Virgin Atlantic એ જનરેટિવ-AI માર્કેટ મોડલ્સ રજૂ કરવાનું શરૂ કર્યું છે જે આપમેળે રીઅલ-ટાઇમમાં ટિકિટના ભાવમાં ફેરફાર કરે છે, જે એરલાઇનના પરંપરાગત મેન્યુઅલ અને નિયમ-આધારિત ભાવના ફેરફારોનું સ્થાન લે છે. આ પગલું વધુ વિગતવાર અને ઝડપી વ્યાપારી નિર્ણયો લેવાનું વચન આપે છે જે સતત બદલાતા બજારમાં એરલાઇન્સ કેવી રીતે આવક મેળવે છે તેને નવો આકાર આપી શકે છે.
શા માટે જૂની પદ્ધતિ હવે કામ કરતી નથી
દાયકાઓથી એરલાઇન્સ ભૂતકાળના બુકિંગ પેટર્ન અને સ્થિર ભાવના નિયમો પર આધાર રાખતી આવી છે. આ અભિગમો એવું માની લે છે કે માંગ અનુમાનિત ચક્ર અનુસરે છે અને સીઝન, રૂટની લંબાઈ, અઠવાડિયાનો દિવસ જેવા થોડા જ પરિબળો ભાડું નક્કી કરવા માટે પૂરતા છે. વ્યવહારમાં, એક સિંગલ ફ્લાઇટ ડઝનબંધ પરિબળોથી પ્રભાવિત થઈ શકે છે: હરીફની ક્ષમતામાં અચાનક ફેરફાર, હરીફ કેરિયર પર ફ્લેશ-સેલ, પ્રવાસમાં વધારો કરતો પ્રાદેશિક કાર્યક્રમ, અથવા ઇંધણના ખર્ચમાં રીઅલ-ટાઇમ ફેરફારો પણ. જ્યારે વાતાવરણ આટલું અસ્થિર હોય, ત્યારે માત્ર ભૂતકાળને જોતું મોડલ આવકની તકો ગુમાવી શકે છે.
આગળ વિચારતું AI "મગજ"
જનરેટિવ AI માર્કેટ મોડલ્સ પરંપરાગત પ્રિડિક્ટિવ એનાલિટિક્સથી અલગ છે. માત્ર ભૂતકાળના ડેટા પરથી માંગનું અનુમાન કરવાને બદલે, તેઓ હાઈ-રિઝોલ્યુશન સંખ્યાત્મક ઇનપુટ્સ—બુકિંગની ગતિ, સીટ ઇન્વેન્ટરી, હરીફના ભાવ, મેક્રો-ઇકોનોમિક સૂચકાંકો—ને ગ્રહણ કરે છે અને સિમ્યુલેશન ચલાવે છે જે તપાસે છે કે આગામી કલાકો અથવા દિવસોમાં તે પરિબળો કેવી રીતે બદલાઈ શકે છે. તેનું પરિણામ એક સેન્ડબોક્સ છે જ્યાં મોડલ ભાવમાં ફેરફાર અમલમાં આવે તે પહેલાં તેની અસરનું પરીક્ષણ કરી શકે છે. અસરકારક રીતે, આ સિસ્ટમ એક સ્વાયત્ત "મગજ" તરીકે કામ કરે છે, જે સતત અસંખ્ય ભાવના સંયોજનોનું મૂલ્યાંકન કરે છે અને ક્ષમતાના નિયંત્રણોનું પાલન કરીને આવકને મહત્તમ બનાવતું સંયોજન પસંદ કરે છે.
Virgin Atlanticનું રીઅલ-ટાઇમ પ્રાઇસિંગ એન્જિન
Virgin Atlanticની રેવન્યુ-મેનેજમેન્ટ ટીમે મુખ્ય બજારો માટે આ મોડલ્સને જનરેટિવ પ્રાઇસિંગ એન્જિનમાં સંકલિત કર્યા છે. એરલાઇનના રેવન્યુ મેનેજમેન્ટ, સેલ્સ અને ઈ-કોમર્સના સિનિયર વાઈસ-પ્રેસિડેન્ટ ડોમિનિક કેનેડી કહે છે કે આ ટેકનોલોજી "વધુ સારી, ઝડપી અને વધુ વિગતવાર વ્યાપારી નિર્ણયો" લેવામાં સક્ષમ બનાવે છે. આ એન્જિન ઇનપુટ્સનો એક "ભંડાર" એકત્રિત કરે છે: એરલાઇનની પોતાની સીટની ઉપલબ્ધતા, બુકિંગ આવવાની ઝડપ, હરીફના રીઅલ-ટાઇમ ભાડાની યાદી, અને સર્ચ ટ્રેન્ડ્સ જેવા વ્યાપક માંગના સંકેતો. જ્યારે મોડલ એવા રૂટ પર બુકિંગની ગતિમાં ઘટાડો અનુભવે છે જ્યાં હરીફો હજુ પણ આક્રમક ભાવ રાખી રહ્યા છે, ત્યારે તે માર્જિન જાળવી રાખવા માટે તરત જ ભાડામાં વધારો કરે છે. તેનાથી વિપરીત, જો માંગમાં અચાનક વધારો જણાય, તો સિસ્ટમ ખાલી રહેતી સીટો ભરવા માટે નજીકની ફ્લાઇટ્સ પર ભાડા ઘટાડે છે.
