Makine öğrenimi tabanlı özellik seçim yaklaşımıyla no-show oranı tahmini: Havacılık sektörü üzerine bir vaka analizi

Günümüzde artan rekabet koşulları, hızla değişen müşteri talepleri ve küreselleşme, şirketleri düşük kar marjlarıyla çalışmaya ve hızla değişen koşullara uyum sağlayarak, rekabet avantajı elde etmeye zorlamaktadır. Bu tez, günümüzün en yoğun rekabet ortamlarından birisi olan havacılık endüstrisinde, yapay zekâ ve büyük veri gibi teknolojilerin öneminin arttığı bir dönemde gerçekleştirilmiştir. Havacılık endüstrisi, yüksek sermaye gerektiren, düşük kar marjları, yoğun rekabet, karmaşık operasyonel yapıları ve yerel ya da küresel konjonktürün sürekli baskısı altında olmasıyla bilinmektedir. Bu durum, havacılık endüstrisindeki düşük kar marjları göz önüne alındığında, havayollarını sürekli olarak verimliliklerini artırmaya, müşteri memnuniyetlerini koruyarak operasyonel maliyetlerini azaltmaya veya ek gelir yaratabilecekleri alanları keşfetmeye teşvik etmektedir. Yolcuların bilet aldığı halde planlanan uçuşlarına gelmemesi azımsanamayacak bir oranda gerçekleşmektedir. Bu durum havayolları için overbooking imkânı tanımaktadır ve uçuşa gelmeyen yolcuların oranın doğruya yakın tahmin edilmesi durumunda ciddi miktarda ek gelir elde etme imkânı tanımaktadır. Ancak yolcuların tamamının uçuşa gelmesi durumda havayolları ek maliyetlere katlanmak zorunda kalacak ve itibar kaybı yaşayacağından no-show oranlarını doğru bir şekilde tahmin etmek ve operasyonel planlama süreçlerini optimize etmek havayolları için kritik öneme sahiptir. No-show oranları genel olarak tarihsel verilerin istatistiksel yöntemlerle analiziyle tahmin edilmektedir. Bununla beraber son dönemde hızla gelişen makine öğrenimi ve büyük veri analitiği, bu tür karmaşık sorunların çözümünde önemli bir rol oynama potansiyeline sahiptir. Literatürde no-show oranlarının makine öğrenimi yöntemleriyle tahminine yönelik çok az sayıda çalışma bulunmaktadır. Bu çalışmalarda no-show tahmini için yalnızca Passanger-Name-Record (PNR) bilgileri kullanılmakta ve bu durum birçok çevresel-dışsal faktörü göz ardı etmektedir. Yalnızca yolcu bilgilerinin kullanılması ise, her yolcunun birbirinden benzersiz özellikle sahip olması sebebiyle tahmin başarısını düşürmektedir. Bu çalışmada ise diğer çalışmalardan farklı olarak PNR kullanılmadan, hava durumu, trafik yoğunluğu gibi çevresel faktörlerin yanı sıra özel günler ve resmî tatiller gibi dışsal faktörlerin no-show üzerindeki etkisi büyük veri analizi ve makine öğrenimi yöntemleri kullanılarak araştırılmaktadır. Bu çalışma, havacılık endüstrisindeki operasyonel planlama süreçlerini iyileştirme konusunda benzersiz ve kritik ihtiyacına odaklanmaktadır. Aynı zamanda havacılık endüstrisindeki zorlukları anlama ve no-show oranını hesaplamadaki mevcut sınırlamaları ele alma konusunda katkı sunması amaçlanmıştır. Bu amacı gerçekleştirmek için no-show oranını doğru bir şekilde tahmin etmenin önemi ve etkileri kapsamlı bir şekilde incelenmiş, ele alınan probleme yönelik makine öğrenimi algoritmaları ile bir model sunulmuştur.