Иван Спресов

Обязательным. Иначе приходится городить огорот из время в статусе и параллельности задач, плохо работает :)

Антон, спасибо, замечание по классификатору очень разумное. Согласен, избыточная детализация на старте скорее ухудшит качество данных.

По времени предполагаем разделять две метрики. Фактические трудозатраты сотрудник фиксирует в трекере, а время нахождения инцидента в статусах используем для анализа эффективности потока, включая ожидания и блокировки.

Дальше хотим накопить статистику по категориям, посмотреть распределения на гистограммах, медиану и перцентили, отдельно разобраться с выбросами. При необходимости подключим моделирование Монте-Карло для оценки нагрузки и вариативности результатов.

То есть календарное время и трудозатраты смешивать не планируем. Интересно будет сравнить наши результаты с вашим опытом пилотов.

Спасибо. Это очень ценно. Будем забирать в план эксперемента. Как закончим инвестиционный рассчет приду с драфтом плана ;) Еще раз спасибо за обратную связь от всей нашей команды MBA.

Александр, понял вашу позицию. Думаю, здесь мы уже упираемся скорее в разное отношение к самой модели массового рынка, чем в экономику отдельных услуг.

С тем, что прозрачность цен и возможность мгновенного сравнения сильно изменили авиаперевозки, спорить трудно. Но для меня как раз интереснее обратная сторона этого процесса: если пассажир действительно настолько чувствителен к базовой цене, то как авиакомпании правильно сегментировать спрос, определять готовность платить и собирать продукт так, чтобы дополнительная выручка не разрушала воспринимаемую ценность.

Спасибо за дискуссию — хороший повод посмотреть на вопрос ещё и с этой стороны.

Антон, да, согласен — после этого разбора один общий коэффициент 70% уже выглядит слишком грубо. Для финансовой модели логичнее оставить aggregate attach как есть, а eligibility вынести отдельными параметрами по маршрутам и использовать прежде всего для sensitivity. Когда появятся реальные booking logs, конечно, уже заменить proxy фактическим eligible pool.
Пока как раз упёрлись в другую проблему: нормальных публичных ориентиров по eligibility почти не нашли. Есть правила тарифов и entitlements, есть attach rates, есть кейсы по ancillary conversion/revenue per offer, но практически никто не публикует сам переход от общего passenger/booking pool к eligible pool.
Поэтому ваши ~30% haircut оказались для нас интересным практическим якорем. Если можете поделиться без привязки к конкретному клиенту: какой диапазон eligible share вы реально встречали и что обычно сильнее всего его двигало — fare structure, loyalty/status, group bookings, уже купленная услуга или сам digital touchpoint?

Александр, вот здесь как раз интересный для меня момент — если убрать оценку самих пассажиров :)

Если цена задаётся сверху и ценовая конкуренция ограничена, качество действительно становится одним из основных способов дифференциации. Но тогда возникает другой вопрос: как определить, сколько пассажир реально готов доплатить за это качество?

Сейчас рынок фактически пытается решить именно эту задачу через тарифные семейства и дополнительные услуги: одному пассажиру важна минимальная цена и он готов отказаться почти от всего, другому нужны багаж, выбор места, возвратность, приоритет, питание — и у него совсем другой уровень спроса на услугу.

Поэтому интересно ваше мнение: где, на ваш взгляд, проходит граница? Какие услуги пассажир действительно воспринимает как ценность и готов оплачивать отдельно, а какие авиакомпании просто искусственно вынесли из базового продукта, чтобы поднять итоговый чек?

Вот эту границу между реальной готовностью платить и искусственным дроблением продукта мне как раз хочется понять глубже.

Антон, это очень полезное разделение, спасибо. Как раз здесь, в отличие от детализации самого A/B, вижу прямое влияние на финансовую модель.
Наши ~195 тыс. AED/мес. сейчас скорее proxy Run для пилотного масштаба, собранный через команду и инфраструктуру. При масштабировании мы пока не хотим линейно умножать его на количество маршрутов.
Ваше разделение на fixed / semi-variable / variable мне кажется более правильным. Особенно мысль, что Data Engineering и правила растут скорее ступенчато с появлением новых доменов и источников, чем пропорционально маршрутам. Это как раз стоит встроить в следующую итерацию модели.
Время разбора одного edge case сейчас не фиксируем — реальной production-статистики этой системы у нас ещё нет, а придумывать количество случаев и MTTR ради точности модели не хочется.
Мы сейчас используем внешний рынок и публичные кейсы скорее как proxy для инвестиционной модели: хотим понять порядок капиталовложений, Run и риски масштабирования до того, как появятся реальные данные. Параллельно обсуждаем возможность реального эксперимента с одной из авиакомпаний СНГ — если дойдём до него, как раз появится возможность проверить часть этих предположений на фактических данных.