માનવ વિશ્લેષકો હજુ પણ એકંદર વ્યૂહરચના નક્કી કરે છે—જેમ કે આવકના લક્ષ્યો નક્કી કરવા, ભાવના ન્યૂનતમ સ્તર (price floors) માટે માર્ગદર્શક નિયમો સેટ કરવા અને અપવાદોને મંજૂરી આપવી—પરંતુ રોજિંદા ભાવના ફેરફારો મેન્યુઅલ હસ્તક્ષેપ વગર થાય છે. પ્રારંભિક આંતરિક અહેવાલો સૂચવે છે કે AI-સંચાલિત ફેરફારો અગાઉની અર્ધ-સ્વચાલિત પ્રક્રિયા કરતા વધુ સચોટ છે, જે સ્થિર નિયમો દ્વારા ચૂકી જતી વધારાની આવક મેળવે છે.
કોને ફાયદો થશે અને કોણ પાછળ રહી જશે
જે એરલાઇન્સ આ સ્તરના ડાયનેમિક પ્રાઇસિંગમાં નિપુણતા મેળવશે તેઓ લોડ ફેક્ટર (ભરેલી સીટોની ટકાવારી) અને પ્રતિ મુસાફ સરેરાશ આવકમાં નોંધપાત્ર વધારો જોઈ શકે છે. Virgin Atlantic માટે, આ ટેકનોલોજી કલાકોને બદલે મિનિટોમાં પ્રતિક્રિયા આપીને બાહ્ય આંચકાઓ—જેમ કે પ્રવાસ પ્રતિબંધોમાં અચાનક ફેરફાર અથવા ઇંધણના ભાવમાં વધારો—કારણસર થતી અસ્થિરતાને ઘટાડી શકે છે.
આ ફાયદો માત્ર એરલાઇન્સ પૂરતો મર્યાદિત નથી. ટ્રાવેલ એજન્સીઓ અને કોર્પોરેટ ટ્રાવેલ મેનેજરો એવા ભાડા જોઈ શકે છે જે બજારની વાસ્તવિક સ્થિતિને વધુ સારી રીતે પ્રતિબિંબિત કરે છે, જે સંભવતઃ છેલ્લી ઘડીએ ફરીથી બુકિંગ કરાવવાની જરૂરિયાત ઘટાડી શકે છે. બીજી બાજુ, મુસાફરોએ વારંવાર ભાવમાં ફેરફારનો સામનો કરવો પડી શકે છે, જેનાથી તેઓ જે ભાવ પર વિશ્વાસ કરે છે તેને લોક કરવો મુશ્કેલ બની શકે છે. વારંવાર મુસાફરી કરતા મુસાફરો જે ભાવના વલણો પર નજર રાખે છે તેમને બજાર વધુ અનિશ્ચિત લાગી શકે છે.
જોખમો જે વાસ્તવિકતા દર્શાવે છે
સીધું ભાવ નિયંત્રિત કરતી AI ને તૈનાત કરવાથી સહજ જોખમો રહેલા છે. અપૂર્ણ અથવા પક્ષપાતી ડેટા પર તાલીમ પામેલું મોડલ એવા ભાવ નક્કી કરી શકે છે જે ખૂબ ઓછા હોય, જેનાથી નફો ઘટે, અથવા ખૂબ ઊંચા હોય, જેનાથી ગ્રાહકો હરીફો તરફ વળે. રીઅલ-ટાઇમ મોડલ્સ પારદર્શિતાના પ્રશ્નો પણ ઉભા કરે છે: નિયમનકારો એ સમજવા માંગતા હોઈ શકે છે કે ભાવના નિર્ણયો કેવી રીતે લેવામાં આવે છે, ખાસ કરીને જો તેઓ સ્પર્ધાને અસર કરતા હોય. સિસ્ટમ નિષ્ફળતાનું ઓપરેશનલ જોખમ પણ છે; એક નાની ભૂલ જે અયોગ્ય ભાવ લાદે તે સેકન્ડોમાં બ્રાન્ડની પ્રતિષ્ઠાને નુકસાન પહોંચાડી શકે છે.
