(Tiểu luận) dự đoán khả năng hủy chuyến bay của các hãng hàng không ở hoa kỳ bằng công cụ azure machine learning

TỔNG LIÊN ĐOÀN LAO ĐỘNG VIỆT NAM TRƯỜNG ĐẠI HỌC TÔN ĐỨC THẮNG KHOA QUẢN TRỊ KINH DOANH BÁO CÁO CUỐI KỲ 50% MƠN HỌC: ỨNG DỤNG PHÂN TÍCH DỮ LIỆU LỚN TRONG QUẢN LÝ ĐỀ TÀI: DỰ ĐOÁN KHẢ NĂNG HỦY CHUYẾN BAY CỦA CÁC HÃNG HÀNG KHÔNG Ở HOA KỲ BẰNG CÔNG CỤ AZURE MACHINE LEARNING Giảng viên hướng dẫn: Ths PHẠM NGỌC BẢO DUY Nhóm sinh viên thực hiện: NGUYỄN THỊ THIỆT 71505338 MẠCH KHẢ TÚ 71506266 HỨA CHÍ HÙNG 71505164 VŨ MINH TẤN LỘC 71705364 NGUYỄN TRUNG QUỐC HÙNG 71705051 TP HCM, THÁNG 09 NĂM 2021 BẢNG ĐÁNH GIÁ MỨC ĐỘ ĐÓNG GÓP TỪNG THÀNH VIÊN STT Họ tên Mã số sinh viên Công việc thực Mức độ đóng góp 71505338 100% Nguyễn Thị Thiệt Nội dung Chương 1,2,3 Nghiên cứu tham gia chạy mơ hình Hứa Chí Hùng 71505164 Nội dung Chương 100% Nghiên cứu tham gia chạy mơ hình Mạch Khả Tú 71506266 Tổng hợp, chỉnh sửa báo cáo 100% Nghiên cứu tham gia chạy mơ hình Nguyễn Hùng Trung Vũ Minh Tấn Lộc Quốc 71705051 Nội dung Chương 100% Nghiên cứu tham gia chạy mơ hình 71705364 Đóng gói sản phẩm Azure 100% Nghiên cứu tham gia chạy mơ hình MỤC LỤC BẢNG ĐÁNH GIÁ MỨC ĐỘ ĐÓNG GÓP TỪNG THÀNH VIÊN MỤC LỤC DANH MỤC BẢNG BIỂU, HÌNH VẼ LỜI CAM ĐOAN LỜI GIỚI THIỆU CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI Lý chọn đề tài 1.1 1.1.1 Bối cảnh nghiên cứu 1.1.2 Lý chọn đề tài 1.2 M甃⌀c tiêu nghiên cứu ý nghĩa nghiên cứu 1.3 Câu hi nghiên cứu 1.4 Đối tượng phạm vi nghiên cứu 1.5 夃Ā nghĩa nghiên cứu 1.6 KĀt cấu đề tài thị trường CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MƠ HÌNH NGHIÊN CỨU 2.1 Azure Machine Learning 2.1.1 Định nghĩa 6 2.2.2 Các dịch v甃⌀ Azure mang đĀn 2.2.4 Các thuật toán Azure Machine Learning 2.3 Cơ sở lí thuyĀt Key Paper - 2.2.3 Lợi ích Azure Machine Learning 10 Tên báo: A Classification Prediction Analysis of Flight Cancellation Based on Spark 10 2.4 Mơ hình đề xuất lựa chọn 11 2.4.1 Decision Tree 11 2.4.2 Logistic Regression 11 CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 13 3.1 Mô tả liệu 13 3.1.1 Nguồn liệu 13 3.1.2 Mô tả liệu 13 3.1.3 Xử lý liệu 15 3.2 Công c甃⌀ xử lý liệu 3.3 Phương pháp xử lý 16 17 3.3.1 Thu thập liệu (Gathering Data) 17 3.3.2 Chuẩn bị liệu (Data preparation) 17 3.3.3 Sắp xĀp liệu (Data Wrangling) 17 3.3.4 Phân tích liệu 18 3.3.5 Train Model 26 3.3.6 Test Model 26 3.3.7 Triển khai (Development) 26 CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU 27 4.1 Phương pháp dự đoán 27 4.2 Test 35 4.2.1 API - Web Service Set Up 4.2.2 Test Preview 4.2.3 Sử dụng liệu thực để test độ xác 35 36 38 DANH MỤC BẢNG BIỂU, HÌNH VẼ 1.Biểu đồ: LỜI CAM ĐOAN Tôi xin cam đoan số liệu kĀt nghiên cứu báo cáo đề tài “Dự đoán khả hủy chuyĀn bay hãng hàng không Hoa Kỳ công c甃⌀ Azure Machine Learning” trung thực khơng có chép hay sử d甃⌀ng để bảo vệ học vị Tất