Assessing the Impact: Does an Improvement to a Revenue Management System\n Lead to an Improved Revenue?
Notice bibliographique
Résumé
Airlines and other industries have been making use of sophisticated Revenue\nManagement Systems to maximize revenue for decades. While improving the\ndifferent components of these systems has been the focus of numerous studies,\nestimating the impact of such improvements on the revenue has been overlooked\nin the literature despite its practical importance. Indeed, quantifying the\nbenefit of a change in a system serves as support for investment decisions.\nThis is a challenging problem as it corresponds to the difference between the\ngenerated value and the value that would have been generated keeping the system\nas before. The latter is not observable. Moreover, the expected impact can be\nsmall in relative value. In this paper, we cast the problem as counterfactual\nprediction of unobserved revenue. The impact on revenue is then the difference\nbetween the observed and the estimated revenue. The originality of this work\nlies in the innovative application of econometric methods proposed for\nmacroeconomic applications to a new problem setting. Broadly applicable, the\napproach benefits from only requiring revenue data observed for\norigin-destination pairs in the network of the airline at each day, before and\nafter a change in the system is applied. We report results using real\nlarge-scale data from Air Canada. We compare a deep neural network\ncounterfactual predictions model with econometric models. They achieve\nrespectively 1% and 1.1% of error on the counterfactual revenue predictions,\nand allow to accurately estimate small impacts (in the order of 2%).\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».