Дипломная работа: Различия в бизнес-моделях авиакомпаний и воспринимаемый пассажирами уровень дифференциации услуг

В это же время, коэффициент учтенного разброса и коэффициент конгруэнтности Такера выше установленного для двумерного шкалирования значения, составившего 0,919. Интерпретация коэффициентов обратна стрессу, значения, приближающиеся к единице, характеризуют разделение как качественное (DeSabro, 2008). Однако, суммируя выводы оценочных коэффициентов мы не можем однозначно сказать о низком качестве двумерной визуализации. Из шести показателей только лишь два говорят о недостаточном качестве модели. При этом 4 из остальных либо выше установленных целевых значений, либо стремятся к ним.

В целях повышения качестве репрезентации дополнительно проанализирована трехмерная визуализация, которая по нормализованному стрессу, учтенному разбросу и коэффициенту Такера ожидаемо показала лучшие результаты, что, очевидно, связано с повышением размерности и приближению к исходной размерности данных, с другой стороны может говорить о комплексе из трех факторов, существенно влияющем на оценки потребителей различий авиакомпаний.

Далее рассмотрим и интерпретируем каждый из полученных графиков, представленных на рис. 6.

Дальнейшая задача интерпретации графиков состоит в определении наименования и содержания латентных осей - параметров восприятия различий сервисов и услуг авиакомпаний. В литературе, рассматривающей метод многомерного шкалирования, выделяются несколько способов определения наименований осей, разделенных на количественные и качественные. С точки зрения качественных методов предлагается проведения фокус-групп, экспертных сессий или самостоятельной идентификации на основании исследовательского опыта или бизнес-представлений. С другой стороны, возможны количественные методы, определяющие силу связей факторов, в рамках анализа корреляций, эконометрического моделирования или факторного анализа для определения факторных нагрузок переменных (Takane, 1981; Rust et al., 1995; Luce & Edwards, 1958).

В целях получения правдоподобных результатов и широты возможных наименований осей, так как сервис авиакомпаний включает достаточно широкий набор вариантов не только на летной стадии обслуживания, но и на предполетной и послеполетной, сделан выбор в пользу комплексного варианта исследования, включающего варианты двух указанных подходов.

а) трехмерный график

б) двумерный график

Рис. 6 Точки объектов на многомерных пространствах

На первом этапе, качественном исследовании, необходимо определить набор переменных, включаемых в последующий анализ количественный анализ сервисов и услуг авиакомпаний. Иными словами, все возможные варианты различий авиакомпаний, что в отдельных вариантах проводилось в работах (Akamavi et al., 2015; Kim & Park, 2017; Han, 2013). В развитии данного предположения для каждой из рассматриваемых авиакомпаний построена количественная цепочка обслуживания пассажира по трем стадиям: предполетное обслуживание, обслуживание на борту и послеполетное обслуживание. Цепочки размещены в Приложениях 2-9. Для их формировки проведены пробные покупки билетов по единому маршруту. В качестве базового рейса рассматривалось направление Москва-Сочи с датой вылета 18.06.2020. При построении цепочек учитывались все возможные вариации в доступных платных и бесплатных пассажирам услуг на всех стадия обслуживания, что позволило определить широкий пул возможных вариаций разделения авиакомпаний.

Результаты по итогам построения цепочек обслуживания представлены в табл. 14. С учетом того, что перцептивные карты строились без учета разделения авиакомпаний на группы, набор услуг также рассчитан без указанного деления.

Таблица 14

Сводная таблица различий в наборе услуг и сервисов авиакомпаний

Помимо определения различий между авиакомпаниями построение цепочек обслуживания, совместно с портретами целевых групп пассажиров, позволило сформировать эмпирическое подтверждение гипотезы H1 о связи широты дифференциации услуг и разнообразия паттернов потребительского поведения. Так, очевидно, что наиболее широкими в этом плане выступают полносервисные авиакомпании SBI, SVR, а также гибридный перевозчик UTA. В портретах целевых групп факторов, подтверждающим более широкие категории пассажиров, является широта тарифной линейки, где в континууме трэвел-эконом - комфорт-бизнес перевозчики имеют возможность работать с разительно различающимися группами клиентов, как по уровню чувствительности к цене, по ожидаемому уровню сервиса и по целям перевозкам, которые, которые использовались при определении целевых портретов.

