הנתונים שנאספים בזמן אמת מאפשרים ללופטהנזה להפיק תובנות על העדפות הנוסעים, להבין אילו מנות אהובות, מה מיותר לטעון, ובאילו טיסות כדאי לצמצם את כמויות המזון. כך למשל, נמצא שנוסעים בטיסות לילה מאוחרות או בוקר מוקדמות מדלגים לעתים קרובות על הארוחות. החברה כבר החלה לצמצם את כמויות המזון בטיסות מסוג זה ולהתאים את גודל המנות, כדי להפחית את הכמות שנזרקת – תוך חיסכון כלכלי משמעותי.
הצלחת הפרויקט בפרנקפורט הביאה את לופטהנזה להרחיב אותו לנמל התעופה המרכזי השני שלה במינכן. אך בכך לא תמה החדשנות: החברה מפעילה גם מודל ממוחשב נוסף המנתח פרמטרים כמו שעת הטיסה, יעדה, משך הטיסה ונתוני עבר, כדי לחזות מתי ניתן להטעין פחות מנות ממספר הנוסעים שהוזמנו. הסיבה לכך פשוטה – בין 3% ל-5% מהנוסעים כלל לא מגיעים לטיסה, וארוחותיהם נותרות ללא שימוש.
השיטה הזו, עם זאת, אינה ייחודית ללופטהנזה. גם חברת התעופה ההולנדית KLM עושה שימוש במודלים חישוביים דומים, מתוך תקווה לקלוע למספר המדויק של נוסעים שיגיעו בפועל למטוס. אלא שהימור כזה אינו תמיד מוצלח – ובמקרים מסוימים נוסעים נותרים רעבים בשל חוסר במנות.
התופעה של בזבוז מזון בתעופה אינה חדשה. מדובר באתגר לוגיסטי וסביבתי אדיר. תקנות מחמירות של גופי בריאות בינלאומיים מחייבות את החברות להשמיד מזון שלא נאכל בטיסה, לרוב באמצעות שריפה, גם אם הוא שלם וראוי למאכל. המשמעות: אלפי טונות של מזון מושלך מדי שנה. בעבר ניסו החברות לצמצם את הבזבוז בשיטות פשוטות כמו טעינה מראש של 90% מהמזון הדרוש – אך בשיטות אלו יש סיכון שחלק מהנוסעים לא יקבלו שירות מלא.
הכניסה של מערכות בינה מלאכותית לעולם התעופה משנה את התמונה. לא מדובר רק באופטימיזציה כלכלית, אלא גם במהלך שמטרתו לצמצם השפעה סביבתית של תעשיית התעופה, שנמצאת זה מכבר תחת ביקורת גוברת בנושא פליטות וגזי חממה. אם הטכנולוגיה החדשה תמשיך להוכיח את עצמה – ייתכן שבעתיד הקרוב נוכל לראות מהפכה של ממש בשירותי ההסעדה האוויריים.
התרעות פיקוד העורף