Big datan hyödyntäminen lentoyhtiöiden tuottojen optimoinnissa
Kolehmainen, Meri (2017)
Kandidaatintutkielma
Kolehmainen, Meri
2017
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe201701091088
https://urn.fi/URN:NBN:fi-fe201701091088
Tiivistelmä
Tässä kandidaatintyössä tutustutaan big datan hyödyntämiseen lentoyhtiöiden tuottojen optimoinnissa. Tavoitteena on selvittää, miten lentoyhtiöt hyödyntävät big dataa tuottojen optimoinnissa ja mitä hyötyä big datan hyödyntäminen tuo kyseiseen prosessiin. Jotta saavutettaisiin parempi ymmärrys aiheesta, tarkoituksena on myös löytää avainlähteet joista kumpuavaa dataa lentoyhtiöt analysoivat tuottojen optimointiaan varten. Tässä tutkielmassa tuottojen optimoinnilla tarkoitetaan organisaation toimintoja optimaalisten hintojen asettamiseksi.
Tutkielma suoritetaan tutustumalla aikaisempaan kirjallisuuteen aihepiiristä sekä hyödyntämällä laadullisia menetelmiä. Tutkielman teoreettista taustaa varten koottu aineisto rakentuu pääasiallisesti kansainvälisistä tieteellisistä artikkeleista. Taustateorioita tukemaan kerätty empiirinen aineisto on koottu haastattelemalla kolmea Finnair Oyj:ssä keskeisissä asemissa toimivaa ammattilaista.
Tutkielma osoittaa kysynnän ennustamisen olevan lentoyhtiöiden tuottojen optimointiprosessin ydin. Kun lennolle on onnistuttu arvioida eri asiakassegmenteiltä saapuva kysyntä, on mahdollista suorittaa kapasiteetin allokointi optimaalisesti ja dynaaminen eriävä hinnoittelu onnistuneesti. Esimerkiksi sosiaalisesta mediasta kumpuavan big datan analysointi voi tuoda yritykselle arvokasta informaatiota asiakaskäyttäytymisestä ja näin luoda parempia arvioita tulevasta kysynnästä. Tästä huolimatta tutkielma osoittaa lentoyhtiöiden tuottojen optimoinnin pohjautuvan nykyisellään pitkälti tavanomaisen datan analysoinnille. Tuottojen optimoimiseksi analysoidaan esimerkiksi lentoyhtiöiden sisäistä historiallista transaktiodataa sekä julkista dataa hinnoista. This Bachelor’s thesis studies utilization of big data in airlines’ revenue optimization. Goal of this research is to find out, how airlines are utilizing big data in their revenue optimization process and what benefits does big data utilization bring to it. To get better understanding this paper is also aiming to research what are the key sources of data for the airlines’ revenue optimization process. In this paper, revenue optimization is considered as organizations functions to set optimal prices.
This research is done by studying previous literature about the subject matter and by qualitative methods. The theoretical material for this research is collected mostly from international scientific articles. To support the background, there was an empirical material collected as well, by interviewing three professionals working in Finnair Oyj.
The airlines revenue optimization process is mainly focused in demand forecasting. When the future demand coming from different customer groups is predicted, the capacity can be allocated optimally and successful dynamic differentiated pricing is enabled. Analyzing big data coming for example from social media can bring to the company valuable insights about customer behavior leading to better demand estimations. However, this research shows that as things currently stand, airlines’ revenue optimization process is mostly based to regular, not big, data analytics. Data from airlines internal historical transactions and public price data are utilized to optimize revenues.
Tutkielma suoritetaan tutustumalla aikaisempaan kirjallisuuteen aihepiiristä sekä hyödyntämällä laadullisia menetelmiä. Tutkielman teoreettista taustaa varten koottu aineisto rakentuu pääasiallisesti kansainvälisistä tieteellisistä artikkeleista. Taustateorioita tukemaan kerätty empiirinen aineisto on koottu haastattelemalla kolmea Finnair Oyj:ssä keskeisissä asemissa toimivaa ammattilaista.
Tutkielma osoittaa kysynnän ennustamisen olevan lentoyhtiöiden tuottojen optimointiprosessin ydin. Kun lennolle on onnistuttu arvioida eri asiakassegmenteiltä saapuva kysyntä, on mahdollista suorittaa kapasiteetin allokointi optimaalisesti ja dynaaminen eriävä hinnoittelu onnistuneesti. Esimerkiksi sosiaalisesta mediasta kumpuavan big datan analysointi voi tuoda yritykselle arvokasta informaatiota asiakaskäyttäytymisestä ja näin luoda parempia arvioita tulevasta kysynnästä. Tästä huolimatta tutkielma osoittaa lentoyhtiöiden tuottojen optimoinnin pohjautuvan nykyisellään pitkälti tavanomaisen datan analysoinnille. Tuottojen optimoimiseksi analysoidaan esimerkiksi lentoyhtiöiden sisäistä historiallista transaktiodataa sekä julkista dataa hinnoista.
This research is done by studying previous literature about the subject matter and by qualitative methods. The theoretical material for this research is collected mostly from international scientific articles. To support the background, there was an empirical material collected as well, by interviewing three professionals working in Finnair Oyj.
The airlines revenue optimization process is mainly focused in demand forecasting. When the future demand coming from different customer groups is predicted, the capacity can be allocated optimally and successful dynamic differentiated pricing is enabled. Analyzing big data coming for example from social media can bring to the company valuable insights about customer behavior leading to better demand estimations. However, this research shows that as things currently stand, airlines’ revenue optimization process is mostly based to regular, not big, data analytics. Data from airlines internal historical transactions and public price data are utilized to optimize revenues.