Improving airline forecasting knowledege without direct data : a low cost carrier case study

Forecasting, often the key theme in modern enterprises, is defined as the ability to interpret the trends of corporate performance, generate predictive analyses and, suggest future scenarios and future strategies in response to market changes. This work focuses on the forecasting methods for the airline industry. The thesis analyzes the phenomenon from a different perspective, that of the analyst. In the face of weaknesses in the existing approaches, the thesis aims to provide analysts with an easy and effective tool, flexible methodology that is easily adaptable to any situation that the market can offer. In particular, the thesis focuses on the improvement of forecasting methodologies for routes that do not have historical data. In order to obtain the forecasts, techniques of clustering are used, combined with the additive pickup and the multiplicative pickup methods. The results obtained were very positive and this methodology will soon be implemented within the same company that provided the data. It is hoped that there will be future possibilities to improve and enrich the model to increase its effectiveness.

Il forecasting, spesso tema chiave all’interno delle aziende moderne, è definito come la capacità di interpretare l'andamento delle performance aziendali, generare analisi previsionali, ipotizzare future strategie e scenari in risposta alle variazioni del mercato. Questo lavoro si focalizza sui metodi previsionali per il settore delle compagnie aeree. La tesi analizza il fenomeno da un punto di vista interno all’azienda, quello dell’analista. A fronte di debolezze riscontrate negli approcci già esistenti, la tesi ha come obiettivo quello di fornire agli analisti uno strumento efficace e semplice da utilizzare, una metodologia flessibile e di facile adattamento a tutte le situazioni che il mercato può offrire. Nello specifico, la tesi si focalizza sul miglioramento delle previsioni per rotte prive di dati storici. Per ottenere le forecasts sono state utilizzate le metodologie di clustering, abbinate alle tecniche dell’additive pickup model e del multiplicative pickup model. I risultati ottenuti sono stati molto positivi ed il modello verrà implementato a breve nell’azienda che ha fornito i dati. Si auspica che vi siano possibilità future di migliorare ed arricchire il lavoro svolto per aumentarne l’efficacia.