Billing and sentlement plan

1. Perkenalan

Prinsip revenue management (RM) dalam maskapai penerbangandstry adalah

untuk memaksimalkan pendapatan farebox mereka melalui penetapan harga
dan mengalokasikan kursi yang tersedia di bawah permintaan yang tidak pasti
dan mudah rusak pasokan. Dalam praktiknya, implementasi RM biasanya
dikaitkan dengan menetapkan batas pemesanan melalui produk tarif yang
berbeda. Pemesanan batas menahan jumlah maksimum kursi yang tersedia
untuk dijual ke diberikan kelas pemesanan, sedangkan produk tarif adalah
kombinasi dari pembatasan harga dan tarif. Melalui pengaturan batas
pemesanan untuk setiap produk tarif yang dirancang, maskapai dapat
memperoleh yang optimal strategi penjualan berdasarkan sisa kapasitas,
kondisi pasar dan permintaan yang diantisipasi. Secara umum, model
permintaan RM telah diusulkan berdasarkan hipotesis fungsi permintaan
terbalik menggunakan statistik tradisional teknik, seperti deret waktu, metode
rata-rata, atau sederhana distribusi probabilitas (McGill dan van Ryzin, 1999).
Mereka dengan model mand sebagian besar menganggap permintaan
penumpang untuk menjadi independen di antara produk tarif yang dibuat
berdasarkan batasan yang berbeda untuk segmentasi penumpang. Namun,
dengan meningkatnya pasar persaingan dari operator berbiaya rendah (LCC)
dan pertumbuhan online penjualan tiket, penumpang saat ini mungkin
menganggap kelas tarif sebagai tidak lebih dari harga yang berbeda untuk kursi
dan pembelian berdasarkan harga daripada produk tarif. Itu menghasilkan
permintaan RM perkiraan model asumsi, seperti independensi lintas tarif
produk, mungkin tidak lagi valid (Barnhart dan Smith, 2012). Selain itu,
maskapai penerbangan menggunakan strategi penetapan harga yang sangat
berbeda di bawah persaingan pasar yang ketat, pola permintaan yang berbeda,
dan mencapai segmentasi pelanggan yang efektif (Bilotkach et al., 2010).
Misalnya, dengan menetapkan diskon pembelian di muka, maskapai
penerbangan mampu mendorong penumpang yang peka terhadap harga untuk
membeli lebih awal sedangkan penumpang yang kurang peka terhadap harga
tetapi peka terhadap waktu pembelian nanti dan lebih lanjut menggeser
permintaan (Gallego et al., 2008; Dana, 1999, 1998; Gale dan Holmes, 1993).
Selain itu, maskapai juga menyesuaikan harga secara dinamis berdasarkan
permintaan pembelajaran (Escobari, 2012; Deneckere dan Peck, 2012).
Penumpang dapat memutuskan untuk membuat pembelian di muka dengan
harga yang berlaku atau untuk menunda pembelian mereka keputusan.
Strategi harga tersebut dapat menurunkan nilai produk bahwa penumpang
dipaksa untuk melakukan trade-off antara harga, atribut produk dan tenggat