giúp đỡ cho việc xây dựng sở lý luận cho nghiên cứu trích dẫn đầy đủ ghi rõ nguồn gốc rõ ràng phép công bố Document continues below Discover more from: Big Data Applied in Management 702075 Đại học Tôn Đức… 71 documents Go to course Marketing VÀ TRUYỀN Thông CỦA IVY MODA Applied Big Data in… 100% (1) LỜI GIỚI THIỆU LUẬN CƯƠNG Chính TRỊ Applied Big Data in… 100% (1) Tôi chia sẻ Scan 08 Th11 22 095815 vớ… Applied Big Data in… None Outline big data cuối kì Applied Big Data in… None Unicorn BCCK - etcse 39 Applied Big Data in… None Rubric Cuoi ky Bao cao Applied Big Data in… None CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI 1.1 Lý chọn đề tài 1.1.1 Bối cảnh nghiên cứu - - - Năm 2020, đại dịch Covid-19 khiĀn mức tăng trưởng nhiều kinh tĀ toàn cầu bị suy giảm mạnh chưa thấy nhiều thập kỷ qua Dù kinh tĀ có ph甃⌀c hồi mạnh mẽ quý III/2020, nhiên đường trở lại bình thường cịn mong manh vắcxin ngừa Covid-19 phân phối nhiều quốc gia, số ca mắc gia tăng vào dịp cuối năm, đặc biệt xuất biĀn thể Covid-19 Hầu hĀt tổ chức quốc tĀ có chung nhận định, kinh tĀ tồn cầu khó ph甃⌀c hồi ngắn hạn mà phải nhiều năm Theo số liệu số viện nghiên cứu kinh tĀ thĀ giới, mức độ tăng trưởng kinh tĀ thĀ giới năm 2020 giảm khoảng từ 5-7% so với mức độ tăng trưởng trung bình kinh tĀ thĀ giới năm trước kinh tĀ thĀ giới cần thời gian từ 2-3 năm để khôi ph甃⌀c lại nhịp độ tăng trưởng thời trước dịch bệnh bùng phát lây lan Những kinh tĀ lâu chưa giải quyĀt vấn đề bất cập mang tính cấu ph甃⌀ thuộc nhiều vào ngành dịch v甃⌀ bị ảnh hưởng tiêu cực nặng nề Các doanh nghiệp hàng không khắp thĀ giới bị ảnh hưởng nặng nề Covid19 hầu hĀt chuyĀn du lịch hàng không tĀ quốc ngừng hoạt động Tuy nhiên, bão kĀt thúc, nhu cầu lại đường hàng không dự kiĀn tăng cao người đổ xô trở lại kỳ nghỉ nước ngồi Các hãng hàng khơng chuẩn bị để tạo cho lợi thĀ cạnh tranh đám đông cuối đĀn? Để giải đáp vấn đề kinh doanh này, mơ hình phân loại tạo từ liệu từ Kaggle để xác định yĀu tố quan trọng dẫn đĀn việc hủy chuyĀn bay hãng hàng khơng để có kĀ hoạch cho ph甃⌀c hồi kinh tĀ tồn cầu nói chung ngành hàng khơng nói riêng 1.1.2 Lý chọn đề tài Dự đốn tượng hoãn, hủy chuyĀn bay ngày trở nên nghiêm trọng ChuyĀn bay bị hoãn việc hủy chuyĀn khơng gây lãng phí nguồn lực vận tải mà ảnh hưởng đĀn kĀ hoạch lại hành khách, làm tăng bất mãn hành khách tỷ lệ phàn nàn Việc hành khách khơng hài lịng khơng tin tưởng vào hãng hàng không gây thiệt hại nghiêm trọng cho danh tiĀng cơng ty hãng hàng khơng sau ảnh hưởng đĀn lòng trung thành hành khách Do đó, dựa thơng tin liệu chuyĀn bay Hoa Kỳ vào năm 2016, nhóm chọn đề tài “Dự đoán khả hủy chuyến bay hãng hàng không Hoa Kỳ công cụ Azure Machine Learning” 1.2 M甃⌀c tiêu nghiên cứu ý nghĩa nghiên cứu - - Nghiên cứu nhằm yĀu tố dẫn đĀn khả hủy chuyĀn bay hãng hàng không Hoa Kỳ Dựa vào thơng tin, tính chất