De nos jours, les nouveaux entrants sont formatés Big Data. On veut absolument inclure dans les algo de prévision de la data dès lors qu’elle est disponible : météo (comme si le Yield n’était qu’opportuniste et se jouait dans les 4 derniers jours), concurrence (comme si elle avait toujours raison), dernières notes tripadvisor (satisfaction client), visites web (qui reflète le niveau d’activité), la situation géopolitique (ben, ça compte), et j’en passe…
Beaucoup de « bruit » pour rien ? Ce que l’on pense gagner en précision, on le perd en robustesse et en confusion. Ce que l’on gagne en profondeur d’analyse, on le perd dans le labyrinthe intellectuel des réseaux de neurones ou du deep learning. C’est regrettable de ne pas comprendre sa prévision quand on fait du RM, non ?
Trouver le juste équilibre entre les maths et le bon sens n’est pas chose aisée. C’est pourtant nécessaire. Soyons ouverts aux nouvelles possibilités techniques, mais gardons en tête que le RM de nos prédécesseurs a fait ses preuves. Qui trop embrasse mal étreint…
DANS LES ANNÉES 2000, LE RM ÉTAIT EN PLEIN ESSOR MAIS DÉJÀ TRÈS ABOUTI DANS L’AÉRIEN.
Les historiques étaient exploités de façon habile, avec des algorithmes puissants mais intuitifs, compréhensibles et explicables.
CELA POURRAIT VOUS INTÉRESSER…
Tarifs ferroviaires : la polémique sur la hausse des prix
Télévision, réseaux sociaux, magazines, depuis quelques jours la hausse des tarifs ferroviaires fait débat. Selon l’INSEE, entre avril 2021 et […]
Le bel arbre cache la vilaine forêt
L’un de mes contacts m’a fait cette observation que j’entends de façon récurrente (mais avec des cas métiers toujours plus originaux […]
Le PM, la fausse bonne idée pour fixer un objectif à son Revenue Manager
Beaucoup font cette erreur : donner au Revenue Management un objectif global de Prix Moyen (PM) à atteindre. A juste titre […]