waktu pembelian di muka, dan oleh karena itu, mengubah perilaku pembelian
mereka (Hotle et al., 2015; Escobari, 2014). Tanpa mengetahui perilaku
pembelian yang sebenarnya dari udara passengers, fungsi permintaan yang
dihipotesiskan dapat menyebabkan kesalahan hasil estimasi yang baru. Untuk
melacak keputusan pembelian awal individu, baru-baru ini penelitian telah
memperkenalkan model pilihan diskrit ke RM untuk kemampuan untuk
mengakomodasi preferensi penumpang dalam strategi RM yang dapat lebih
menjelaskan bagaimana individu membuat trade-off (Garrow, 2009; Talluri
dan van Ryzin, 2004a, 2004b). Keputusan passengers dapat dimodelkan
berdasarkan survei preferensi yang dinyatakan data (Proussaloglou dan
Koppelman, 1999; Wen dan Lai, 2010) atau mengungkapkan data preferensi.
Meskipun model permintaan berdasarkan model pilihan diskrit mungkin lebih
tepat dalam aplikasi RM tions, untuk pengaturan preferensi terungkap, ada
terbatas penelitian empiris karena masalah akuisisi data. Keduanya dipilih dan
alternatif yang tidak dipilih diperlukan untuk preferensi yang terungkap
implementasi model. Meskipun dukungan sistem komputer tems menurunkan
biaya pengumpulan data, sebagian besar perusahaan masih hanya bisa
mencatat hasil pembelian dan informasi penumpang yang berhasil informasi
tentang alternatif yang tidak dipilih sulit diperoleh, yang membuat
menyimpulkan permintaan sebenarnya dengan data yang tersedia tetap
masalah yang cukup mahal dan menantang. Penelitian sebelumnya
memperkirakan mengawinkan model permintaan logit untuk menganalisis
pembelian di muka karena perilaku berdasarkan data preferensi yang
terungkap dalam industri penerbangan (Escobari dan Mellado, 2014; Vulcano
et al., 2010; Carrier, 2008), hotel (Newman et al., 2014) dan industri
perkeretaapian (Hetrakul and Cirillo, 2013, 2014, 2015). Sepengetahuan kami,
Escobari dan Melado (2014) merupakan penelitian pertama yang
menggunakan inventaris kursi perubahan dan harga yang diposting untuk
memperkirakan pilihan jadwal penerbangan dari pendekatan preferensi yang
terungkap, di mana keduanya dipilih dan tidak informasi yang dipilih untuk
semua penerbangan alternatif dari maskapai yang berbeda tersedia.
Seperti disebutkan di atas, makalah ini menggunakan data transaksi nyata dari
billing and settlement plan (BSP) yang dapat diperoleh dengan mudah oleh
setiap maskapai untuk mendukung pengembangan strategi RM maskapai. Sisa
dari makalah ini disusun sebagai berikut. Bagian 2 di memperkenalkan data
studi dan metode yang digunakan untuk pengembangan model. Bagian 3 dan 4
menjelaskan spesifikasi dan estimasi model hasil, masing-masing. Akhirnya,
bagian terakhir memberikan kesimpulan kembali menandai dan menyarankan
arah penelitian masa depan.

