Decentralized Code-Share Revenue Management in Airline Alliances

196 Pages·2013·1.6 MB·English

– DISSERTATION –
Decentralized Code-Share Revenue
Management in Airline Alliances
Max Gerlach
Department of Information Systems
Freie Universit¨at Berlin
Berlin, October 2013
ii
Decentralized Code-Share Revenue
Management in Airline Alliances
Inaugural-Dissertation zur Erlangung des akademischen Grades eines Doktors der
Wirtschaftswissenschaft am Lehrstuhl fu¨r Wirtschaftsinformatik des Fachbereichs
Wirtschaftswissenschaften der Freien Universit¨at Berlin
vorgelegt von
Max Oliver Gerlach
Master of Science in Operations Research
Universita¨t Maastricht, Niederlande, 2009
aus Du¨sseldorf.
Berlin, im Oktober 2013
iii
Erstgutachterin Zweitgutachterin
Prof. Dr. Natalia Kliewer Prof. Dr. Catherine Cleophas
Freie Universit¨at Berlin Freie Universit¨at Berlin
Tag der Disputation
15. November 2013
Publikationen
Gerlach, M., Cleophas, C. und Kliewer, N. (2013). Codeshare-Allianzen bei
Fluggesellschaften – Ein Segen fu¨r das Marketing und eine Herausforderung fu¨r
Revenue-Management-Systeme,WIRTSCHAFTSINFORMATIK 55(3): 147-158
Sowie in englischer Sprache, da der Artikel zweisprachig erschienen ist:
Gerlach, M., Cleophas, C. and Kliewer, N. (2013). Airline Codeshare Alliances
– Marketing Boon and Revenue Management Information Systems Challenge,
Business & Information Systems Engineering 5(3): 153-163.
Arbeitspapiere
Gerlach, M., Cleophas, C. und Kliewer, N. (2013). Code-Share Revenue Man-
agementin Practice. WorkingPaper, Departmentof InformationSystems, Freie
Universita¨t Berlin.
Gerlach, M., Cleophas, C. and Kliewer, N. (2013). Adaptive Code-Share Valua-
tionsforAirlineAlliances. WorkingPaper, DepartmentofInformationSystems,
Freie Universit¨at Berlin.
iv
Deutscher Abstract
Allianzen helfen Fluggesellschaften Synergien zu nutzen und zus¨atzliche Ertr¨age zu
generieren. Ein zentraler Baustein ist dabei die gegenseitige Vermarktung von Flu¨gen,
bekannt unter der Bezeichnung Codesharing. Wie Daten der Deutschen Lufthansa bele-
gen, gewinnen Allianzen zunehmend an Bedeutung und die Nutzung von Codesharing
wird konsequent ausgebaut. Dieser Trend sorgt fu¨r neue Herausforderungen bei der
Ertragsoptimierung und dabei insbesondere in Bezug auf die Bewertung von Codeshare-
Produkten in den internen Informationssystemen der einzelnen Fluggesellschaften.
Im Rahmen dieser Arbeit untersuchen wir wie Codeshare-Verbindungen ertragsopti-
malgesteuernwerdenk¨onnen. WirentwickleneinpraxistauglichesRevenue-Management-
Modell und leiten notwendige sowie hinreichende Bedingungen fu¨r die lokale Implemen-
tierung der zentralen Lo¨sung her. Sollten diese nicht erfu¨llt sein, mu¨ssen neue Opti-
mierungsparameter berechnet werde, wofu¨r wir zusa¨tzliche Update-Regeln definieren.
Diese passen die Bewertungen der einzelnen Codeshare-Segmente an, so dass die lokalen
Lo¨sungen zum Optimum konvergieren. Wir zeigen die Wirkung der adaptiven Updates
sowohl mit Monte Carlo Experimenten als auch mit stochastischen Simulationen.
Die Ergebnisse zeigen, dass adaptives Updaten besser funktioniert als andere statische
und dynamische Bewertungsmethoden. Bei den Monte Carlo Experimenten erzielt es
den ho¨chsten Prozentsatz an optimalen L¨osungen und minimiert den durchschnittlichen
Fehler zwischen der lokalen und der optimalen L¨osung. Zur Berechnung der stochastis-
chen Simulationen nutzen wir den von Lufthansa entwickelten Revenue-Management-
Simulator REMATE. Er bildet den gesamten Steuerungsprozesses samt stochastischen
Kundenanfragen ab. Auch hier erzielt der adaptive Ansatz die besten Ergebnisse mit
anna¨hernd optimalen Ertra¨gen.
Schlagworte: Luftfahrtallianzen, Codesharing, Informationssysteme, Optimierung,
Ertragssteuerung, Lineare Programmierung, Simulation
v
English Abstract
Airlines form alliances to benefit from synergies and to raise additional revenues. A cen-
tral tool in this strategy is the shared marketing of flights, referred to as code-sharing.
As industry data from Lufthansa shows, alliances become increasingly important and
code-share sales grow constantly. This trend imposes new challenges on the revenue
management process and in particular on the valuation of the code-share fragments in
the internal information systems of the independent airlines.
This thesis investigates how alliance partners can control code-share products such
that the overall revenue is maximized. We propose a decentralized code-share revenue
management model with limited information exchange, as it could be implemented in
practice, and examine coordination strategies. In the process, we derive necessary and
sufficient conditions for central optimality. The local optimization results must satisfy
these conditions in order to implement the central optimal solution. Otherwise the
code-share valuations must be updated and we specify rules for this such that the local
solutions converge to the central one. We refer to this concept as adaptive valuation
andtestitsperformancewithMonteCarloExperimentsaswellasstochasticsimulations.