વર્જિન એટલાન્ટિકનું રોલઆઉટ હજુ ચોક્કસ બજારો પૂરતું મર્યાદિત છે, જેનાથી એરલાઇનને વ્યાપક અમલીકરણ પહેલાં કામગીરીનું નિરીક્ષણ કરવા અને સુરક્ષાત્મક પગલાંઓમાં ફેરફાર કરવાની મંજૂરી મળે છે. કંપનીએ માનવીય સમીક્ષા (human review) શરૂ કરવા માટે કયા ચોક્કસ માપદંડોનો ઉપયોગ કરે છે તે જાહેર કર્યું નથી, પરંતુ આ અભિગમ એક હાઇબ્રિડ મોડેલ સૂચવે છે જ્યાં AI મોટાભાગના ફેરફારો સંભાળે છે જ્યારે માનવીઓ અસામાન્ય પરિસ્થિતિઓ (outliers) માં દરમિયાનગીરી કરે છે.
આગામી મહિનાઓમાં શું જોવા જેવું છે
- વ્યાપક એરલાઇન સ્વીકૃતિ – જો વર્જિન એટલાન્ટિકના પાયલોટ્સ આવકનો સ્પષ્ટ વધારો દર્શાવે છે, તો અન્ય એરલાઇન કંપનીઓ પણ તેમનું અનુસરણ કરી શકે છે, જેનાથી સમગ્ર ઉદ્યોગમાં AI-સંચાલિત પ્રાઇસિંગ તરફનું પરિવર્તન ઝડપી બનશે.
- નિયમનકારી તપાસ – સ્પર્ધા સત્તામંડળો અલ્ગોરિધમિક પ્રાઇસિંગ પર માર્ગદર્શન આપી શકે છે, ખાસ કરીને જો AI મોડેલો એવા ભાવના નમૂનાઓ બનાવવાનું શરૂ કરે જે સાંઠગાંઠ અથવા ભેદભાવપૂર્ણ જણાય.
- સાધનો અને પ્રતિભા – હાઇ-રિઝોલ્યુશન ન્યુમેરિકલ મોડેલ્સ બનાવવા માટે એવી કુશળતાની જરૂર હોય છે જે સામાન્ય નેચરલ-લેંગ્વેજ AI કામગીરીથી અલગ હોય છે. ફાઇનાન્સ-ગ્રેડ સિમ્યુલેશન પર ધ્યાન કેન્દ્રિત કરતી વિશિષ્ટ AI ટીમોમાં વધારો થવાની અપેક્ષા રાખવી.
- ગ્રાહક પ્રતિસાદ – મુસાફરોની માનસિકતા એક લિટમસ ટેસ્ટ હશે. જો મુસાફરો ભાવને યોગ્ય અને પ્રતિભાવશીલ માનશે, તો આ મોડેલના ફાયદાઓ મજબૂત થશે; જો નહીં, તો એરલાઇન્સને કદાચ વધુ ભાવ-સ્થિરતાની ગેરંટી આપવી પડી શકે છે.
નિષ્કર્ષ
જનરેટિવ AI માર્કેટ મોડેલ્સ પ્રાઇસિંગને સમયાંતરે કરવામાં આવતી નિયમ-આધારિત પ્રક્રિયામાંથી સતત અને ડેટા-સમૃદ્ધ નિર્ણય પ્રક્રિયામાં ફેરવી નાખે છે. વર્જિન એટલાન્ટિકનું પ્રારંભિક અમલીકરણ દર્શાવે છે કે કેવી રીતે એક એરલાઇન મેન્યુઅલ ફેરફારોથી લઈને રિયલ ટાઇમમાં બજારના સંકેતો પર પ્રતિક્રિયા આપતા સ્વાયત્ત એન્જિન તરફ આગળ વધી શકે છે. આ ટેકનોલોજી વધુ આવક અને ઇન્વેન્ટરી પર વધુ કડક નિયંત્રણનું વચન આપે છે, પરંતુ તે નવી ઓપરેશનલ અને નિયમનકારી પડકારો પણ લાવે છે. એરલાઇન્સ આ શક્તિઓ વચ્ચે કેવી રીતે સંતુલન જાળવે છે તેના પરથી નક્કી થશે કે AI-સંચાલિત ડાયનેમિક પ્રાઇસિંગ નવો ધોરણ બનશે કે માત્ર એક મર્યાદિત પ્રયોગ.