2. Data

Dataset yang digunakan untuk menyelidiki faktor potensial yang berkontribusi

untuk perilaku pembelian di muka adalah transaksi penjualan maskapai data
untuk ketersediaannya. Dataset didasarkan pada International Air Rencana
penagihan dan penyelesaian (BSP) Transport Association (IATA) dan banyak
digunakan oleh setiap departemen keuangan anggota IATA. NS dataset berisi
setiap catatan transaksi penjualan antar maskapai dan saluran distribusi yang
beragam, seperti agen perjalananharga. Seperti terlihat pada Tabel 1, setiap
record dari transaksi penjualan maskapai penerbangan data memiliki nomor
tiket unik dan kupon penerbangan yang berbeda untuk rencana perjalanan.
Bidang menarik lainnya adalah kelas layanan dan basis tarif kode seperti yang
dilaporkan pada Tabel 2 yang mewakili produk tarif yang berbeda dan aturan
untuk berbagai saluran distribusi dan nilai penumpang segmen data memiliki
nomor tiket unik dan kupon penerbangan yang berbeda untuk rencana
perjalanan. Bidang menarik lainnya adalah kelas layanan dan basis tarif kode
seperti yang dilaporkan pada Tabel 2 yang mewakili produk tarif yang berbeda
dan aturan untuk berbagai saluran distribusi dan nilai penumpang segmen.
Studi ini memilih rute Taipei-Macau (TPEMFM) untuk populasinya. Larity dan
frekuensi penerbangan yang tinggi. Durasi penerbangan dari Taipei ke makau
berjarak sekitar 840 km dan waktu penerbangan sekitar 2 jam. Khususnya, rute
Taipei-Makau memiliki penumpang terbesar tahunan di taiwan (Taiwan Civil
Aeronautics Administration, 2011). Gambar 1 menunjukkan jumlah
penumpang yang disusun berdasarkan bulan, yang menggambarkan bahwa
bulan terpopuler untuk terbang ke Makau adalah Juli dan agustus, sedangkan
Maret dan Oktober memiliki penumpang paling sedikit. Dengan tujuan untuk
melengkapi informasi pembelian, Data jadwal penerbangan diintegrasikan ke
dalam dataset analisis. NS studi maskapai menawarkan 3 penerbangan setiap
hari yang keberangkatan di pagi hari, siang dan malam (Keberangkatan pukul
08:10, 13:30 dan 18:20; kedatangan pada 09:45, 15:10, dan 20:10, masing-
masing). Dengan menggabungkan dua dataset, preferensi waktu
keberangkatan penumpang seperti waktu, Hari dalam seminggu dan bulan
dalam setahun kemudian dipelajari. Selain itu, untuk mempelajari waktu
perilaku pembelian di muka penumpang udara, Hari pembelian di muka
didefinisikan sebagai hari antara tiket yang diterbitkan tanggal dan tanggal
keberangkatan. Gambar 2 menggambarkan jumlah tiket dengan pembelian di
muka beberapa hari sebelum keberangkatan. Karena hampir semua udara
penumpang (97%) membeli tiket mereka dalam waktu 60 hari sebelum
keberangkatan, cakrawala total 60 hari dipelajari. Tabel 3 menyajikan
persentase kumulatif penumpang dalam 7 perjalanan di muka mengejar hari,
di mana sekitar 2% penumpang membeli tiket di hari keberangkatan dan
hampir 50% penumpang membeli tiket sekitar satu minggu sebelum
keberangkatan
Gambar. 3 lebih lanjut menyajikan distribusi harga rata-rata untuk didefinisikan
segmentasi kelas dengan jumlah hari pembelian di muka dari rute Taipei-
Makau. Perhatikan bahwa kelas bisnis memiliki yang tertinggi harga rata-rata
dan dispersi harga lebih besar sedangkan paket dan kelas kelompok memiliki
harga rata-rata terendah. Dibandingkan dengan yang lain kelas, kelas ekonomi
dan paket relatif stabil dalam 60 hari sebelum keberangkatan. Harga rata-rata
kelas ekonomi adalah secara bertahap menurun di awal dan terus meningkat
sekitar 25 hari menjelang hari keberangkatan. Harga yang sama pola dapat
juga diamati di kelas layanan lainnya. Berdasarkan variasi harga di atas
cakrawala penjualan, penumpang diasumsikan membuat keputusan pembelian
di muka berdasarkan harga tiket dan preferensi waktu penerbangan.
Sementara kelas layanan dan basis tarif biasanya digunakan untuk merancang
produk tarif, sulit untuk diterapkan dalam studi karena rumitnya berbagai
aturan tarif. Selain itu, Dataset BSP tidak hanya berisi catatan transaksi dari
pembelian langsung mengejar penumpang tetapi juga dari beberapa saluran
distribusi, Yang membuat sulit untuk membedakan perilaku penumpang dari
agen Perjalanan. Oleh karena itu, untuk kesederhanaan, penelitian ini hanya
mempertimbangkan bagian dari kelas ekonomi (kelas layanan W, L, B, T, Q, X)
dari tarif dasar tiket YEE3M yang dibeli melalui direct saluran pembelian (situs
web dan loket maskapai penerbangan). Anomali data termasuk outlier atau
catatan yang tidak lengkap juga dihapus, yang menghasilkan akhir dari 2899
catatan transaksi. Tabel 4 daftar layanan kelas yang dipilih untuk penelitian ini,
sedangkan Gambar. 4 menyajikan rata-rata pola harga catatan yang dipilih.