biĀn, xác định mức độ liên quan chúng đĀn hủy chuyĀn bay hãng hàng không Đồng thời, thông qua việc khai thác liệu, chạy liệu hàng không Hoa Kỳ, nhóm dự đốn chuyĀn bay có khả bị hủy hay không trước thông tin đĀn khách hàng So sánh lựa chọn phương pháp dự đốn cơng c甃⌀ Azure Machine Learning tối ưu để sử d甃⌀ng dự báo Đưa kĀt luận hàm ý quản trị nhằm giúp nhà hoạch định đưa giải pháp tối ưu hóa cho chuyĀn bay 1.3 Câu hi nghiên cứu Các yĀu tố ảnh hưởng đĀn hủy chuyĀn bay hãng hàng không? Mức độ tác động yĀu tố gây hủy chuyĀn bay hãng hàng khơng? Mơ hình, phương pháp dự đoán phù hợp xác định yĀu tố ảnh hưởng khả hủy chuyĀn bay hãng hàng không? 1.4 Đối tưng ph愃⌀m vi nghiên cứu - - Đối tượng nghiên cứu: Các hãng hàng không Hoa Kỳ yĀu tố ảnh hưởng đĀn hủy chuyĀn bay hãng hàng không Phạm vi nghiên cứu: Bộ liệu chuyĀn bay Hoa Kỳ năm 2016 gồm 1.048.576 mẩu liệu 1.5 Ý nghĩa nghiên cứu - Ý nghĩa khoa học: Bằng nghiên cứu thân nghiên cứu mang tính chất khoa học, nhóm mong muốn chứng minh yĀu tố có ảnh hưởng đĀn việc hủy chuyĀn bay hãng hàng khơng Ý nghĩa thực tiễn: Dự đốn việc hủy chuyĀn bay hãng hàng không giúp nhà hoạch định nắm lịch trình, đánh giá khả đáp ứng, tần suất bay hãng hàng không giúp phản ứng kịp thời trước tình bất ngờ Bên cạnh đưa giải pháp hoạch định chiĀn lược giúp giảm thiểu yĀu tố tác động gây ảnh hưởng chuyĀn bay Hình 4.3: Số liệu kĀt dự đốn mơ hình TWO - CLASS BOOSTED DECISION TREE Hình 4.4: Số liệu kĀt dự đốn mơ hình TWO - CLASS LOGISTIC REGRESSION Hình 4.5: Số liệu kĀt dự đốn mơ hình TWO – CLASS SUPPORT VECTOR MACHINE (SVM) Hình 4.6: Số liệu kĀt dự đốn mơ hình TWO – CLASS BAYES POINT MACHINE - AUC Dưới bảng so sánh kĀt số AUC thuật toán: Decision Tree Logistic Regression Support Vector Naive Bayes Machine 0.901 0.769 0.679 0.737 KĀt cho thấy thuật tốn Decision Tree có hiệu tốt nhất, có giá trị AUC 0.901 Tương tự, nhóm quyĀt định Decision Tree thuật tốn phù hợp để dự đoán hủy chuyĀn số thuật tốn Do đó, cần dự đốn xác để chuyĀn bay bị hủy b tránh bất tiện cho việc lại khách hàng lợi nhuận hang bay bị thiệt hại nghiêm trọng Để tránh loạt cố, hủy chuyĀn bay sớm lựa chọn tốt 4.2 Test 4.2.1 API - Web Service Set Up Sau hồn tất chạy tất mơ hình dự đốn hủy chuyĀn bay, nhóm chọn SELECT COLUMN IN DATASET b biĀn CANCELLED để máy dự báo Hình 4.7: Giao diện loại b biĀn CANCELLED để dự báo TiĀp đó, nhóm chọn chức PREDICTIVE WEB SERVICE để tạo API, lưu mơ hình lên Cloud để sử d甃⌀ng cho lần sau Mơ hình xĀp gọn lại lưu trữ lên Cloud Hình 4.8: Giao diện sau tải lên Web service 4.2.2 Test Preview Sau DEPLOY, giao diện lên kĀt hồn thành, bên có chức Test để kiểm tra thử liệu Hình 4.9: Giao diện sau bấm lệnh DEPLOY Sau nhóm ấn vào Test Preview để thử nghiệm máy Hình 4.10a: Giao diện Test Endpoint (Scored Labels: 0) Hình 4.10b: Giao diện Test Endpoint (Scored Labels: 1) KĀt dự đoán cho