New Business Models in Aviation Subscription-Based Aviation applied to the 2030 World Cup
Notice bibliographique
Résumé
The emergence of subscription services in all sectors of the economy, whether between the end user and the company or between companies, has extended to the airline industry in recent years. It is therefore important to study their expansion into airline's yield and revenue management systems. The terminology of the Flight Pass recurs in airline marketing terms, although there are few references to it in academic production. This study therefore aims to provide a framework for business models in aviation. It describes the business model concept and the analysis tool: the Business Model Canvas. It also describes the current state of commercial airline business models, subscription business models, and yield and revenue management systems (also focusing on loyalty and mobility-as-a-service programmes). To examine the business and Flight Passes of Alaska Airlines, Frontier Airlines, Air Canada, TAP Air Portugal, and Ryanair, the Flight Pass Canvas tool was developed. The results are presented in the Canvas framework, distinguishing between low-cost and fullservice models; and how these influence the Flight Pass aspect, suggesting that low-cost airlines use it as a tool to increase load factors, rather than legacy airlines using it to segment customers. The conclusions of Flight Pass are then subject of consultation with subject matter experts through a survey. Finally, the findings of the empirical study are used to design a Flight Pass for the 2030 World Cup. The findings suggest that unbundling the business is necessary to ensure its economic viability.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».