Transformer l’expérience client des compagnies aériennes
Melissa Hartwick Melissa Hartwick
21 mars 12 min

Transformer l’expérience client des compagnies aériennes

Les retards et les annulations de vols se classent régulièrement parmi les principales sources de frustration des clients des compagnies aériennes. Selon le Air Travel Consumer Report publié par le Département des transports des États-Unis, ces deux irritants figurent régulièrement parmi les cinq premières plaintes officielles des passagers.

Il n’est pas difficile de comprendre pourquoi ces plaintes continuent d’être déposées. Sur les 60 milliards de dollars estimés comme le coût des perturbations aériennes, 25 milliards de dollars sont dus à la perte de productivité et aux temps d’arrêt.

Les compagnies aériennes commencent à investir dans des outils pour améliorer la communication avec les passagers. Environ 85 % des compagnies aériennes prévoient mettre en place un robot de clavardage d’ici 2021. Cependant, tant que les agents humains et les robots de clavardage ne seront pas pris en charge en coulisses avec des outils plus avancés pour améliorer la compréhension et la prise de décision, les compagnies aériennes ne réaliseront pas un changement important dans la satisfaction de leurs clients.

À une époque où l’orientation client est au cœur de la stratégie des compagnies aériennes, celles-ci doivent mieux équiper leur personnel d’outils capables de prévoir les perturbations et de mieux gérer ces perturbations en temps réel.

Gestion des perturbations en temps réel : un avantage concurrentiel

Il existe un moment propice pour ouvrir la voie dans une nouvelle ère de gestion des perturbations en temps réel à l’aide de l’intelligence artificielle (IA).

L’IA n’est pas une nouveauté dans l’industrie du transport aérien. Elle a été longuement discutée pour divers cas d’utilisation allant de la détermination dynamique des prix à la planification des vols en passant par la maintenance prédictive. Il est maintenant temps d’appliquer l’intelligence artificielle aux opérations en temps réel pour créer un avantage concurrentiel et de favoriser une valeur réelle pour les clients.

L’établissement de cet avantage concurrentiel peut en partie être réalisé en augmentant le rôle du personnel d’exploitation à l’aide d’outils d’IA qui :

● Améliorent les prévisions concernant la probabilité de retard;

● Ciblent comment le retard se propagera dans le réseau;

● Offrent des options de récupération intelligentes en cas d’interruption de service qui tiennent également compte de la valeur à vie du client.

Point de vue des clients

Comme nous l’avons mentionné, les retards, les correspondances manquantes et les annulations de vols sont fortement ressentis par les voyageurs. La façon dont une compagnie aérienne réagit à ces perturbations influe sur la perception du client et, en fin de compte, sur les résultats financiers de la compagnie. Les outils d’IA fournissent de l’information supplémentaire au personnel d’exploitation des compagnies aériennes pour leur permettre de prendre des meilleures décisions. Résultat : l’expérience des voyageurs est améliorée.

Scénario n° 1

Voici Ben et sa famille de quatre personnes. Ben a planifié un premier voyage en famille de Toronto à Orlando, et leur vol part dans trois jours. Dans les coulisses, l’outil de prévision des perturbations par l’IA de la compagnie aérienne prévoit avec 85 % de probabilité un retard de plus de 2 heures en raison du gel instantané.

Ben reçoit une notification d’Air Génial sur son téléphone :

« Bonjour, Ben. Votre vol du dimanche 24 février à 17 h de YYZ à MCO risque d’être retardé à cause d’une tempête. Souhaitez-vous que nous réservions de nouveau vos quatre sièges sur un vol antérieur à 11 h pour éviter la tempête? Ce service est gratuit. »

Ben clique sur le bouton d’acceptation et reçoit automatiquement par courriel quatre cartes d’embarquement pour le vol précédent.

Scénario n° 2

Voici Gabrielle. Gabrielle est une habituée d’Air Génial et attend à Chicago O’Hare pour son vol de retour vers Boston. En raison d’un problème mécanique, le vol sera probablement annulé. Bien qu’il s’agisse du dernier vol d’Air Génial ce soir-là, leur partenaire d’alliance, Air Solidaire, a un vol dans 45 minutes à un taux de remplissage de 76 %. Comme Gabrielle est une cliente très appréciée d’Air Génial, l’outil de récupération de l’IA de la compagnie aérienne recommande de lui réserver de nouveau un billet sur le vol de son partenaire d’alliance.