А вот ваш опыт здесь очень интересен: если без раскрытия коммерческих данных — какой драйвер у вас обычно первым заставлял добавлять Data Engineering capacity: новый ancillary/domain, новый источник данных или именно рост объёма операций?

Отчасти соглашусь: если ancillary-модель сводится к тому, чтобы разрезать базовый продукт на всё более мелкие платные кусочки, клиентский опыт действительно может сильно деградировать.

Но я бы разделял две вещи. Низкая цена билета — это результат конкуренции и экономики рынка, а дополнительные услуги стали одним из способов эту низкую базовую цену вообще поддерживать. Вопрос скорее в том, какие услуги реально создают ценность для пассажира и дают маржу авиакомпании, а какие просто добавляют раздражение и операционные издержки.

Собственно, статья как раз про это: €1 дополнительной выручки сам по себе ещё ничего не говорит. Иногда за ним хороший маржинальный продукт, а иногда — дорогая в обслуживании «клоунада», которая почти ничего не приносит.

Антон, покопались в этом глубже — спасибо, здесь действительно важен знаменатель.

В текущей финансовой модели наши 8% baggage и 20% seat для RUH — это attach от всего Economy traffic, а не conversion только среди eligible passengers. Поэтому просто умножить текущую экономику ещё на условные 70% eligibility было бы двойным списаний.

Для проверки попробовали посмотреть на это наоборот. Если взять около 70% как рабочий ориентир eligible/addressable pool, то 8% aggregate baggage attach превращается примерно в 11,4% среди eligible, а 20% seat — в 28,6%. Для BOM соответственно 10% → 14,3% и 25% → 35,7%. Сами 70% пока воспринимаем именно как sensitivity/внешний ориентир, а не как данные Emirates.

Поэтому финансовую модель пока оставляем на aggregate attach, а eligibility используем как sanity check предпосылок.

Иначе очень легко дважды учесть один и тот же эффект.
А вот с A/B вы правы — там уже нужен другой уровень: eligibility → randomization → exposure → primary metric → power. В инвестиционную модель я сознательно пока так глубоко не заходил. Это скорее следующий слой уже при проектировании самого эксперимента.

Интересно было бы сверить с вашим практическим опытом: когда вы говорите про сокращение eligible pool примерно на 30%, ваши исходные attach/conversion считались от всего трафика или уже от очищенного eligible pool? Кажется, именно здесь модели чаще всего начинают незаметно считать разные знаменатели.

Антон, да, поддержку считали отдельно, но пока на уровне базового Run, а не полноценной эксплуатационной модели. На L1/L2 у нас заложена небольшая загрузка, L3 остаётся внутри core-команды; отдельно сохраняются Data Engineering, ML/Data Science, аналитика, QA, DevOps и доменные эксперты. Текущая оценка Run получается около 195 тыс. AED в месяц.

Но вы как раз попали в следующий вопрос, до которого мы дошли сами: 195 тыс. — это Run какого масштаба? Для двух пилотных маршрутов можно оставить одну конфигурацию команды, но при раскатке на десятки маршрутов, новые услуги и параллельные эксперименты часть затрат останется фиксированной, а часть начнёт расти. И считать это просто линейно по количеству маршрутов тоже неправильно.

Поэтому количество дефектов, классы сервиса и SLA мы пока сознательно не моделировали — до production-статистики это будет скорее ложная точность. А вот разложить Run на fixed и scale-dependent часть уже имеет смысл.

Собственно, на этом и хотим продолжить расчёт: сначала разобрать экономику Run и её поведение при масштабировании, а затем уже собрать полноценный incremental cash flow — rollout, contribution, FCF, NPV, IRR и срок окупаемости.

Так что спасибо — вы снова довольно точно попали в следующий неудобный вопрос :)