Amélioration de la gestion des réservations de surplus en utilisant l'intelligence artificielle

Les programmes de fidélisation jouent un rôle central dans la gestion des marques, en renforçant leur notoriété et en favorisant des relations durables avec la clientèle. Ces programmes offrent notamment un accès à des sièges de surplus, c’est-à-dire des sièges restés non réservés en raison d’une demande insuffisante ou de caractéristiques peu attrayantes, telles que de longues durées de voyage, des départs tardifs ou des itinéraires avec escales multiples. Toutefois, l’influence des différents facteurs sur la probabilité de réservation de ces sièges restent inexplorés, alors même qu’elle est essentielle pour affiner les stratégies commerciales et optimiser la rentabilité. Ce mémoire a pour objectif d’estimer la probabilité de réservation des sièges de surplus sur divers marchés, en fonction de facteurs spécifiques. Il vise également à analyser l’effet de ces facteurs sur la probabilité de réservation, dans le but d’améliorer la gestion des réservations de surplus. La méthodologie adoptée repose sur une préparation des données, permettant de traiter des informations pertinentes sur les réservations de surplus et les caractéristiques associées aux vols. Des techniques de classification ont été utilisés pour estimer la probabilité de réserva-tion de surplus, et plusieurs algorithmes d’apprentissage automatique ont été comparés afin d’identifier le plus performant. Le modèle LightGBM s’est imposé comme le plus adapté à cette problématique. Trois stratégies de modélisation distinctes ont été mises en œuvre pour améliorer la précision des prédictions. Par ailleurs, l’effet des variables explicatives sur la probabilité de réservation a été exploré à l’aide de techniques de dépendance partielle et de mesures d’importance fondées sur la réduction de l’impureté de Gini. La modélisation a permis d’atteindre des niveaux de rappel et de précision supérieurs à 80%, traduisant une forte capacité de prédiction. Des facteurs clés tels que la fenêtre de réservation, l’heure de départ et le mois de réservation se sont révélés particulièrement influents, chacun ayant un effet distinct sur la probabilité de réservation de surplus. Ces résultats offrent des perspectives concrètes pour l’optimisation des programmes de fidélisation, en contribuant à une meilleure valorisation des sièges de surplus et à une rentabilité accrue.

Abstract

Frequent flyer programs play a central role in brand management by enhancing brand recognition and fostering long-term relationships with customers. These programs offer access to surplus seats, i.e. seats that remain unreserved due to low demand or less attractive features, such as long travel durations, late departures, or itineraries with multiple layovers. However, the influence of various factors on the probability of reserving these seats remains unexplored, even though understanding it is essential for refining marketing strategies and optimizing profitability. This dissertation aims to estimate the probability of surplus seat reservation across different markets, based on specific influencing factors. It also seeks to analyze the impact of these factors on the probability of surplus reservation in order to improve surplus reservation management. The adopted methodology involved thorough data preparation to process relevant information on surplus reservations and associated flight characteristics. Classification techniques were used to estimate the probability of surplus reservation, and several machine learning algorithms were compared to identify the most effective one. LightGBM emerged as the most suitable model for this research. Three distinct modeling strategies were implemented to enhance predictive performance. In addition, the effects of explanatory variables on the probability of reserving surplus were analyzed using partial dependence techniques and fea-ture importance measures based on Gini impurity reduction. The modeling process achieved recall and precision levels exceeding 80%, indicating strong predictive capability. Key factors such as booking window, departure time, and the reserva-tion month were found to be influential, each having a distinct effect on the probability of surplus reservation. These findings offer practical insights for optimizing frequent flyer programs, contributing to better management of surplus seats and increased profitability.