Überblick über den Dynamic Pricing-Algorithmus von PriceLabs (Teil 2)

Entdecken Sie die Geheimnisse des hochmodernen Dynamic Pricing-Algorithmus von PriceLabs. Tauchen Sie tief ein – ein technisches Abenteuer erwartet Sie!

In Teil 1 unseres Überblicks über den Dynamic Pricing-Algorithmus erläutern wir, wie wir optimale Preise für beliebige zukünftige Daten berechnen – durch die Prognose der Belegung, die Schätzung der Buchungswahrscheinlichkeit und die Ermittlung des Preises, der den erwarteten Umsatz maximiert.

Der erste Teil erklärt, warum Preise nach Saison, Wochentag, Buchungstempo des Markts und Nachfragespitzen durch Feiertage oder Veranstaltungen variieren sollten. Falls Sie Teil 1 noch nicht gelesen haben, empfehlen wir, dies zu tun, bevor Sie tiefer in diesen Artikel einsteigen.

Wir kommen nun zum letzten Teil unseres Algorithmus: die Preisentwicklung – oder: wie sich Preise für ein zukünftiges Datum im Laufe der Zeit verändern. Es gibt zwei Hauptgründe, warum sich unsere Preisempfehlungen über die Zeit hinweg ändern.

Sich verändernde Prognose: Unsere Prognose für ein zukünftiges Datum kann sich täglich verändern, da wir laufend neue Informationen erhalten. Das Diagramm unten zeigt, wie sich unsere Prognose für den 14. April 2023 im Markt Phoenix in den vorangegangenen Monaten entwickelt hat. Nach November 2022 ist ein plötzlicher Sprung in der Prognose zu erkennen. Taylor Swift hatte ihre Eras Tour-Daten für Phoenix, AZ, bekannt gegeben. Von August bis Oktober 2022 sank unsere Marktprognose, da die Region hinter den Trends des Vorjahres zurückblieb – ein frühes Anzeichen für eine Verlangsamung der Wirtschaft. Kurz nach der Ankündigung der Eras Tour kehrte sich der Trend jedoch um, und unsere Prognose stieg um etwa 25 %.

Hinweis: Das Diagramm zur monatlichen Entwicklung der Prognose dient nur zur Veranschaulichung. Die Prognose-Engine, die unsere dynamische Preisgestaltung antreibt, wird täglich ausgeführt.

Verbleibende Buchungschance: Im obigen Beispiel ist für jeden offensichtlich, dass die optimalen Preise ebenfalls steigen sollten, wenn die Prognose nach der Ankündigung der Eras Tour-Daten in die Höhe schnellte. Weniger klar ist jedoch, wie sich die Preise entwickeln sollten, wenn sich unsere Nachfrageprognose für ein Datum nicht verändert.

Die folgenden Abschnitte helfen dabei, ein intuitives Verständnis dafür zu entwickeln, warum und wie sich Preise verändern sollten, wenn wir uns dem Aufenthaltsdatum nähern.

Warum sollten sich Preise mit der Vorlaufzeit ändern?

Unsere Kunden fragen uns häufig, warum unsere Preisempfehlungen für weit in der Zukunft liegende Daten in der Regel hoch sind und mit der Zeit sinken. Im vorherigen Artikel haben wir gelernt, dass die Buchungswahrscheinlichkeit für ein zukünftiges Datum mit der prognostizierten Belegung zusammenhängt.

Wenn zum Beispiel die prognostizierte Belegung 90 % beträgt und noch keine Buchungen eingegangen sind, erwarten wir, dass 90 von 100 vergleichbaren Unterkünften gebucht werden. In diesem Moment können wir einen hohen Preis ansetzen, da die meisten Unterkünfte auf dem Markt voraussichtlich gebucht werden.

Spulen wir 3 Monate vor und nehmen an, dass jetzt 80 Unterkünfte gebucht sind. Der Markt entwickelt sich wie erwartet, und wir prognostizieren nach wie vor eine Belegung von 90 %. Das bedeutet: Von den verbleibenden 20 Unterkünften werden voraussichtlich nur 10 gebucht – eine Buchungswahrscheinlichkeit von 50 %.

Obwohl sich die Gesamtmarktlage nicht verändert hat (wir erwarten weiterhin eine Belegung von 90 %), sind die Chancen, dass Ihre Unterkunft bei gleichem Preis gebucht wird, gesunken. Es könnte daher sinnvoll sein, die Preise zu senken, um den erwarteten Umsatz zu steigern.

Schritt 7: Preisentwicklung

Wir müssen daher die "Vorlaufzeit" in die Berechnung der Buchungswahrscheinlichkeit bei verschiedenen Preisniveaus einbeziehen.

Nutzen wir ein weiteres Beispiel, um dies besser zu verstehen. Stellen Sie sich ein Szenario vor, in dem:

• Wir die Preise 3 Mal in folgenden Buchungsfenstern ändern können – 360, 240 und 120 Tage.
• Preise entweder 200, 400, 600, 800 oder 1.000 betragen können.
• Niemand mehr als 360 Tage im Voraus bucht.
• Die Buchungswahrscheinlichkeiten in den einzelnen Buchungsfenstern sind in der folgenden Tabelle aufgeführt.

Wie wir feststellen werden – wir haben jetzt Zugang zur Buchungswahrscheinlichkeit in verschiedenen Buchungsfenstern. Die Gesamtbuchungswahrscheinlichkeit für einen Preis lässt sich aus den einzelnen Buchungsfenster-Wahrscheinlichkeiten ableiten.