thấy chuyĀn bay khơng Hủy Scored Labels: cịn Hủy Scored Labels: 4.2.3 Sử d甃⌀ng liệu thực để test độ xác MO NT H DAY_ OF_M ONTH DAY_ OF_W EEK ORIGIN DEST CRS_DE P_TIME DISTAN CE Carrier_ Mean_Di stance Origin_ Taxiout Origin_ Delay KĀt Quả DFW DTW 1100 986 996 17 Không Hủy 24 JFK SEA 1830 2422 996 25 15 Hủy 10 AUS LAS 1210 1090 1043 12 Không Hủy 24 MDW ATL 1540 591 854 13 Hủy ATL BHM 1409 134 854 17 Không Hủy 28 EWR PWM 629 284 442 19 10 Không Hủy 11 BPT DFW 627 270 442 12 16 Hủy CHƯƠNG 5: KẾT LU숃⌀N VÀ HÀM Ý QUẢN TRỊ 5.1 KĀt luận Trong năm qua, với phát triển xã hội mức sống ngày nâng cao người, nhu cầu máy bay tăng trưởng ổn định với gia tăng lưu lượng hành khách toàn cầu 6,5% năm 2015, tốc độ tăng trưởng bình quân 10 năm đạt 5,5% Thì ngành hàng khơng dân d甃⌀ng tồn cầu có tốc độ tăng trưởng nhanh chóng, xấp xỉ 5% năm 30 năm liên tiĀp chững lại vào thời điểm dịch COVID xuất Năm 2020 đánh giá "cơn ác mộng", cắt đứt chuỗi thập kỷ sinh lời bền vững ngành hàng khơng Nhưng tình hình dịch bệnh ổn định năm sau năm chuyển tiĀp ngành Con đường phía trước gập ghềnh, với tiĀn trình ph甃⌀c hồi ph甃⌀ thuộc vào tốc độ triển khai vaccine, khả tiĀp cận vốn, sách khó lường loại virus,… mà người ta chưa hiểu rõ NĀu khứ, máy bay xem việc trọng đại, mang lại giá trị lớn lao cho hành khách (như du lịch, tham quan cơng tác) thời điểm tại, máy bay lại thường kèm với vấn đề tiêu cực Đó trì hoãn bay, vấn đề an ninh xuống cấp dịch v甃⌀ hàng khơng Sự trì hỗn bay gây nhiều hệ nghiêm trọng Về phía khách hàng, mặt, việc hoãn, hủy chuyĀn bay làm lãng phí thời gian quý báu hành khách dẫn đĀn giảm hài lòng Bamford Xystouri (2005) cho rằng, trì hỗn bay ba vấn đề thường xuyên bị khiĀu nại hành khách Kim Park (2016) cho điều gây nên cảm xúc tiêu cực, tăng cường truyền miệng tiêu cực giảm ý định mua Mặt khác, có ảnh hưởng lớn lãng phí đĀn việc phân bổ nguồn lực Các hãng hàng không, để gia tăng sức mạnh cạnh tranh họ, nĀu khơng phải có giá rẻ nhất, cần cung cấp dịch v甃⌀ đảm bảo phù hợp để thu hút khách hàng m甃⌀c tiêu Nhận thấy điều nhóm đưa ý tưởng sử d甃⌀ng phân loại máy tính để dự đốn Cho dù chuyĀn bay bị hủy bị hoãn, tiĀt kiệm nguồn lực giảm bớt lo lắng hành khách Vì thĀ, việc đoán đánh giá giúp cho ngành kinh doanh trở nên thuận lợi hấp dẫn Để dự đốn khả hủy chuyĀn bay hay khơng, nghiên cứu tham khảo liệu chuyĀn bay Hoa Kì thị trường hàng không dân d甃⌀ng lớn thĀ giới, trị giá đĀn 179 tỷ đô la Mỹ (Euromonitor, 2018) sử d甃⌀ng mơ hình máy học: Logistic Regression, Support Vector Machine, Bayes Point Machine Boosted Decision Tree Sau thực dự đoán đưa so sánh bốn mơ hình để xem xét mơ hình dự đốn khả hủy chuyĀn bay tốt để đem lại hiệu suất cho việc kinh doanh hàng không Logistic Regression phương pháp hồi quy thông d甃⌀ng nhất, áp d甃⌀ng cho biĀn m甃⌀c tiêu biĀn định lượng liên t甃⌀c Được ứng d甃⌀ng rộng rãi nhiều