Кроме этого, дополнительно проведена, попытка квалификации суждений за счет количественных измерений. Цепочки обслуживания пассажиров расширены доступными в открытых источниках материалами по сервису авиакомпаний, а также тем комментариям респондентов, которые оставлены в опросном листе в поле свободного ввода ответов. Итоговый перечень переменных для количественной проверки:

- география внутрироссийских полетов авиакомпании (geo);

- возможность приобретения единого билета на рейсы авиакомпаний-партнеров альянсовых и неальянсовых соглашений (one_tic);

- среднедневная частота полетов по внутрироссийским направлениям ВС категории «Heavy» (freq_flight);

- широта доступных для приобретения тарифов (dif_tar);

- количество уникальных бесплатных услуг для тарифов класса «эконом» (free_eco);

- количество уникальных бесплатных услуг для тарифов класса «бизнес» (serv_bus);

- количество дополнительных неавиационных услуг в аэропорту прибытия и вылета, предоставляемых авиакомпанией и партнерами перевозчика (add_serv_apt);

- количество вариации опции выбора места (place_diff);

- максимальное количество доступных единиц багажа для провоза (add_lugg);

- количество вариантов оплаты авиабилета (diff_pay);

- количество вариантов дополнительного питания на борту (diff_meals);

- количество дополнительных услуг на борту (add_serv_plane);

- рейтинг авиакомпании по задержкам (по данным Федерального агентства воздушного транспорта - Росавиация; номинальная шкала) (delay);

- преимущественно эксплуатируемый московский аэропорт (номинальная шкала) (mosc_apt);

- количество уровней программы лояльности (ffp);

- количество вариантов начисления миль (mlies_get);

- количество вариантов списания миль (miles_lost).

В целом, представленные 17 переменных в более детализированной степени отражают положения цепочки обслуживания пассажиров, что позволит более сфокусировано предположить о содержании осей и сформулировать итоговые выводы по основаниям различий или сходства авиакомпаний.

В качестве метода количественного анализа использовался факторный анализ. Ключевая задача - определить факторные нагрузки для каждой из вышеуказанных переменных при контроле на некоторые ограничения, связанные со значительным числом переменных и несовпадающем количестве наблюдений (авиакомпаний). Инструментом факторного анализа выступил метод главных компонент, позволяющий уменьшить размерность данных, указав, в том числе, на наиболее существенные по силе влияния переменные. Для получения факторных нагрузок проведено вращение варимакс с нормализацией Кейзера, что повышало «контрастность» матрицы и балансировало дисперсии, объясняемые компонентами. Факторные нагрузки представлены в табл. 15.

Таблица 15

Повернутая матрица компонентов

По результатам наиболее высокие факторные нагрузки получили переменные, связанные с программой лояльности - уровень ее развития и варианты накопления миль участниками, дополнительных неавиационных сервисов, связанных с созданием персонального комфорта в аэропорту (что в цепочке ценности относилось к специальному обслуживанию), широта тарифной линейки и местонахождение хаба авиакомпании в Москве, что, возвращаясь к дескриптивной статистике и составленным обобщённым портретам пассажиров, большая часть из которых сосредоточена в Москве (что не указывалось в таблице, т.к. являлось фактом, характеризующим все авиакомпании), описывает близость аэропорта к месту проживанию и аэродромное логистическое удобство.

Возвращаясь к характеристикам осей, суммируем наблюдения о возможном их наименовании:

- уровень развития программы поощрения частолетающих пассажиров (количество статусов участия);

- варианты авиационного и неавиационного накопления миль в программе лояльности;

- услуги по созданию дополнительного персонального комфорта в аэропорту;

- широта тарифной линейки авиакомпании;

- местонахождение хаба авиакомпании в Москве;

- вариация способов оплаты билета;

- возможность приобретения единого авиабилета.

Представленные переменные имеют различную степень детализации, некоторые из них, например, варианты накопления миль являются содержанием программ лояльности авиакомпаний, однако такой различный фокус кажется оправданным, так как позволяет в общих более крупных переменных отметить те факторы, которые вносят наибольший вклад в различия перевозчиков, скажем, как программы лояльности, которые присутствуют у большинства, но содержание которых - различно.

Возвращаясь к визуализации восприятия различий авиакомпаний обратимся к крайним точкам (авиакомпаниям), размещенным по соответствующим осям.

Измерение 1: Полярными значениями по осям обозначены авиакомпании UTA и SBI. Полученные в анализе цепочек ценности результаты не демонстрируют значительно различающихся характеристик по сервису и услугам авиакомпаний, показатели факторного анализа, которые являются более расширенным переменными цепочек также не позволяют выделить значительных различий между перевозчиками, за исключением, возможно дифференциации способов оплаты билетов и управления накоплением и списание миль, однако, рассмотрение других случаев, например примерного равного положения SSF и RWZ, где для второй программа лояльности отсутствует - служит основанием для непринятия данного предположения.