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.