Optimization of Yield Management under Constrains and Uncertainty via Statistical Inference Equivalence Principle
Optimization of Yield Management under Constrains and Uncertainty via Statistical Inference Equivalence Principle

Summary/Abstract: Našumo valdymas (angl. Yield management), pajėgumų pelningumo valdymo metodas, pastaruoju metu pelnė pripažinimą oro linijų bei viešbučių sektoriuose. Tai metodas, galintis padėti įmonei parduoti reikiamą prekę reikiamam klientui reikiamu momentu už reikiamą kainą. Našumo valdymas padeda priimti sprendimus dėl nediferencijuotų išteklių paskirstymo pagal esamą paklausos lygį taip, jog būtų maksimizuotas pelnas ar pajamos. Taigi šio metodo pagalba sprendžiama problema – kiek, kokia kaina ir kokiam rinkos segmentui parduoti tam tikros prekės. Našumo valdymo metodas gali būti naudojamas: (1) kuomet įmonė dirba turėdama santykinai fiksuotus pajėgumus; (2) kuomet paklausa gali būti skaidoma į aiškiai atskiriamus segmentus; (3) kuomet atsargos yra greitai gendančios; (4) kuomet prekės yra parduodamos gerokai iš anksto; (5) kuomet paklausa yra nepastovi - ženkliai svyruoja; (6) kuomet ribiniai pardavimų kaštai bei bendrieji pardavimų kaštai yra maži, tačiau pajėgumų padidinimo kaštai dideli. Nors šie bruožai yra būdingi įmonėms, kuriose naudojamas našumo valdymo modelis, jie taip pat charakterizuoja įmones, kurios susiduria su fiksuotų išteklių paskirstymo problemomis. Šios charakteristikos būtinos pilnam našumo valdymo pritaikymui. Pastarąjį dešimtmetį buvo atlikta nemažai tyrimų, kurie sutelkė dėmesį į kompleksinių sistemų modeliavimo, analizavimo bei optimizavimo problemas, motyvuodami dideliu pritaikomumu tokiose srityse kaip transporto, kompiuteriniai ar telekomunikacijų tinklai. Didžiausiai dėmesys skiriamas optimizavimo klausimams, kaip geriausiai išnaudoti ribotus išteklius, ir jis nuolat auga. Beje, atsitiktinis kompleksinių sistemų ar procesų optimizavimas techniškai labai sudėtingas. Dauguma stochastinių modelių, siekiant išspręsti sistemų bei procesų kontrolės bei optimizavimo problemas, yra gana plačiai išplėtoti mokslinėje literatūroje, remiantis prielaidomis, jog skirstinių parametrų vertė yra tiksliai žinoma. Praktikoje to tiesiog nėra. Kuomet yra bandoma šiuos modelius pritaikyti realiame gyvenime, minėti parametrai yra vertinami ir tuomet šie vertinimai laikomi tikrosiomis jų vertėmis. Rizika, susijusi su įverčių, o ne tikrųjų parametrų naudojimu, yra vadinama vertinimo rizika ir neretai yra tiesiog ignoruojama. Naudojant nepakankamus ar nepatikimus duomenis, vertinimo rizika gali ypatingai išaugti, o tokios informacijos įtraukimas į modelį gali sukelti rimtų problemų. Yra labai svarbu į šią problemą pažvelgti atidžiau, kadangi sprendimų priėmimo taisyklės, kurios yra optimalios neesant neapibrėžtumui, nebebus net apytiksliai optimalios neapibrėžtumui atsiradus. Straipsnio tikslas – pasiūlyti naują požiūrį, kuris padėtų išspręsti apriboto optimizavimo problemas egzistuojant parametrų neapibrėžtumui. Šis požiūris remiasi straipsnio autorių sukurtu statistinių išvadų ekvivalentiškumo principu. Darydami išvadą galime teigti, jog naujasis požiūris į optimizavimo problemos sprendimą esant neapibrėžtumui yra ypatingai efektyvus, kuo

• Details
• Contents