Predictive analytics : assessment of predictive power between the seasonal autoregressive integrated moving average (ARIMA) model and ROC-based measurement of growth cycles in crisis situations in the aviation industry

Abstract

Genaue Verkehrs- und Umsatzprognosen sind der Schlüssel zu umsichtigen Verwaltungs- und Geschäftsentscheidungen, und das gilt auch für die Luftfahrtbranche. Das Modell des saisonalen autoregressiven integrierten gleitenden Durchschnitts (sARIMA) ist der gängigste Ansatz für prädiktive Analysen in der Luftfahrtindustrie, doch nun verspricht ein neuer Ansatz, der auf der ROC-basierten Messung der Wachstumszyklen eines Unternehmens beruht, eine genauere Vorhersage größerer Veränderungen bei den Wachstumstrends der Passagierzahlen. Dieser Ansatz korreliert die Entwicklung der Umsatzzahlen eines Unternehmens mit der Entwicklung makroökonomischer Indikatoren, die in die Vergangenheit zurückverfolgt werden, um den Wachstumszyklus eines Unternehmens zu identifizieren, bevor die Phasen der Kontraktion dieses Zyklus eintreten. In dieser Arbeit wird getestet, ob der Wachstumszyklus-Ansatz für die Vorhersage der Entwicklung der Passagierzahlen geeignet ist, und dieser Ansatz wird mit dem sARIMA-Ansatz im Zusammenhang mit der landesweiten Verkehrsprognose in den USA und der Vorhersage einzelner Fluggesellschaften im Legacy- und Low-Cost-Segment der Branche sowie in verschiedenen Teilen der Welt verglichen. Außerdem wird untersucht, wie vorhersehbar verschiedene Arten von Krisen sind, wobei der Schwerpunkt auf der Finanzkrise 2008 und der COVID-Krise 2020 liegt. Darüber hinaus wird die Genauigkeit und Effektivität der beiden Methoden in diesen beiden Krisen verglichen. Da die Passagierzahlen der Fluggesellschaften stark mit dem Bruttoinlandsprodukt der Region, in der sie tätig sind, korreliert sind, wird zusätzlich ein Vergleich zwischen diesen Methoden und einer Variante des sARIMA-Modells durchgeführt, bei der das BIP der Region als exogene Variable verwendet wird.

Accurate traffic and revenue predictions are key to prudent administrative and business decisions, and the aviation industry is no different. The seasonal Autoregressive Integrated Moving Average (sARIMA) model is the most common approach to predictive analytics in the aviation industry, but now, a new approach, based on the ROC-based measurement of growth cycles of a company promises a more accurate way of predicting major changes in passenger number growth trends. This approach correlates the trend of a company’s revenue numbers with the trends of macroeconomic indicators shifted back in time to identify a company’s business growth cycle in advance of contraction phases of said cycle. This thesis tests whether the growth cycle approach to passenger number trend prediction is a viable one and compares this approach to the sARIMA approach in the context of nationwide traffic prediction in the USA, and in that of individual airlines in the legacy and low-cost segments of the industry and in various parts of the world, as well as seeing how predictable different types of crises are, with a special focus on the 2008 financial crisis and the 2020 COVID-related crisis. Furthermore, the accuracy and effectiveness of both methods in both of these crises is compared. Owing to the fact that airline passenger numbers are strongly correlated with the Gross Domestic Product of the region in which they operate, an additional comparison is carried out between these methods and a variation of the sARIMA model which is aided by the GDP of the region as an exogenous variable.