Data-driven demand forecasting: leveraging quantitative models in the car rental industry

Abstract

Η Πρόβλεψη Ζήτησης Μέσω Αξιοποίησης Ποσοτικών Μοντέλων στη Βιομηχανία Ενοικίασης Αυτοκινήτων εξετάζει την εφαρμογή μεθόδων πρόβλεψης χρονοσειρών με σκοπό τη βελτιστοποίηση εσόδων και της κατανομής στόλου σε μια πολυεθνική εταιρεία ενοικίασης αυτοκινήτων. Η μελέτη συγκρίνει τρία μοντέλα: την Εκθετική Εξομάλυνση (ESM), το μοντέλο ARIMA και τα Μοντέλα Μη Παρατηρήσιμων Συνιστωσών (UCM), εφαρμόζοντάς τα σε διαφορετικές κατηγορίες οχημάτων και γεωγραφικές περιοχές. Η ανάλυση εστιάζει τόσο στην ακρίβεια των σημειακών προβλέψεων όσο και στην αξιοπιστία των διαστημάτων πρόβλεψης, χρησιμοποιώντας σταθμισμένες μετρικές σφάλματος όπως τα WMAPE και WRMSE. Το μοντέλο ESM παρουσίασε την υψηλότερη ακρίβεια, το ARIMA εμφάνισε μεγαλύτερη ανθεκτικότητα σε μεγάλες αποκλίσεις, ενώ το UCM παρείχε λεπτομερή ανάλυση τάσης και εποχικότητας, παρά τα υψηλότερα ποσοστά σφάλματος. Το προτεινόμενο σύστημα πρόβλεψης υποστηρίζει μια διαδικασία συνεχούς ενημέρωσης, επιτρέποντας την αυτόματη αναπροσαρμογή των μοντέλων καθώς εισέρχονται νέα δεδομένα. Αυτό το πρακτικό πλαίσιο γεφυρώνει τη θεωρητική μοντελοποίηση με τις πραγματικές ανάγκες διαχείρισης εσόδων, προσφέροντας μια επεκτάσιμη λύση για τη λήψη αποφάσεων βάσει δεδομένων στον τομέα της ενοικίασης αυτοκινήτων.Data-Driven Demand Forecasting: Leveraging Quantitative Models in the Car Rental Industry explores the application of time-series forecasting methods to improve revenue optimization and fleet allocation in a multinational car rental company. The study compares Exponential Smoothing (ESM), ARIMA, and Unobserved Components Models (UCM) across car groups and regions. The analysis focuses on both point-forecast accuracy and the robustness of prediction intervals, evaluated using weighted error metrics such as WMAPE and WRMSE. ESM demonstrated superior accuracy, ARIMA offered resilience under large deviations, and UCM provided detailed trend and seasonality decomposition despite higher error rates. The proposed forecasting system supports a rolling-update pipeline, enabling continuous model recalibration as new data becomes available. This practical framework bridges academic modeling with real-world revenue management needs, offering a scalable solution for data-driven decision-making in the car rental sector.