3. Model

Untuk menyelidiki perilaku pembelian tiket pesawat di muka, Model pilihan

diskrit digunakan. Selain itu, untuk mengurangi jumlahnya alternatif dan
memfasilitasi pengembangan model, kemajuan cakrawala pembelian dibagi
menjadi lima periode waktu menurut: tiga metode segmentasi: metode
pertama adalah membagi cakrawala menjadi lima periode waktu yang sama
(setiap periode adalah 12 hari). NS metode kedua adalah membagi cakrawala
menjadi lima periode waktu dengan jumlah pembelian yang sama. Metode
ketiga adalah membagi cakrawala menurut penilaian profesional dari maskapai
studi.
Untuk metode penilaian profesional yang disarankan oleh mantan perts dari
maskapai studi, sebagai pendekatan hari keberangkatan, the maskapai
umumnya akan mulai memeriksa reservasi kursi dan memutuskan untuk
mendapatkan diskon dan promosi untuk meningkatkan volume penjualan atau
bukan. Maskapai akan mengumumkan informasi promosi untuk perjalanan
agen sekitar 1e2 bulan dari hari keberangkatan. Dua minggu sebelum
keberangkatan, mereka akan mulai meminta agen perjalanan untuk membayar
penumpang kelompok, atau kembalikan kursi yang tersisa, jadi yang tersisa
kursi penerbangan akan berubah secara dramatis. Pada minggu terakhir
sebelum keberangkatan, promosi seperti “penjualan menit terakhir” dan iklan
internet vertisements akan dilakukan untuk menarik penumpang individu.
Akhirnya, kami berharap penumpang membeli tiket di keberangkatan hari
memiliki perilaku pilihan yang berbeda.
Makalah ini memodelkan perilaku pembelian di muka secara statis Pengaturan
dan dari perspektif maskapai penerbangan; maka kita berasumsi bahwa
kelimanya alternatif periode pembelian tersedia untuk penumpang di waktu
yang sama di bawah informasi yang sempurna. Selain itu, karena data kami
berisi data transaksi hanya dari satu operator, tidak dapat menghitung pilihan
penerbangan atau operator lain. Pengaturan di sini hanya mempertimbangkan
pilihan periode pembelian di muka dalam penerbangan yang sama. Tabel 5
menguraikan waktu pembelian di muka yang ditentukan periode dan jumlah
penumpang, sedangkan Gambar. 5 menunjukkan hubungan antara periode
yang ditentukan dan hari pembelian di muka untuk kumpulan data yang dipilih.
Namun, untuk data transaksi, hanya periode waktu yang berhasil transaksi
dicatat dan tidak ada informasi mengenai untransaksi yang berhasil dalam
periode waktu lain tersedia. Sebuah data metode intensif digunakan untuk
menghitung nilai variabel generik dari periode waktu lainnya. Harga beli pada
periode lainnya sebesar penerbangan saya diperhitungkan oleh hari pembelian
di muka, kelas layanan, dan bulan pembelian. Penumpang diasumsikan rabun
bahwa mereka membeli dengan harga setiap kali penilaian mereka melebihi
itu. Akhirnya, Faktor termasuk harga, dan preferensi waktu perjalanan (waktu
hari, Hari dalam seminggu, dan bulan dalam setahun) kemudian diperiksa lebih
lanjut oleh menggunakan model multinomial logit (MNL).
Seperti yang disajikan dalam Persamaan. (1), utilitas penumpang n yang
membeli pada alternatif pembelian di muka periode i untuk penerbangan j
diberikan oleh,
(1) Bagian komponen sistematik dari utilitas dimodelkan secara linier fungsi
dari karakteristik yang diamati, sedangkan komponen acak yang tidak teramati
dinyatakan sebagai 3 dan D adalah koefisien yang akan diestimasi.
Jika pengangkut mengetahui lebih banyak tentang permintaan sebagai
persetujuan hari keberangkatan proaches dan secara dinamis menyesuaikan
strategi harga, korelasi anntara log(PRICE)nij dan xnj yang tidak teramati nij
dapat menyebabkan nasalah endogenitas harga potensial. Escobari (2012,
2014) dikendalikan untuk potensi endogenitas dengan instrumen internal dan
penerbangan efek tetap. Karena dinamika harga bukanlah masalah saat ini
studi, kami menganggap nij tidak berkorelasi dengan log(PRICE)nij. Akhirnya,
Probabilitas Pnij penumpang n memilih periode pembelian di muka dapat
diturunkan sebagai Persamaan. (2). Pnij eVnij P K2CnVnik(
Variabel penjelas yang dipilih adalah harga beli (dalam loga Bentuk ritmik) dan
preferensi jadwal penerbangan xj. Khusus penerbangan di upeti seperti
penerbangan pagi (PAGI), penerbangan pada hari Jumat (JUMAT),
penerbangan pada bulan-bulan sibuk termasuk Juli dan Agustus (PANAS-
MUSIM) menurut database jadwal penerbangan diperlakukan sebagai variabel
spesifik alternatif untuk menangkap waktu dalam sehari, hari dalam seminggu
dan preferensi bulan dari tahun penumpang udara. Pengaturan
memungkinkan kami untuk mengamati efek marjinal dari perubahan
preferensi penerbangan di seluruh periode pembelian di muka. Selanjutnya,
untuk mengidentifikasi penumpang yang sering bepergian pada hari libur
berturut-turut (lebih dari tiga hari) dan liburan khusus seperti Tahun Baru
Imlek dan musim semi liburan, juga ditandai sebagai wisatawan liburan
(LIBURAN). Passenger diasumsikan melakukan perjalanan pada periode
tertentu mewakili preferensi perjalanan. Semua variabel spesifik alternatif
adalah diperkirakan akan menurun seiring dengan mendekatnya hari
keberangkatan. Deskriptif statistik variabel penjelas dilaporkan sebagai Tabel
6.