L’équipe des opérations est d’accord avec la recommandation de l’IA. Gabrielle reçoit une notification par téléphone :

« Bonjour, Gabrielle. Nous sommes désolés de vous apprendre que votre vol actuel entre ORD et BOS est retardé. Dans l’esprit d’Air Génial, nous aimerions vous offrir le siège 15A sur le vol d’Air Solidaire à 21 h 45 sans frais supplémentaires pour vous. Sinon, nous pouvons vous offrir le siège 2B en classe affaires sur le vol YY3329 demain matin à 6 h 30. »

Gabrielle clique sur le bouton pour accepter le vol sur Air Solidaire et reçoit automatiquement une nouvelle carte d’embarquement.

Comment ces expériences transparentes sont-elles rendues possibles? Par une équipe d’opérations renforcée par des outils d’intelligence artificielle qui :

● Prédisent les perturbations avec plus de précision, plus longtemps à l’avance;

● Fournissent de meilleures recommandations de rétablissement au fur et à mesure que les perturbations se font connaître.

Atténuer les perturbations de manière proactive

Pour être utile, un outil de prévision des perturbations doit :

● Prédire des retards probables de 30 minutes ou plus (par exemple : « Il y a plus de 80 % de risques qu’il y ait un retard de 1 h 30 sur le vol YY4445 de CDG - JFK »);

● Cibler comment les retards peuvent affecter les vols en aval (par exemple : « Ce retard causera probablement un retard de 1 h 15 sur le vol YY4564 de JFK - SFO »);

● Donner cet aperçu suffisamment à l’avance pour que l’on puisse y donner suite;

● Être suffisamment précis pour que le personnel d’exploitation ait confiance dans les prévisions et les recommandations de l’outil, ce qui permet de réduire au minimum le pourcentage de faux positifs et de faux négatifs.

L’apprentissage machine, en particulier un modèle de séries chronologiques, est idéal pour prévoir les perturbations. En tirant parti des données en temps réel et des données historiques sur les mouvements de vol, les conditions météorologiques et la congestion aéroportuaire, parmi une foule d’autres sources de données, un modèle de séries chronologiques bien formé peut produire des prévisions opportunes à un niveau de précision suffisant pour être mis en œuvre. L’exactitude continuera de s’améliorer à mesure que le modèle tirera des leçons des réponses humaines à ses prédictions antérieures sur la probabilité de retards et d’annulations.

Le seuil à partir duquel le personnel d’exploitation est avisé d’une perturbation potentielle pourrait être ajusté en fonction de la valeur à vie, de la fidélité, de la classe tarifaire ou du but du voyage du client (si connu). Par exemple, un voyageur d’affaires assidu ou un client qui fait de multiples escales peut faire l’objet d’une recommandation de changement de vol à un seuil inférieur (p. ex., 55 % de probabilité de retard), car les répercussions négatives seraient plus importantes si le retard survenait. Cet exemple montre comment les outils d’IA peuvent permettre d’améliorer davantage l’expérience des passagers en tirant parti des indices contextuels facilement accessibles.

Gérer les interruptions en temps réel

Une solution complète de gestion des interruptions de service doit tenir compte de trois composantes interdépendantes et complexes :

● Réacheminement des aéronefs;

● Réaffectation d’équipages;

● Ré-hébergement des passagers.

Bien que le présent article mette l’accent sur le ré-hébergement des passagers, cette tâche ne peut être accomplie efficacement que si les aéronefs sont correctement positionnés sur le réseau et si les équipages ont été correctement affectés en fonction de leurs contraintes de service.

Les modèles de recherche opérationnelle (RO) classique fonctionnent bien pour les problèmes de planification qui sont résolus un à deux mois avant un vol donné. Cependant, ils ne fonctionnent pas bien dans des conditions en temps réel. Des dizaines de milliers de contraintes (des centaines d’aéronefs, des milliers de membres d’équipage, des dizaines de milliers de passagers) ainsi que la nature sensible au facteur temps et la dynamique du problème ne correspondent pas bien à l’approche fondée sur des règles adoptée par les modèles de RO.