The results show that adaptive valuation outperforms other common static and dy-
namic schemes. In the Monte Carlo Experiments, it provides the highest percentage of
central optimal solutions as well as minimizes the average error between the local and
the central solution. The large-scale simulations are evaluated in REMATE, a revenue
management simulator developed at Lufthansa. It models the entire revenue manage-
ment process and the system’s interaction with stochastic customer requests. Also in
this more complex environment the adaptation schemes give the best results and the
revenues are close to the central ones.
Key Words: Airline Alliances, Code-Sharing, Information Systems, Optimization,
Revenue Management, Linear Programming, Simulation
vi
Contents
List of Figures xii
List of Tables xiv
I. Literature Review and Research Gap 1
1. Introduction 2
1.1. Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Motivation and Goals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Structure of this Thesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2. Literature Review 12
2.1. Airline Alliances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.1. Benefits of Alliances . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.2. Related Types of Collaboration . . . . . . . . . . . . . . . . . . . 15
2.1.3. Network Topology . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.4. Welfare Effects . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2. Revenue Management . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.1. Revenue Management Concept . . . . . . . . . . . . . . . . . . . 21
2.2.2. Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.3. Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.4. Inventory Control . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
vii
Contents
3. Revenue Management in Airline Alliances 30
3.1. Alliance Game . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1.1. Contractual Level: Cooperative Game . . . . . . . . . . . . . . . 32
3.1.2. Operational Level: Non-Cooperative Game . . . . . . . . . . . . . 33
3.2. Code-Share Revenue Management in Practice . . . . . . . . . . . . . . . 34
3.2.1. Code-Share Forecasting . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2.2. Code-Share Optimization . . . . . . . . . . . . . . . . . . . . . . 36
3.2.3. Code-Share Booking Control . . . . . . . . . . . . . . . . . . . . . 39
3.2.4. Revenue Sharing . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3. Literature Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.1. State-of-the-Art Alliance Revenue Management . . . . . . . . . . 42
3.3.2. Related Research . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4. Research Gap 51
II. Theoretical Approach to Code-Share Optimization 55
5. Code-Share Revenue Management Model 56
5.1. Centralized Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.1.1. Network Dynamic Program . . . . . . . . . . . . . . . . . . . . . 57
5.1.2. Dynamic Programming Decomposition . . . . . . . . . . . . . . . 58
5.2. Decentralized Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.3. Assumptions and Limitations . . . . . . . . . . . . . . . . . . . . . . . . 63
6. Adaptation Algorithm for Code-Share Valuations 67
6.1. Structure of the Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.2. Prerequisites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.3. Conditions for Central Optimality . . . . . . . . . . . . . . . . . . . . . . 76
6.3.1. Necessary Conditions . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.3.2. Sufficient Conditions . . . . . . . . . . . . . . . . . . . . . . . . . 81
viii
Contents
6.4. Updating Procedure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.4.1. Necessary Update Rule . . . . . . . . . . . . . . . . . . . . . . . . 84
6.4.2. Sufficient Update Rule . . . . . . . . . . . . . . . . . . . . . . . . 91
6.5. Discussion of the Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.5.1. Implications for the Contractual Level . . . . . . . . . . . . . . . 100
7. Numerical Experiments 101
7.1. Experimental Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.1.1. Valuation Schemes . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.2. Computational Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.2.1. Quality of the Local Solutions . . . . . . . . . . . . . . . . . . . . 107
7.2.2. Convergence Analysis . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.3. Discussion of the Results . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
III. Practical Implications and Simulation Study 128
8. Practical Implications 129
8.1. General Considerations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
8.2. Implementation of the Adaptive Valuation Schemes . . . . . . . . . . . . 131
8.2.1. Variant 1 – Iterative Updating . . . . . . . . . . . . . . . . . . . . 132
8.2.2. Variant 2 – Last Shadow Prices . . . . . . . . . . . . . . . . . . . 133
8.2.3. Variant 3 – Stochastic Bid Prices . . . . . . . . . . . . . . . . . . 134
8.2.4. Variant 4 – AVS Allocations . . . . . . . . . . . . . . . . . . . . . 135
8.3. Implementation of the Alternative Schemes . . . . . . . . . . . . . . . . . 135
9. Revenue Management Simulator REMATE 136
9.1. General Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
9.2. Scenario Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
9.2.1. Network Design and Product Structure . . . . . . . . . . . . . . . 140
9.2.2. Customer Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
ix
Contents
9.2.3. Revenue Management Method . . . . . . . . . . . . . . . . . . . . 144
9.2.4. Code-Sharing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
9.3. Valuation Schemes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
10.Simulation Results and Analysis 148
10.1.Base Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
10.2.Static Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
10.2.1. AVS Information Exchange . . . . . . . . . . . . . . . . . . . . . 152
10.2.2. BPS Information Exchange . . . . . . . . . . . . . . . . . . . . . 154
10.3.Dynamic Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
10.4.Discussion of the Results . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
11.Conclusion and Outlook 161
11.1.Summary of the Findings . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
11.2.Research Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
11.3.Directions for Future Research . . . . . . . . . . . . . . . . . . . . . . . . 165
Bibliography 168
x