ngành lĩnh vực khác nhau, số ví d甃⌀ như: Dự báo khả trả nợ khách hàng, khả rời dịch v甃⌀ khách hàng,… Nhưng liệu phi tuyĀn tính, liệu phức tạp khó khăn việc thiĀt kĀ cần phải xử lí trước liệu cách cẩn thận, xuyên suốt trước đào tạo mơ hình để ngăn chặn liệu gây nhiễu khiĀn trình đào tạo thực nghiệm bị gián đoạn Support Vector Machine kĩ thuật phân lớp phổ biĀn, SVM thể nhiều ưu điểm số có việc tính tốn hiệu tập liệu lớn Ngồi cịn có khả xử lý khơng gian số chiều cao, tính linh hoạt phương pháp tuyĀn tính phi tuyĀn tính từ khiĀn cho hiệu suất phân loại lớn Nhưng chưa thể rõ tính xác suất Việc phân lớp SVM việc cố gắng tách đối tượng vào hai lớp phân tách siêu phẳng SVM Điều chưa giải thích xác suất xuất thành viên nhóm thĀ Bayes Point Machine thuật tốn học có giám sát, dựa định lý Bayes sử d甃⌀ng để giải tốn phân loại Nó chủ yĀu sử d甃⌀ng phân loại văn bao gồm tập liệu đào tạo chiều cao Nó phân loại theo xác suất, có nghĩa dự đốn sở xác suất đối tượng Một số ví d甃⌀ phổ biĀn Thuật tốn Bayes lọc thư rác, phân tích tình cảm phân loại báo Nó lựa chọn phổ biĀn cho toán phân loại văn bản, thuật toán ML nhanh dễ dàng để dự đốn lớp tập liệu Nó sử d甃⌀ng cho Phân loại Nhị phân Đa lớp Nó hoạt động tốt dự đốn Đa lớp so với Thuật toán khác Tuy nhiên tất đối tượng địa lý độc lập khơng liên quan, khơng thể tìm hiểu mối quan hệ đối tượng địa lý Bên cạnh đó, mơ hình Decision Tree đánh giá cao với tính xác mơ hình Trong q trình chạy mơ hình, Decision Tree thuật tốn học có giám sát hiệu Nó áp d甃⌀ng cho danh m甃⌀c đầu vào liên t甃⌀c (đặc điểm) biĀn đầu (dự đoán) Phương pháp dựa chia không gian đối tượng thành loạt hình chữ nhật sau gán mơ hình đơn giản cho hình chữ nhật Về mặt khái niệm, chúng đơn giản hiệu Tuy nhiên thuật toán hoạt động hiệu liệu đơn giản có biĀn liệu liên hệ với nhau, ngược lại nĀu áp dung cho liệu phức tạp Điều đòi hi phức tạp sức mạnh tính tốn, u cầu liệu phải chuẩn bị hoàn hảo, chất lượng tốt phải cân đối theo lớp, nhóm biĀn m甃⌀c tiêu,… Ngồi ra, biĀn m甃⌀c tiêu phải có giá trị “rời rạc” dễ nhận biĀt, không đa dạng, phải c甃⌀ thể Vì thuật tốn Decision Tree khơng hỗ trợ kỹ thuật hay khả “truy vấn ngược” mà phân nhánh liên t甃⌀c dựa công thức phân nhánh cho đĀn thấy kĀt sau nên khó phát lỗi đâu nĀu có sai sót Tóm lại, bốn mơ hình này, Decision Tree cho đơn giản hiệu so với ba mơ hình cịn lại Từ trình đào tạo thử nghiệm bốn mơ hình xuất kĀt có ý nghĩa thống kê AUC Trong mơ hình Decision Tree có hiệu suất tốt thể AUC cao cho thấy mơ hình phân loại xác trường hợp tốt Có giá trị AUC 0.901 tương đương 90% Tương tự, nhóm quyĀt định Decision Tree thuật toán phù hợp để dự đoán hủy chuyĀn số bốn thuật toán Với nghiên cứu bốn mơ hình này, nhóm tin tương lai mơ hình Decision Tree doanh nghiệp, tổ chức tin dùng cách để hỗ trợ họ nhận nhiều thông tin chi tiĀt dự đốn kinh doanh Do đó, cần dự đốn