Analytics in der Praxis: Operative Steuerung von Passagierströmen an einem Großflughafen

Transkript

1 Analytics in der Praxis: Operative Steuerung von Passagierströmen an einem Großflughafen SAS Data Mining Anwendertag 2015, Heidelberg, 22. September 2015 Christian Wrobel, Fraport AG

2 Agenda Fraport auf einen Blick Herausforderung Analytics in der Praxis Passagierprognose Zusammenfassung

3 3 Unternehmensportrait, März 2015 Unsere Historie Vom Flughof Manager zum Manager internationaler Drehkreuze und Airports.

4 4 Unternehmensportrait, März 2015 Umsatzträger sind unsere Kerngeschäftsfelder 36,9 % 27,4 % 19,0 % 16,7 % Aviation Ground Handling Retail & External Activities & Real Estate Services 884 Mio. Euro 656 Mio. Euro 456 Mio. Euro 399 Mio. Euro Mio. Gesamtumsatz 2014 Umsätze im Gesamtkonzern nach Segmenten 2014

5 5 Unternehmensportrait, März 2015 Frankfurt Airport Zahlen und Fakten rd. 22,5 km 2 Fläche bis zu 100 Flugbewegungen/Std. 4 Bahnen insgesamt, davon 2 Start- und Landebahnen, 1 Startbahn, 1 Landebahn 2 Fluggast-Terminals und 1 AIRail Terminal (ICE-Bahnhof) 152 Gates; 203 Positionen AirCargo Gleisanschluss An einem Tag*: Passagiere Stück Abfluggepäck Tonnen Cargo rund 390 Züge an den Flughafen- Bahnhöfen *durchschnittliche Angaben aus 2014

6 6 Unternehmensportrait, März 2015 Was zeichnet uns am Flughafen Frankfurt aus? Großes Einzugsgebiet Exzellente Konnektivität Top-Intermodalität FRA als Umsteige-Hub Sehr gute Qualität Nr. 1 in Deutschland (Passagiere, Fracht)

7 7 Unternehmensportrait, März 2015 Mit FRA sind wir unter den weltweit führenden Flughäfen im Passagierverkehr... Passagiere 2014 (in Mio.) 1. Atlanta 96,2 2. Beijing 86,1 3. London Heathrow 73,4 4. Tokyo 72,8 5. Los Angeles 70,7 6. Dubai 70,5 7. Chicago 70,0 8. Paris CDG 63,8 9. Dallas 63,5 10. Hong Kong 63,1 11. Frankfurt 59,6 12. Jakarta 57,0 13. Istanbul 56,8 14. Amsterdam 55,0 15. Guangzhou 54,8 Quelle: ACI

8 8 Unternehmensportrait, März genauso wie beim Frachtaufkommen Cargo 2014 (in Mio. t) 1. Hong Kong 4,41 2. Memphis 4,26 3. Shanghai Pudong 3,18 4. Incheon 2,56 5. Anchorage 2,48 6. Dubai 2,37 7. Louisville 2,29 8. Tokyo 2,13 9. Frankfurt 2, Taipei 2, Paris 2, Miami 1, Singapore 1, Beijing 1, Los Angeles 1,82 Quelle: ACI

9 9 Unternehmensportrait, März 2015 Im Süden entsteht ein neues Passagierterminal Terminal

10 Agenda Fraport auf einen Blick Herausforderung Analytics in der Praxis Passagierprognose Zusammenfassung

11 11 Herausforderungen Beachtliche strategische Herausforderungen für Deutschlands internationalen Hub Frankfurt Wirtschaftliche Rahmenbedingungen Strukturelle Veränderungen im Weltluftverkehr Politische Rahmenbedingungen

12 12 Herausforderungen Nahost-Hubs gewinnen Kont-Interkont-Umsteiger zu Lasten der europäischen Wettbewerber Umsteiger über Europa-/Nahost-Hubs auf Strecken von Europa nach Afrika/Asien/Pazifik (nur erste Umsteigeflughäfen in der Reisekette berücksichtigt) % CAGR % % 1% 40% % -1% 30% 0 DXB FRA AMS CDG DOH IST LHR AUH

13 13 Herausforderungen Great to have you here! Das Serviceprogramm für FRA wurde 2010 gestartet und entwickelt sich stetig weiter Friendly Attention Quick and Comfortable Travel Shopping and Experience Pleasant Surroundings

14 14 Herausforderungen Wie kann Analytics hier helfen? Friendly Attention Quick and Comfortable Travel Shopping and Experience Pleasant Surroundings

15 Agenda Fraport auf einen Blick Herausforderung Analytics in der Praxis Passagierprognose Zusammenfassung

16 16 Analytics in der Praxis Great to have you here! kürzere Wartezeiten

17 17 Analytics in der Praxis Viele Passagiere fühlen sich an Flughäfen gestresst... Level of stress Planning, getting there Check-in Security check Passport check Shopping & eating Boarding OTB Transfers Leaving, follow-up Customs Baggage claim Passport check Deplaning INB

18 18 Analytics in der Praxis... daher benötigen wir eine Zufluss-Vorhersage an Prozessstellen Zur effizienten Steuerung von Passagierflüssen wurde eine Anwendung zur Vorhersage von Zuflüssen auf Prozessstellen entwickelt.