4. Hasil

Tabel 7 menyajikan hasil estimasi dari ketiga model MNL dengan

menggunakan software LIMDEP NLogit. Hasil menunjukkan bahwa semua
variabel tersebut di atas secara signifikan diuji dengan tanda yang ditentukan.
Untuk perbandingan model, beberapa indeks kinerja, Termasuk statistik
kemungkinan log pada rho-kuadrat yang optimal dan disesuaikan (Koppelman
dan Bhat, 2006) dan Kriteria Informasi Akaikes (AIC) dipilih. Nilai kemungkinan
log optimal dari tiga model masing-masing adalah 2524,61, 4485,71 dan
3738,01; sdangkan rho-kuadrat yang disesuaikan adalah 0,455, 0,034 dan
0,195. Di dalam istilah dua indeks, model berdasarkan periode waktu yang
sama melakukan yang terbaik. Selain itu, model periode waktu yang sama juga
memiliki nilai AIC/N terkecil 2,010, menunjukkan suhu yang diusulkan
segmentasi poral berdasarkan persamaan 12 hari dapat menjelaskan dengan
lebih baik perilaku pembelian di muka.
Untuk variabel generik, koefisien log(PRICE) dalam persamaabes model
periode waktu memiliki efek marginal negatif yang signifikan dari 1,042 pada
pembelian di muka seperti yang diharapkan, menunjukkan lebih tinggi harga
beli, utilitas penumpang yang lebih rendah dan dengan demikian kemampuan
maskapai yang dipilih menurun. Istilah interaksi antara log(PRICE) dan
penerbangan pagi memiliki koefisien negatif dari 2,358 yang membuat total
log(PRICE) efek marjinal menjadi 3.4. Hasil tersebut menunjukkan bahwa
harga beli memiliki nilai yang lebih besar efek negatif untuk penerbangan pagi.
Sebaliknya, interaksi hal penerbangan HOTSEASON dan VACATION memiliki
efek positif dari 2,713 dan 4,853, menyiratkan bahwa disutilitas penumpang
terhadap efisiensi harga Efeknya lebih rendah ketika penumpang melakukan
perjalanan selama musim panas atau liburan, yang mengakibatkan efek harga
berubah menjadi positif. Satu mungkin penjelasan untuk ini mungkin karena
kami menggunakan catatan transaksi yang hanya menyediakan alternatif yang
dibeli untuk pemodelan. Hanya penumpang yang menerima harga beli yang
lebih tinggi sedang tercatat dalam dataset kami, penumpang yang memilih
untuk membeli nanti juga tidak membeli tidak dapat menangkapTabe
Untuk variabel dummy spesifik alternatif yang termasuk dalam model
ditujukan untuk menangkap preferensi jadwal penerbangan di seluruh priode
pembelian di muka. Semua variabel spesifik alternatif memiliki efek positif
yang signifikan pada utilitas bila dibandingkan dengan basis alternatif (periode
pembelian di muka 1: dalam waktu 12 hari sebelum keberangkatan). Kedua
variabel PAGI dan JUMAT menunjukkan pola penurunan yang diharapkan.