Les offres logicielles actuelles sur le marché apportent une solution à une partie du problème (p. ex. seulement l’équipage). En revanche, l’orchestration en temps réel des trois composantes interdépendantes reste un défi.

Au cours des derniers mois, le laboratoire de recherche appliquée d’Element AI a démontré la viabilité de l’utilisation de l’apprentissage machine pour réduire le temps et le coût de récupération en combinant l’apprentissage machine et la RO. Les premiers résultats sont prometteurs. Sur le plan technique, une approche innovante utilisant les réseaux graphiques permet à un modèle d’apprentissage machine de réduire l’espace du problème pour un solveur de recherche opérationnelle, permettant ainsi une solution de récupération de qualité qui, en parallèle, résout les problèmes des avions, des équipages et des passagers.

Pourquoi l’explicabilité est-elle importante?

Toute innovation mise en œuvre doit être facilement comprise et fiable. L’« explicabilité », un sujet clé de la recherche sur l’IA, porte sur l’élaboration d’approches permettant à l’utilisateur d’avoir une meilleure idée de ce qui motive la recommandation d’un modèle d’IA. C’est un peu comme ouvrir le capot d’une voiture pour mieux comprendre son fonctionnement intérieur. Dans le cas d’un modèle d’IA, une multitude de facteurs peuvent influer sur une recommandation, notamment les données d’entrée qui sont ingérées en temps réel ainsi que les données sur lesquelles le modèle a été formé.

Pour la gestion des perturbations, l’explicabilité pourrait prendre la forme d’un aperçu de :

● Pourquoi un vol donné risque d’être retardé;

● Pourquoi le modèle de rétablissement recommande l’option A plutôt que l’option B.

Bien que la recherche appliquée sur l’explicabilité n’en soit qu’à ses débuts, les progrès ne feront que favoriser l’adoption de produits axés sur l’IA dans l’industrie aérienne.

Avantages pour la gestion des interruptions en temps réel

Avec le temps, les outils d’aide à la prise de décision axés sur la gestion des perturbations en temps réel s’étendront à l’ensemble de l’industrie. L’adoption précoce et l’innovation continue permettront aux compagnies aériennes pionnières de prendre une longueur d’avance sur leurs concurrents en développant cet avantage concurrentiel centré sur le client. De plus, à l’ère d’une réglementation qui exige d’indemniser les passagers en cas de retard, il y a encore plus de pression pour résoudre les perturbations, non seulement rapidement et efficacement, mais aussi économiquement.

Les avantages de l’adoption de l’IA pour améliorer la prise de décision dans la gestion des perturbations des compagnies aériennes sont clairs :

● Le personnel d’exploitation recevrait des avis de perturbations potentielles, ce qui lui permettrait de communiquer proactivement avec les clients à l’avance – avant leur arrivée à l’aéroport – afin d’améliorer leur expérience de voyage;

● Une compréhension claire des répercussions d’un retard de vol sur les vols en aval permet au personnel d’exploitation d’acquérir les connaissances nécessaires pour atténuer les retards sur l’ensemble du réseau;

● En cas de perturbation, un outil d’IA recommandant plusieurs solutions de récupération plus rapidement, ainsi que le coût de chacune d’elles, permet aux passagers de recevoir de nouveaux billets beaucoup plus rapidement et de se rapprocher un peu plus de leur destination;

● La superposition des statuts de fidélisation ou des classes de billets permet aux clients fidèles et aux voyageurs fréquents d’être réassignés en premier. Cela peut augmenter la probabilité qu’un passager de valeur continue à voyager avec la compagnie aérienne à l’avenir, ce qui constitue un indicateur clé de performance crucial pour de nombreuses compagnies aériennes.

En conclusion, il est temps pour les compagnies aériennes de gérer les perturbations d’une manière plus centrée sur le client. La prise de décisions fondée sur l’IA est essentielle pour transformer l’expérience des passagers en permettant au personnel d’exploitation d’atténuer les perturbations à l’avance et de gérer les perturbations en temps réel.