19 19 Analytics in der Praxis Analytics in der operativen Leitstelle

20 20 Analytics in der Praxis Und welche Maßnahme können wir ergreifen? Veränderung der Wegeführung durch dynamische Beschilderung Anpassung der Prozessstellenbesetzung Umpositionierung von Flugzeugen

21 21 Analytics in der Praxis Der Einsatz von Analytics unterstützt dabei das Passagierverhalten zu verstehen Shopping und Gastronomie Check-in (Home vs. Schalter) Sicherheitskontrollen... Passagiere zu prognostizieren Gesamtpassagier an Board einer Maschine Originär-Aus-/Zusteiger Umsteiger auf Anschlussflüge Passagierbewegungen zu simulieren Zufluss- Abflussströme Füllstände in relevanten Bereichen Wartezeiten an Prozessstellen

22 22 Analytics in der Praxis and the winner is FRA-Passengers (in millions) Satisfaction with FRA (Percentage of satisfied passengers) , ,5 77% 80% ,0 70% World s Most Improved Airport Source: Traffic Figures (UEW-MF) Source: Fraport Passenger Survey, Overall satisfaction

23 Agenda Fraport auf einen Blick Herausforderung Analytics in der Praxis Passagierprognose Zusammenfassung

24 24 Passagierprognose Welche Passagierprognosen werden benötigt? Zusteiger Check-In Sicherheitskontrolle evtl. Ausreise Boarding Aussteiger De-Boarding evtl. Einreise evtl. Zoll Gepäckausgabe Modelle: Total-On-Board (alle PAX an Board) Non-Transfer (Aus- + Zusteiger) Transfervektor (Umsteiger) (Transit = Passagiere, die im Flieger sitzen bleiben und weiterreisen; werden nicht berücksichtigt) Total-On-Board Umsteiger De-Boarding evtl. Ausreise/Einreise evtl. Sicherheitskontrolle Boarding Aus- / Zusteiger Umsteiger

25 25 Passagierprognose Prognose der Total-On-Board Passagiere Airline LH Destination MAD Land Spanien Slot 09:15 Uhr Beispiel: Flug LH 1112 nach Madrid am Flugzeugtyp A321 Target 138 PAX Ferienfaktor 0.0 Einflussfaktoren: Flugplandaten Ferienfaktor Kalenderdaten Bewegung Departure Brückentag N Saison S Woche KW38 A320 A321 Total-On-Board Monat September Wochentag Dienstag B763 A380

26 26 Passagierprognose Model Accuracy Total-On-Board Ende 2009 mit CHAID (Treedisc-Macro unter SAS/IML) gestartet 2014 Umstellung auf SAS Enterprise Miner Seit Sep Random Forest im Einsatz Sukzessive Verbesserung des MSE durch Einsatz neuer Verfahren (keine neuen Features) bei gleichzeitigem Anstieg der Streuung in den Daten (siehe Baseline-MSE)

27 27 Passagierprognose Prognose der Umsteigerpassagiere Hub and Spoke Von FRA starten 104 Airlines zu weltweit 297 Zielen in 104 Ländern Mit 55% Umsteigeranteil größter Transferflughafen in Europa dist_arr_dep_ratio_r = geodist(origin, Frankfurt) geodist(destination, Frankfurt)

28 28 Passagierprognose Transfervektor Modell durchgeführt kein Umstieg Vektor ID Ankunft Origin ARR Airline Abflug Destination DEP Airline _ Apr2013 8:55:00 BLR LH 01Apr :10:00 PHL LH _ Apr2013 8:55:00 BLR LH 08Apr :10:00 PHL LH 0 Umsteiger Generierung eines vollständigen Transfervektoren-Datasets mit allen realistischen Umstiegsmöglichkeiten, abhängig von der geografischen Lage. 11% der möglichen Transfer haben auch tatsächlich stattgefunden Airlines liefern Daten nur zu tatsächlich stattgefundenen Umsteigevorgängen Einsatz einer Possion-Regression mit Optimal-Binning Schätzung für True Positives wird systematisch unterschätzt aufgrund der vielen Nullvektoren, die den Durchschnitt stark nach unten beeinflussen. => Ermittlung eines Korrekturfaktors notwendig Haupteinflüsse: Kalender-, Flugplan-, Geo- und Zeitreihendaten

29 29 Passagierprognose Model Accuracy Transfervektor Modell-Typ True Positive zu False Vektor ratio Prozent der True Positive Fehlersumme zu gesamt Transfer Pax Prozent der absoluten Fehlersumme zu gesamt Transfer Pax Prozent der Fehlersumme zu gesamt Transfer Pax R2 Segmentierung + Reg % 95.8% -4.1%. HPPossion % 67.8% 0.4% 0.20 Ende 2009 mit einem Model basierend auf einer einfachen Segmentierung (Wochentag, Schiefe) und Regression gestartet Altes Modell tendiert zu einem starken Fehler 1. Art, weshalb eine Kappungsgrenze (Non-Transfer Prognose) notwendig ist Aktuell im Test: Umstellung auf SAS Enterprise Miner mit HPPossion-Regression und Korrekturfaktor Verbesserung der true positive Prognose von 40:100 auf 61:100 (ohne Kappung) 2/3 der Transferpassagiere werden fehlerhaft prognostiziert der Fehler gleicht sich allerdings gut aus (sowohl über Zeit und Terminalbereiche)

30 Agenda Fraport auf einen Blick Herausforderung Analytics in der Praxis Passagierprognose Zusammenfassung

31 31 Zusammenfassung Zusammenfassung Fraport setzt erfolgreich auf Analytics in der operativen Steuerung; die Passagierfluss-Steuerung, aber auch Gepäck-Steuerung und Retail- Optimierung sind positive Beispiele Mit der Einrichtung eines Smart Data LABs wurde eine bereichsübergreifende, experimentierfreudige Umgebung geschaffen, um effizienter das Potenzial von Analytics zu heben Gute Erfahrung mit neuen Prognoseverfahren (Random Forest) und der SAS High-Performance Analytics Umgebung

32 Chart 32 Thank you for your attention! Enjoy the Conference PhD defense Torben C. Barth: Optimization of baggage handling at airports