Utilitas berkurang seiring kemajuan periode pembelian mendekati hari
keberangkatan, menyiratkan bahwa penumpang yang lebih memilih
penerbangan pagi dan Jumat cenderung membeli tiket lebih awal. Namun,
koefisien variabel liburan hadir fek positif tetapi tidak teratur. Salah satu
alasan yang mungkin untuk ini mungkin bahwa maskapai penerbangan diyakini
memiliki kursi kelas tarif yang lebih rendah dan lepaskan mereka selambat
mungkin sebelum waktu liburan.
Tabel 8 lebih lanjut merangkum elastisitas harga langsung agregat. Elastisitas
penerbangan ordinal ditentukan menuagrega estimasi parameter log(PRICE)
tidak termasuk efek interaksi. Sebagai diharapkan, semakin lama hari
pembelian di muka, semakin tinggi elastisitas langsung. Nilai sebagian besar
elastisitas lebih besar dari satu, Menunjukkan bahwa penumpang sensitif
terhadap perubahan harga. NS elastisitas menurun mendekati tanggal
keberangkatan, menyiratkan bahwa penumpang menjadi kurang sensitif
terhadap harga karena mendekati tanggal keberangkatan. Fenomena ini juga
mencerminkan bahwa sekali penumpang telah memutuskan penerbangan
pembelian. Mereka mungkin harus membuat beli saat hari keberangkatan
mendekat, berapa pun harganya perubahan.
Untuk penerbangan ordinal, Periode 5 memiliki elastisitas tertinggi sebesar
1,297, Menyarankan 1% dari kenaikan harga kayu akan menghasilkan
penurunan 1,297% dari probabilitas pilihan pada Periode 5 (>49 hari sebelum
keberangkatan), Sedangkan Periode 1 (0e12 hari sebelum keberangkatan)
memiliki yang terendah elastisitas langsung 0,371 yang kurang dari satu,
menunjukkan inelastisitas harga penumpang Periode 1. Elastisitas pagi hari
penerbangan 3 kali lebih tinggi dari penerbangan biasa, menunjukkan bahwa
penumpang yang memilih penerbangan pagi lebih sensitif terhadap harga.
Menariknya, penerbangan populer di musim panas dan liburan, memiliki
elastisitas positif, menunjukkan kenaikan harga juga akan menghasilkan
peningkatan kemungkinan pilihan. Hal ini terutama karena positif perkiraan
total efek harga log sebesar 1,671 dan 3,811. Hasil menunjukkan bahwa
penumpang mungkin perlu mengeluarkan lebih banyak untuk membeli musim
panas dan penerbangan liburan. Namun, dalam penelitian ini, data kami hanya
mencerminkan perilaku penumpang yang diterima lebih tinggi harga
pembelian. Penumpang dapat memilih penerbangan alternatif dari operator
lain atau memilih untuk tidak membeli. Singkatnya, elastisitas
Nilai penerbangan pagi dan liburan lebih besar dari penerbangan lainnya,
Menyarankan kedua jenis penerbangan itu lebih sensitif terhadap harga
perubahan, meninggalkan ruang besar untuk strategi RM.

