На сегодняшний день принято считать, что работа над улучшением RMS (Revenue Management System) подобна попыткам выжать воду из камня. Можно потратить грандиозное количество сил и средств, но в итоге добиться лишь некоторой доли процента увеличения эффективности или вообще ничего не добиться.

Вместе с тем, недавно появился целый ряд идей, способных кардинально улучшить существующие решения.

Прежде всего появилась законченная методология сведения любой задачи по управлению ресурсом к задаче стохастического программирования. В основном стохастическую постановку стараются избежать, подвергая данные агрегации, что в свою очередь приводит к потере значительной доли информации и нахождению неверных решений. В настоящий момент оптимальные решения могут быть найдены на основе всех имеющихся данных.

Решена проблема невозможности получения аналитических форм распределений вероятности некоторых случайных величин. Суть в том, что распределения вероятностей являются сердцем стохастического программирования, но в некоторых случаях их невозможно вывести аналитически. К примеру, бронирование в разных подклассах при различных типах нестинга являются случайным вектором, вместе с тем, подчиняющимся чрезвычайно сложному закону. Результатом нашей работы стал способ моделирования таких векторов на основе данных, и теперь стало возможным определение наилучшего типа нестинга и оптимального значения квот для всех подклассов.

Далее был найден превосходный метод оптимизации путем кросс-энтропии. Управляемый ресурс практически всегда является дискретным, но задачи дискретного стохастического программирования невероятно сложны. Теперь это не совсем так. Метод кросс-энтропии является обобщением всех существующих эвристик и может быть эффективно адаптирован под любой тип задач, в том числе и тех, которые решают RMS.

В итоге, найден способ определения изменений и аномалий в динамике спроса на основе сверхмалых выборок. В предыдущих моделях мы использовали для этой цели критерий Вальда, но когда речь заходит не обо всей емкости судна, а об отдельных кабинах или подклассах, то он становится бессильным. На помощь пришли случайные процессы и марковские цепи. Как оказалось, благодаря им можно довольно точно выявлять отклонения и аномалии на основе всего трех-четырех наблюдений. Например, теперь можно выполнять перерасчет оптимального типа нестинга, цен и квот подклассов сразу, как это становится необходимым.

В сущности, RMS — это механизм, перерабатывающий данные в оптимальные решения. У любого механизма есть некоторый предел мощности и, судя по всему, представленные идеи определяют некий теоретический предел для RMS. Самой замечательной новостью является то, что для значительного увеличения прибыли вовсе не нужно обладать суперкомпьютером. Разумеется, для применения представленных методов нужно "жечь" гораздо больше "железа". Но по нашим оценкам четырех-пятикратного увеличения объема привычных вычислительных мощностей будет вполне достаточно.

В настоящее время мы пишем развернутую статью, в которой перечисленные результаты будут подробно раскрыты. Надеемся, что внедрение данных методов обязательно состоится и не займет слишком много времени.