eine weitere Herausforderung ist die Integration bzw. Optimierung des Gruppengeschäfts. Denn hier können allein durch die Gruppengrößen signiikante Verdrängungskosten entstehen, welche die Erlösmaximierung konterkarieren, sofern die Gruppen nicht ausreichend gut prognostiziert und in die Optimierung einbezogen werden. Die erwarteten Materialisierungsraten spielen hier eine tragende Rolle (groups evaluation hedging) [17]. Schließlich ist es von zentraler Bedeutung, die Performance der ARM-Tätigkeiten regelmäßig zu messen (aktuelle Steuerung vs. optimale Steuerung), um die eigenen Strategien zu evaluieren und gegebenenfalls anzupassen. Wichtig dabei ist, den Einluss des Erlösmanagements von anderen exogenen Faktoren (Saison, Konkurrenz, Konjunkturschwankungen, etc.) zu isolieren [38]. ■ 1 Überbuchung zur Kompensation sogenannter No-shows (Passagiere, die trotz Buchung am Ablugtag nicht erscheinen), fand bereits vorher statt und gilt somit als erste und rudimentäre Form des Airline Revenue Managements. 2 Zu unterscheiden sind hier diferenzierte Preise für unterschiedliche Produkte (Produktdiferenzierung), welche auch anderen Service und somit unterschiedliche Produktionskosten implizieren, z. B. bei unterschiedlichen Beförderungsklassen (compartments). Legt man „Produktdiferenzierung“ enger aus, könnte auch bei unterschiedlichen Buchungsklassen innerhalb einer Beförderungsklasse wegen der Restriktionen von unterschiedlichen Produkten gesprochen werden, die Kernleistung (Beförderung) bleibt davon jedoch unberührt. 3 Buchungsklassen enthalten Preise sowie Restriktionen und sind von der Beförderungsklasse (z. B. Economy, Business, First) zu unterscheiden. Eine Beförderungsklasse (compartment) beinhaltet mehrere Buchungsklassen, um die Nachfrage innerhalb einer Beförderungsklasse zu segmentieren. 4 Kunden, die eine niedrigere oder höhere Buchungsklasse (vertical recapture), einen anderen Flug der gleichen Airline (horizontal recapture) oder ein alternatives Konkurrenzangebot (capture) wählen. 5 New Distribution Capability 6 Data-based commerce LITERATUR [1] Talluri, K.; Van Ryzin, G. (2005): The theory and practice of revenue management, Kluwer Academic Publishers [2] Conrady, R. et al. (2012): Luftverkehr, Betriebswirtschaftliches Lehr- und Handbuch, 5. Aulage, Oldenbourg Wissenschaftsverlag [3] Maurer, Peter (2006): Luftverkehrsmanagement, Basiswissen, 4.-Aulage, Oldenbourg Wissenschaftsverlag [4] Pompl, W. (2006): Luftverkehr, Eine ökonomische und politische Einführung, 5. Aulage, Springer [5] Klein, R.; Steinhardt, C. (2008): Revenue Management, Grundlagen und mathematische Methoden, Springer [6] Holloway, S. (2008): Straight and level, practical airline economics, 3rd edition, Ashgate Publishing Ltd. [7] Wald, A. et al. (2010): Introduction to aviation management, LIT Verlag [8] Doganis, R. (2009): Flying of course, airline economics and marketing, 4th editon, Routledge [9] Doganis, R. (2005): The airline business, 2nd edition, Taylor & Francis Ltd. [10] Wensveen, J. (2007): Air transportation, a management perspective, 6th edition, Ashgate Publishing Ltd. [11] Vasigh, B. et al. (2013): Introduction to air transport economics, from theory to applications, 2nd edition, Ashgate Publishing Ltd. [12] Belobaba, P. et al. (2009): The global airline industry, John Wiley & Sons [13] Tretheway, M.; Oum, T. (1992): Airline economics, foundations for strategy and policy, centre for transportation studies, University of British Columbia [14] Cento, A. (2009): The airline industry, challenges in the 21st century, Physica-Verlag [15] Vinod, B. (2009): The complexities and challenges of the airline fare management process and alignment with revenue management, Journal of Revenue and Pricing Management, 9, 137-151 [16] Botimer, T.; Belobaba, P. (1999): Airline pricing and fare product diferentiation, a new theoretical framework, Journal of Operational Research Society, 50, 1085-1097 [17] IATA (2012): Airline revenue management, 2nd edition, international aviation training program, IATA Training & Development Institute [18] Guo, P. et al. (2012): Unconstraining methods in revenue management systems: Research overview and prospects, Advances in Operations Research, Hindawi Publishing Corporation [19] Barnhart, C.; Smith, B. (2012): Quantitative problem solving methods in the airline industry, a modeling methodology handbook, International Series in Operations Research & Management Science, Volume 169, Springer [20] Abdelghany, A.; Abdelghany, K. (2009): Modeling applications in the airline industry, Ashgate Publishing Ltd. [21] Belobaba, P. (1989): Application of a probabilistic decision model to airline seat inventory control, Operations Research, 37 (2), 183-197 [22] Boyd, E. (2005): Revenue management in the airline industry: From gumball dispensers to rocket science, Journal of Revenue and Pricing Management, 5 (2), 157-166 [23] Sylla, A. (2000): Operations research in the airline industry, 46-62, Sabre Inc. [24] Poelt, S. (2011): The rise and fall of RM, Journal of Revenue and Pricing Management, 10 (1), 23-25 [25] Dunleavy, H.; Westermann, D. (2004): Future of airline revenue management, Journal of Revenue and Pricing Management, 3 (4), 380-383 [26] Ratlif, R.; Vinod, Ben (2005): Airline pricing and revenue management: A future outlook, Journal of Revenue and Pricing Management, 4 (3), 302-307 [27] Belobaba, P. (2010): Did LCCs save airline revenue management, Journal of Revenue and Pricing Management, 10 (1), 19-22 [28] Vinod, B. (2007): The continuing evolution: Customer-centric revenue management, Journal of Revenue and Pricing Management, 7 (1), 27-39 [29] Burger, B.; Fuchs, M. (2004): Dynamic pricing - A future airline business model, Journal of Revenue and Pricing Management, 4 (1), 39-53 [30] Isler, K.; D’Souza, E. (2009): GDS capabilities, OD control and dynamic pricing, Journal of Revenue and Pricing Management 8 (2,3), 255-266 [31] Westermann, D.; Lancaster, J. (2009): Improved pricing and integration with revenue management - The next step toward improved revenues, Journal of Revenue and Pricing Management, 10 (3), 199- 210 [32] Yu, G. [1998): Operations research in the airline industry, Springer [33] Cutshall, C.; Weisbrodt, J. (2005): Implementing an O&D revenue management solution, Journal of Revenue and Pricing Management, 5 (2), 128-134 [34] Fiig, T. et al. (2009): Optimization of mixed fare structures: Theory and applications, Journal of Revenue and Pricing Management, 1-19 [35] Boyer, C. (2010): Statistical methods for forecasting and estimating passenger willingness-to-pay in airline revenue management, Master Thesis, MIT [36] Weatherford, L. et al. (2002): Neural network forecasting for airlines: A comparative analysis, Journal of Revenue and Pricing Management, 1 (4), 319-331 [37] Garrow, L. (2010): Discrete choice modelling and air travel demand, theory and applications, Ashgate Publishing Ltd. [38] Lieberman, W. (2003): Getting the most from revenue management, Journal of Revenue and Pricing Management, 2 (2), 103-115 [39] Harteveldt, H. (2012): The future of airline distribution, a look ahead to 2017, a special report commissioned by IATA, Atmosphere Research Group [40] Ben-Yosef, E. (2005): The evolution of the US airline industry, theory, strategy and policy, Springer [41] Boyd, E.; Kallesen, R. (2004): The science of revenue management when passengers purchase the lowest available fare, Journal of Revenue and Pricing Management, 3 (2), 171-177 [42] Gallego, G.; Ratlif, R. (2014): A general attraction model and salesbased linear program for network revenue management under customer choice, operations research, articles in advance, 1-21 [43] Vulcano, G. et al. (2012): Estimating primary demand for substitutable products from sales transaction data, operations research, 60 (2), 313-334 [44] Seidel, F. (2014): Synthetic data sets with non-constant substitution patterns for fare class choice, Zeitschrift für Verkehrswissenschaft, 85 (1), 32-55 [45] Vulcano, G. et al. (2010): Choice-based revenue management: An empirical study of estimation and optimization, Manufacturing & Service Operations Management, 12 (3), 371-392 [46] Ratlif, R. et al. (2007): A multi-light recapture heuristic for estimating unconstrained demand from airline bookings, Journal of Revenue and Pricing Management, 7 (2), 153-171 Martin Kuras, M.Sc. Analytics & Operations Research, Revenue Management & Pricing, Air-Berlin PLC & Co. Luftverkehrs KG, Berlin martin.kuras@airberlin.com