AI技术如何革新航司收益管理体系？

AGIFORS 2025伦敦年会传递出一个清晰信号：收益管理学科正经历变革，而非被替代。

不妨把收益管理系统（RMS）的发展过程视作一枚持续扩张的贝壳：

内核层：基础理论（期望边际座位收益）。

扩展层：航段优化、网络优化、动态定价、订单管理等。

新生层：AI技术。

a.RMS的演进脉络可直观呈现为层层叠加的贝壳结构，新增腔室象征着逐步引入的复杂模块。基础逻辑始终稳固，各模块依次构建而非相互替代。

b.这一演进轨迹与RMS架构发展相吻合：上世纪90年代的网络RMS仅涵盖模块1与2，而当代RMS已融合模块1-4的全部要素。

c.AI已成为该演进过程的组成部分，尤其体现在"混合预测"与"混合动态定价（DP）"中经典参数模型与AI模型的融合应用。

d.AI颠覆性影响：端到端"AI原生"解决方案全面替代传统RMS的可能性。

AI在RMS中的实际落地场景

我们认为，AI技术在收益管理系统（RMS）架构中最具价值的应用聚焦于以下三个方向：

1. 混合AI预测 (Hybrid-AI Forecasting)📈

我们所采用的方法论是将经典参数化模型（提供稳定且可解释的基础基准）与AI模型（学习残差规律）相融合，进而提升预测精准度。

混合模式同样为解决预测领域长期存在的难题开辟了新路径，例如需求关联（Demand Sponsorship）。针对历史数据匮乏或空白的细分市场，航司通常遭遇"冷启动"挑战。我们的研究实践中运用了生成式AI（GenAI），借助大语言模型（LLM）提炼目的地特征描述，并转换为嵌入向量（Embeddings，用于归类特征相近的目的地）。依托该向量，我们能够通过"最近邻检索"技术，精确锁定最佳标杆关联市场（Sponsor Markets），为新市场预测提供参照依据。

经由对纯参数化、混合架构、纯AI三类模型的对比验证，实际测试表明：

在多项真实航司数据集的测试中，混合架构展现出最强稳健性，其准确率持续领跑，超越纯参数化基准模型与纯AI模型。

纯AI模型由于缺少内建业务逻辑，可能产出反常识结果，比如价格需求关系倒挂；此外，航司数据维度有限，难以支撑超大规模模型训练。相较之下，混合架构在保留参数化模型既有行业认知（如季节性、趋势等）的前提下，实现了可控且精确的AI优化调整。

2. 混合AI动态定价 (Hybrid AI-DP)💰

混合设计理念自然延伸至航班及辅收产品的动态定价（DP）。为理解AI在此领域的价值贡献，我们先审视动态定价的核心目标：在每次查询会话（Shopping Session）中，DP依据当前查询场景（Shopping Context），选择能够实现"预期边际收益"最大化的价格pDP，其数学表达式为A。

运用相同目标函数，结合RMS混合预测得出的购买概率，我们能够计算出连续参考价格pRMS。尽管在传统分销渠道中通常需映射至基于舱位的可售性（Availability），但此要求并非强制。与pDP不同，源自RMS的参考价格不受查询语境制约。因此，DP的数学表达式为B。

AI模型可运用涵盖旅客偏好、行程特性及竞品定价策略等多元特征，直接测算价格调整值；亦可在历史数据不足或价格波动受限的情境下，主动开展价格测试。

3. 重构分析师工作流程。🤖

智能体AI能力的融入将革新收益管理分析师与系统的互动模式。摒弃繁复规则配置与静态界面。借助自然语言交互，AI助手可协助分析师完成：

警报优先级排序

产出深度市场洞察

自动化干预建议

自动化执行操作

该架构整合了航司内部数据与外部数据源（如活动信息或竞品数据）。我们当前正在产品研发中构建此类智能体AI功能。

终极探讨：AI能否颠覆RMS并达成端到端报价优化？

理论可行，实践受阻。

作为AI的一个分支领域，强化学习（Reinforcement Learning, RL）处理的问题类型与经典RMS一致：在库存约束下做出序列决策，以达成预期收益最大化。经典RMS属于基于模型（Model-based）范式，依赖预测来估算旅客到达与购买概率；而强化学习（见图d）采用无模型（Model-free）方式，通过持续试错价格并观察反馈进行学习。

尽管强化学习（RL）在特定领域表现强劲，但在航司收益管理应用场景中遭遇三大瓶颈：

数据稀疏性：航司历史数据难以支撑超大规模模型，且价格调整幅度相对有限。

环境非平稳性：需求波动受季节性、重大事件、航班时刻及机型运力调整等因素影响。

时间成本高昂：模拟实验表明，强化学习需数十年数据积累方能比肩经典RMS表现。

尽管如此，强化学习仍提供了独特洞见。因其无模型特性，可作为验证平台，挑战既有的最优定价策略假设。在RL智能体与经典RMS的对抗模拟中，我们观察到RL智能体发掘出一些非传统策略（如激进的临近出发折扣），此类策略在民航领域罕见，却在其他行业司空见惯。

📝 核心结论

AI技术正深刻变革各行各业并创造新机遇。聚焦收益管理领域，我们的核心判断是：AI将作为补充而非替代收益管理科学。最具潜力的路径在于混合化（Hybridization），即以可解释参数模型为内核，叠加AI驱动的优化修正。与此同时，智能体AI可通过提供更直观、对话式的交互界面，显著提升收益管理分析师的工作效率。

点击文末"阅读原文"获取更多资讯。