xác để chuyĀn bay bị hủy b tránh bất tiện cho việc lại khách hàng phân bổ nguồn lực hợp lý hãng bay, hạn chĀ thiệt hại nghiêm trọng Bên cạnh đó, nĀu dùng mơ hình để dự đoán thêm liệu nhiều yĀu tố ảnh hưởng người nghiên cứu, hãng bay nên lựa chọn mơ hình vượt trội giúp xử lí nhiều liệu mơ hình nghiên cứu liệu thử nghiệm tương đối nh yĀu tố ảnh hưởng liệu lấy từ năm 2016 lâu Đối với tương lai khơng biĀt cịn yĀu tố ảnh hưởng hay khơng? Vì vậy, nhóm khun người nghiên cứu sau, hay hãng bay sau nên sử d甃⌀ng hệ thống mơ hình mạnh mẽ để xử lý tất liệu liệu để thơng tin, độ xác xác thực, hiệu 5.2 Hàm ý quản trị Từ nghiên cứu có nhóm đưa đề xuất cho số người kinh doanh lĩnh vực hàng không này: Ngành hàng không lĩnh vực sinh lời bền vững thời điểm từ năm 2020 năm 2021 có chững lại dịch bệnh COVID song song bước đệm để xu hướng kinh doanh ngành hàng không phát triển thị trường cạnh tranh khốc liệt Có thể đánh giá việc tăng trưởng ngành hàng không đồng hành với kinh tĀ đất nước Vì để kinh tĀ đất nước phát triển ngành hàng khơng khơng thể không phát triển trở lại Ngày số lượng người sẵn sàng trả nhiều tiền cho sản phẩm dịch v甃⌀ mà họ cảm thấy hài lòng, thoải mái hĀt tin cậy Cho thấy, thị trường ngành hàng khơng mở rộng mà khơng thể vắng bóng Tuy nhiên, việc dự đoán khả xảy c甃⌀ thể cho vấn đề ngày tối ưu hóa lĩnh vực hàng khơng thường khó dự đốn cách xác Vì bên cạnh yĀu tố khách quan yĀu tố chủ quan hãng hàng không không hủy chuyĀn để tiĀt kiệm tiền, mà họ hoãn chuyĀn để chống việc phải hoãn hủy thêm nhiều chuyĀn bay khác Trên thực tĀ, chuyĀn bay thực cô lập phần hệ thống phức tạp Những người kinh doanh cần nắm rõ vấn đề để tiĀp cận tìm phương án cho việc phân bổ nguồn lực hợp lý doanh nghiệp khách hàng Và với việc xây dựng mơ hình dự đốn này, nhóm mong muốn người kinh doanh hàng khơng ước lượng tổn thất nhanh để tối đa hóa lợi nhuận cho việc kinh doanh Dự đốn khả hủy chuyĀn thời gian c甃⌀ thể, rõ ràng mơ hình Điều giúp người kinh doanh, quản lý hàng không hoạch định, đưa chiĀn lược, ban hành khung sách, hướng dẫn tồn diện, hiệu đạo, thơng báo hoàn lại cho khách hàng, xĀp phân bổ nguồn lực, phân chia chuyĀn bay thời điểm khác cách phù hợp cho việc kinh doanh 5.3 H愃⌀n chĀ nghiên cứu Kinh doanh hàng không thị trường phát triển mạnh mẽ, nên có nghiên cứu chủ đề tương đối rộng lớn, có nhiều giả thuyĀt, giả định tuyên bố đưa từ nhiều học giả Song song vơ số báo phi học thuật liên quan bắt nguồn từ vô số cửa hàng tin tức, tảng bán hàng diễn đàn thảo luận dành riêng cho ngành cơng nghiệp Chính điều tồn giá trị, giả thuyĀt, giả định không chứng minh, cởi mở gây nhiễu thông tin Để tiĀp cận nguồn liệu đòi hi người nghiên cứu phải có trình độ nghiên cứu thời gian phải có phương pháp tối ưu chọn lọc sử d甃⌀ng tài nguyên, thời gian nghiên cứu ngắn với việc tiĀp cận ngành học hạn chĀ chủ yĀu báo cáo