5. Kesimpulan

Studi ini mencoba untuk menyelidiki secara empiris kemajuan perilaku

pembelian tiket pesawat dengan menggunakan model multinomial logit
berdasarkan data transaksi langsung maskapai Taipei-Macau (TPEMFM) pada
tahun 2011. Untuk memfasilitasi pengembangan model, Cakrawala pembelian
di muka dibagi menjadi lima periode waktu berdasarkan tiga metode
segmentasi, termasuk waktu yang sama periods, periode waktu dengan jumlah
pembelian dan waktu yang sama leriode sesuai dengan pertimbangan
profesional. Variabel penjelas termasuk harga, jadwal penerbangan (waktu,
hari dalam seminggu, dan bulan dalam setahun) dan preferensi kelas tarif
diperiksa. Dalam istilah dari rho square yang disesuaikan, nilai AIC, dan
statistik kemungkinan log, segmentasi waktu yang sama berkinerja terbaik.
Berdasarkan estimasi koefisien, harga log memiliki negatif efek 1,042 pada
pembelian di muka, menunjukkan harga yang lebih tinggi, utilitas penumpang
yang lebih rendah. Istilah interaksi untuk HOT MUSIM dan LIBURAN memiliki
efek positif, menyiratkan bahwa disutilitas penumpang terhadap harga lebih
rendah ketika penumpang melakukan perjalanan selama waktu liburan.
Adapun variabel dummy, PAGI dan JUMAT menunjukkan pola penurunan yang
diharapkan sebagai hari keberangkatan pendekatan, menunjukkan bahwa
penumpang lebih suka pagi dan Jumat lenerbangan biasanya membeli tiket
lebih awal. Yang tidak teratur pola variabel LIBURAN mencerminkan perilaku
maskapai RM strategi dengan menahan dan melepaskan kursi untuk
penerbangan liburan. Selain itu, berdasarkan analisis langsung dan elastisitas
silang, sejauh mana perilaku pembelian di muka sehubungan dengan strategi
harga juga terungkap
Data transaksi tiket online yang diselidiki dalam penelitian ini hanya
memperhitungkan persentase rendah dari seluruh pembelian ulang di muka
kabel. Namun, dengan popularitas yang cepat dari pembelian online saluran
yang dipromosikan oleh maskapai penerbangan, model yang diusulkan dapat
lebih lanjut diperiksa oleh dataset yang mampu merepresentasikan lebih besar
persentase perilaku pembelian di muka. Harga rata-rata sebelum dikirim ke
sini dapat dimasukkan lebih lanjut dengan harga dinamis model untuk lebih
mencerminkan persaingan maskapai (Bilotkach et al., 2010) dan perubahan
harga dalam variasi waktu pembelian di muka (Escobari, 2012; Deneckere dan
Peck, 2012). Sayangnya, kami kumpulan data tidak memungkinkan kami
menganalisis pilihan di antara alternatif penerbangan dan operator atau
alternatif “tidak terbang”. Sampai saat ini, Escobari dan melado (2014) telah
mempelajari secara empiris pembelian di muka perilaku tiket pesawat dalam
suasana dinamis dengan preferensi yang terungkap ence data di mana
informasi dari semua pilihan yang tersedia.
Selain itu, rute studi adalah rute udara jarak pendek (Taipei Makau). Diyakini
bahwa perilaku pembelian di muka dari rute angkutan udara harus sangat
berbeda. Perbandingannya layak untuk studi lebih lanjut. Karena dataset tidak
mengandung variabel sosial ekonomi dan karakteristik perjalanan penumpang
udara, model serupa dengan mempertimbangkan variasi penjelas yang lebih
berharga kemampuan harus diperkirakan berdasarkan survei kuesioner di
udara penumpang sehingga dapat menarik lebih banyak implikasi kebijakan
untuk strategi RM ya. Dibandingkan dengan segmentasi temporal yang dibagi
secara terpisah cakrawala pembelian di muka, studi masa depan dapat
mempertimbangkan untuk mempertimbangkan korelasi temporal antara
periode atau untuk mengadopsi model Logit terus menerus untuk lebih
meningkatkan kinerja model.