航空公司票价-应该使用什么分析方法来检测竞争性的价格制定行为和价格相关性？

我想调查航空公司的定价行为-特别是航空公司对竞争对手定价的反应。

就像我说的那样，我对更复杂的分析的知识是非常有限的，我几乎已经完成了所有基本方法来收集数据的整体视图。这包括简单的图形，这些图形已经有助于识别相似的模式。我也在使用SAS Enterprise 9.4。

但是，我正在寻找一种基于数字的方法。

数据集

我正在使用的（自己）收集的数据集包含大约54.000的车费。每天（每天晚上00:00）在60天的时间范围内收集所有票价。

因此，该时间窗口内的每个票价都会出现次，这要取决于票价的可用性以及航班的出发日期（如果超过了票价的收取日期）。 （如果航班的出发日期是过去的日期，则无法为该航班收取票价）$n$

未经格式化的基本上看起来像这样：（伪数据）

+--------------------+-----------+--------------------+--------------------------+---------------+
| requestDate        | price| tripStartDeparture | tripDestinationDeparture | flightCarrier |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 725.32    | 16APR2015:10:50:02 | 23APR2015:21:55:04       | XA            |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 966.32    | 16APR2015:13:20:02 | 23APR2015:19:00:04       | XY            |
+--------------------+-----------+--------------------+--------------------------+---------------+
| 14APR2015:00:00:00 | 915.32    | 16APR2015:13:20:02 | 23APR2015:21:55:04       | XH            |
+--------------------+-----------+--------------------+--------------------------+---------------+

通过计算“ DaysBeforeDeparture” ，其中$I=s-c$

• 我和时间间隔（出发前几天）
• 票价的日期和日期（航班出发）
• 收取车费的日期和日期

这是一个由I（DaysBeforeDep。）设置的分组数据的示例（伪数据！）：

+-----------------+------------------+------------------+------------------+------------------+
| DaysBefDeparture | AVG_of_sale | MIN_of_sale | MAX_of_sale | operatingCarrier |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 880.68           | 477.99           | 2,245.23         | DL           |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 904.89           | 477.99           | 2,534.55         | DL           |
+-----------------+------------------+------------------+------------------+------------------+
| 0               | 1,044.39         | 920.99           | 2,119.09         | LH               |
+-----------------+------------------+------------------+------------------+------------------+

到目前为止我想出了什么

查看折线图，我已经可以估计出几条线将具有较高的相关系数。因此，我尝试首先对分组数据使用相关性分析。但这是正确的方法吗？基本上，我现在尝试在平均值上而不是在单个价格上进行关联？还有其他方法吗？

我不确定哪种回归模型适合此处，因为价格不会以任何线性形式移动并呈现非线性。我是否需要对航空公司的价格发展进行模型拟合

PS：这是一堵长文字墙。如果我需要澄清任何事情，请告诉我。我是这个新手。

有人知道吗？:-)

一位前航空公司收入管理分析师的警告语：您可能会用这种方法树错了树。抱歉，后面的文字墙很抱歉，但是此数据比乍看起来时要复杂得多，而且嘈杂，因此想对它的生成方式做一个简短的描述。有备则无患。

航空公司票价包含两个组成部分：航空公司在某条航线上可使用的所有实际票价（包括票价规则以及您所拥有的一切），其中大多数是由航空公司资费发行公司发布的（一些特殊用途的票价是并非例外，而是例外，而不是规则），以及航空公司日常执行的实际库存管理。

票价可以每天四次，按设定的时间间隔提交给ATPCO，而航空公司这样做时，通常会包括对现有票价的增，减和修改。当航空公司发起定价行动时（假设其竞争对手未尝试在此采取自己的举动），他们通常必须等到下一次更新后才能查看其竞争对手是否遵循/响应。相反，当竞争对手发起定价行动时，航空公司不得不等到下一次更新之后，他们才能做出回应。

现在，就票价而言，这一切都很好，但问题是，由于这一切都已在ATPCO中发布，所以票价是公共信息中的第二好事物……所有竞争对手都可以看到您的所作所为进入您的武器库，因此进行混淆的尝试并非闻所未闻，例如发布实际上不会分配任何库存的票价，将所有票价列为出发日期等。

在许多方面，秘密的秘诀在于实际的库存分配，即您愿意为给定的票价在每个航班上出售多少个座位，并且该信息无法公开获得。您可以通过抓取网络信息来了解一下情况，但是出发时间/日期和票价规则的潜在组合非常多，并且可能迅速升级，超出了您轻松跟踪的能力。

通常情况下，航空公司只会愿意以极低的票价出售少量座位，而那些被绑住的人则必须提前预订，以免票价规则将他们拒之门外，否则其他旅客只会打败他们。航空公司将愿意出售更多座位以提高票价，依此类推。他们会很乐意以所获得的最高票价出售所有座位，但这通常是不可行的。

离出发日期越近，票价越高，您所看到的只是一个自然的过程，即廉价座位被预订得越远，而剩余库存逐渐变得越贵。当然，这里有一些警告。风险管理流程受到积极管理，并且人为干预非常普遍，因为风险管理团队通常会努力实现其收入目标，并在每次航班上实现收入最大化。这样，可以通过关闭低价机票来“收紧”快速补满的航班。通过为较低的票价分配更多的座位，可能会“放松”预订缓慢的航班。

在这一地区，航空公司之间存在着持续不断的相互作用和竞争，但是您不太可能仅从折价中获得实际的动态。别误会，我们可以使用这些工具，尽管有它们的局限性，它们还是很有价值的，但它们只是决策过程中的一个数据源。您将需要访问RM团队每天做出的数百个（如果不是数千个）运营决策，以及他们当时所看到的最新状态信息。如果找不到与之合作的航空公司合作伙伴来获取此数据，则可能需要考虑备用数据源。

我建议您考虑从《官方航空公司指南》（或其竞争对手之一）访问O＆D票价数据，并尝试将其用于分析。它是基于样本的（约占售出机票的10％），并且聚合程度高于理想水平，因此必须谨慎选择航线（我建议您选择多家航空公司，每天多次不间断飞行，大型飞机），但您可能可以更好地了解实际售出的商品（平均票价）以及售出的数量（载客率），而不是在特定时间点可以买到的东西。利用这些信息，您可能更有利于至少探索航空公司定价策略的结果，并从那里进行推断。

除了描述性和视觉探索性数据分析（EDA）外，我还将尝试使用时间序列分析作为更全面，更复杂的分析。具体来说，我将执行时间序列回归分析。时间序列分析是一个庞大的研究和实践领域，因此，如果您不熟悉基础知识，我建议从上面链接的Wikipedia文章开始，逐步搜索更具体的主题并阅读相应的文章，论文和书籍。

由于时间序列分析是一种非常流行的方法，因此大多数开源和闭源商业数据科学和统计 环境（软件）都支持这种方法，例如R，Python，SAS，SPSS等。如果要为此使用R，请检查我有关常规时间序列分析以及时间序列分类和聚类的答案。我希望这会有所帮助。