Flughäfen optimieren ihren Energieverbrauch, Einflussfaktoren auf die Umweltbelastung, Umsteigezeiten, das Slot-Management, Wartungsprozesse der Infrastruktur, Flugbewegungen und eine Vielzahl weiter oftmals miteinander verbundener Einflussgrößen auf einen effizienten und gleichzeitig möglichst nachhaltigen Betrieb.
Erst seit kurzem stellen Machine Learning-Modelle die dabei traditionell angewandten Optimierungsmethoden in Frage. Generell scheint für viele Flughäfen insbesondere das Fluggasterlebnis und die Zufriedenheit der Passagiere ein Hauptaugenmerk und Differenzierungsmerkmal zu sein. Auch hierfür können AI-Werkzeuge zur Optimierung eingesetzt werden.
Alle Vielflieger werden bereits sehr unterschiedliche Erfahrungen gesammelt haben. Das individuelle Erlebnis, die “Customer Experience”, ist hierbei höchst subjektiv und insbesondere von verschiedenen Teilerlebnissen abhängig – Anschlusszeiten, Wartezeiten, Sauberkeit, Freundlichkeit des Personals, Qualität des Einzelhandels und der Gastronomie… alle Aspekte spielen eine messbare Rolle.
Aufgrund dieser Subjektivität ist es nicht trivial, die maßgeblich bestimmenden Einflussfaktoren auf die Zufriedenheit von Besuchern und Passagieren zu verstehen und zu quantifizieren. Klar jedoch ist, dass die Bereitstellung einer effizienten, sicheren, bereichernden – und jetzt auch hygienischen und vertrauenerweckenden – Erfahrung nicht nur ein Wettbewerbsvorteil für Flughäfen ist, sondern gar eine Voraussetzung für die Wiederaufnahme der für unsere Gesellschaften so entscheidenden Mobilität.
Die Anwendung von Machine Learning-Ansätzen auf diese Herausforderungen hat neuerdings zu einigen vielversprechenden Ergebnissen geführt.
Die Verbreitung von Sensorik und IoT-Technologien ermöglicht inzwischen die Erfassung einer Fülle von Daten: durch die Implementierung automatischer Trigger (ein Seifenspender ist z.B. fast leer), durch das kontinuierliche Monitoring wichtiger Prozesse mit Hilfe von Werkzeugen wie Computer Vision (ideal für die Erfassung der Länge von Warteschlangen [3]) und durch die Echtzeiterfassung von Kundenfeedback (z.B. “Zufriedenheit-Buttons” [2]) oder durch die Erkennung von Emotionen der Fluggäste).
Dies hat es den Betriebteams an Flughäfen ermöglicht, von einem Plan-basierten Paradigma, bei dem die Aktivitäten nach einem relativ festen, im Laufe der Zeit entwickelten und auf Erfahrung und Beobachtung basierenden Zeitplan organisiert wurden, zu einem auf Warnungen und Alerts basierenden Paradigma überzugehen, bei dem die Echtzeitbedingungen die notwendigen operative Aktivitäten vorgeben. Im Allgemeinen hat dies auch zu einer Verbesserung der Kundenzufriedenheit geführt [4], schafft jedoch auch neue Herausforderungen in Bezug auf die Prioritätensetzung und das Management der Arbeitsbelastung – Effizienz und Kundenzufriedenheit können im Einzelfall konfliktäre Ziele sein.
Machine Learning-Modelle erlauben es uns, sogar noch einen Schritt weiter zu gehen und ein Prognose-basiertes Paradigma umzusetzen, welches die Vorhersage der Kundenzufriedenheit in Abhängigkeit von einer signifikanten Anzahl miteinander verbundener externer Variablen ermöglicht. In der Praxis bedeutet dies: Ein Flughafen kann bis zu einem gewissen Grad bereits im Voraus abschätzen, welche Bedürfnisse seine Fluggäste haben werden und die Hauptfaktoren für Zufriedenheit (und Unzufriedenheit) zu einem bestimmten Zeitpunkt verstehen. Die Betriebteams von Flughäfen können dann proaktiv eingreifen und die Tätigkeiten mit der größten Wirkung ad-hoc priorisieren.
VINCI Airports hat in Zusammenarbeit mit dem AI-Programm von Leonard vor kurzem solche Modelle entwickelt und testet sie derzeit an zwei französischen Flughäfen. Dabei stehen zunächst zwei Aspekte im Vordergrund: Sauberkeit und Warteschlangen.
Am Flughafen Nantes-Atlantique wurde eine Lösung entwickelt, um vergangene, aktuelle (Echtzeit-Kundenfeedback) und zukünftige Daten (Flugpläne, Wettervorhersagen) zur Modellierung des Kundenverhaltens und zur Vorhersage der Passagierzufriedenheit in der nachfolgenden Woche zu nutzen. Unzufriedenheitsspitzen und ihre wahrscheinlichen Gründe werden im Voraus identifiziert, so dass die Betriebsteams ihre Reinigungspläne anpassen und die Kundenzufriedenheit insgesamt verbessern können.
Am Flughafen Rennes haben Machine Learning-Modelle nicht nur die Vorhersage des Passagieraufkommens ermöglicht, sondern auch den effizienten Umgang mit den Besucherströmen vorangetrieben. Ebenfalls in Zusammenarbeit mit Leonard hat VINCI Airports ein Konzept für einen “Flughafen ohne Warteschlangen” entwickelt und erprobt, bei dem jeder Passagier einen individuellen Zeitslot für den Durchgang durch die Sicherheitskontrolle zugewiesen bekommt. Dies verringert die Zeit, die Passagiere in Warteschlangen vergeuden, erleichtert die Umsetzung von angemessenem “Social Distancing” und ermöglicht es dem Flughafenbetrieb, den Passagierfluss und die Passagierdichte zwischen Landseite (vor der Sicherheitskontrolle) und Luftseite (zwischen Sicherheitskontrolle und Gate) besser zu regulieren. Maschinelles Lernen stellt sicher, dass die Passagiere so wenig Zeit wie möglich in Warteschlangen verbringen und gleichzeitig sicherstellen, dass sie ihren Flug nicht verpassen.
Beide Projekte demonstrieren das Potenzial von Machine Learning-Modellen, einen echten Einfluss auf die Passagierzufriedenheit zu haben und Win-Win-Situationen zu schaffen, in denen begrenzte Flughafenressourcen zur richtigen Zeit und am richtigen Ort auf das konzentriert werden, was für unsere Passagiere am wichtigsten ist.
Dieser Artikel ist Teil einer Serie, an der die Teilnehmer des AI-Programms von Leonard beteiligt sind. Das Programm wurde speziell entwickelt, um die Nutzung von AI-Technologien innerhalb des VINCI-Konzerns zu beschleunigen. Es besteht aus einer fünfmonatigen Inkubationszeit, in der ausgewählte VINCI-Mitarbeiter einen Learning by doing-Prozess durchlaufen, in dem sie unter Anleitung und Betreuung des Leonard-Teams und von externen Beratern wie eleven strategy consultants einen AI-basierten Anwendungsfall umsetzen.
Quellen:
1. ASQ Best Practice-Bericht, Flughafensauberkeit, 2012
3. https://www.xovis.com/en/home/
4. Flughafen Kansai, Pressemitteilung, 2019