Für einen Preis von 200 -> kann die Gesamtbuchungswahrscheinlichkeit zum Beispiel mit der folgenden Formel berechnet werden

Szenario 1: Wir können die Preise nur einmal festlegen

Berechnen wir nun den maximalen erwarteten Umsatz in den beiden folgenden Szenarien.

In diesem Fall wäre der umsatzmaximierende Preis derjenige, bei dem das Produkt der ersten beiden Spalten (Preis und Buchungswahrscheinlichkeit) am höchsten ist. Das Preisniveau von 600 $ erzielt den höchsten erwarteten Umsatz von 300 $ (600 $ × 50 %). Wenn wir den Preis nur einmal festlegen dürften, würden wir 600 $ wählen!

Szenario 2: Wir können die Preise 3 Mal ändern

Das Finden der optimalen Preiskombination kann rechnerisch anspruchsvoll sein, da eine Abfolge von Entscheidungen mit vielen Möglichkeiten und bedingten Wahrscheinlichkeiten anfällt. Für jedes der drei Buchungsfenster gibt es 5 mögliche Preise. Das ergibt insgesamt 5 × 5 × 5 = 125 zu prüfende Möglichkeiten.

Stellen Sie sich nun vor, wir hätten dieselben 5 Preise für ein zukünftiges Datum, das 360 Tage entfernt liegt. Aber jetzt können wir den Preis täglich ändern. Die Anzahl der Möglichkeiten beträgt dann 5^360 – eine sehr große Zahl, die selbst für die schnellsten Computer schwer zu lösen ist!

Am einfachsten zu erklären ist der Preis für das 120-Tage-Buchungsfenster. Bei 120 Tagen lässt sich der umsatzmaximierende Preis berechnen, indem die Preise mit der Buchungswahrscheinlichkeit bei 120 Tagen multipliziert werden. In diesem Fall ist 400 der umsatzmaximierende Preis für dieses Fenster.

Beim 240-Tage-Buchungsfenster müssen wir nicht nur den in diesem Fenster erzielbaren Umsatz maximieren, sondern auch die Möglichkeit berücksichtigen, nicht zu verkaufen und stattdessen im 0-120-Tage-Fenster zu verkaufen. Wir wollen jetzt nicht zu günstig verkaufen, wenn wir in der Zukunft möglicherweise für 400 $ verkaufen können. Diese Optimierung kann komplex sein, aber zum Glück ist dies ein gut erforschtes Gebiet der mathematischen Optimierung. Wir lösen dieses rechnerische Problem mithilfe der Bellman-Gleichung.

Wir stellen eine optimale Lösung vor, um zu zeigen, dass der erwartete Umsatz höher ist als in Szenario 1.

Die unten stehende optimale Preiskombination ergibt einen erwarteten Umsatz von 303 $:

• 360 Tage vorher: auf 800 $ festgelegt
• 240 Tage vorher: auf 600 $ festgelegt
• 120 Tage vorher: auf 400 $ festgelegt

Szenario 2 erzielt einen erwarteten Umsatz von 303 $ gegenüber 300 $ in Szenario 1. Damit schneidet Szenario 2 um 1 % besser ab.

Obwohl das obige Beispiel einen eher bescheidenen Umsatzgewinn von 1 % durch Preisänderungen zeigt, belegen unsere Experimente mit realen Daten, dass der Gewinn durch den gezielten Einsatz von Last-Minute-Rabatten bei etwa 9 % liegt. Der Unterschied ergibt sich daraus, dass unsere Algorithmen Preise nicht nur 3 Mal im Jahr, sondern täglich anpassen.

Hinweis: Wir werden feststellen, dass der Preis für das 0-120-Tage-Fenster gegenüber dem optimalen Preis aus Szenario 1 einen Rabatt aufweist, während der Preis für das 240-360-Tage-Fenster einen Zuschlag trägt. Unser Algorithmus berechnet diese Anpassungen automatisch, wenn sich die Vorlaufzeit ändert.

Preise in letzter Minute erhöhen?

Ja! Das obige Beispiel setzt voraus, dass unsere Nachfrageprognose von Anfang an bekannt ist und sich nicht verändert. In der Realität – wie wir am Beispiel von Taylor Swifts Eras Tour-Konzert oder Konjunkturabschwächungen gesehen haben – kann sich vieles ereignen, wenn sich ein Datum nähert.

Preise können steigen, wenn sich ein Datum nähert, falls der Markt schneller Buchungen verzeichnet als unsere Prognose. Dies kann auch vorkommen, wenn es einen erheblichen Unterschied in der Preissensitivität zwischen Last-Minute- und Frühbuchern gibt.

Warum machen Fluggesellschaften das anders?

Obwohl sowohl Fluggesellschaften als auch Ferienvermietungen zur Reisebranche gehören, sind die Marktdynamiken sehr unterschiedlich.

Ferienvermietungen kommen dem Modell des "vollkommenen Wettbewerbs" nahe – für potenzielle Gäste stehen viele Optionen zur Verfügung. Zudem ist der Besitz dieser Angebote häufig stark fragmentiert – selbst in Märkten, in denen ein großer Verwalter den Großteil des Angebots verwaltet, werden die Einnahmen aus einer Buchung einer Unterkunft nicht mit anderen Eigentümern geteilt.

Fluggesellschaften operieren auf einem oligopolistischen Markt. Auf den meisten Strecken zwischen zwei Städten gibt es nur wenige sinnvolle Optionen. Zudem spielen bei Last-Minute-Geschäftsreisen drei zusätzliche Faktoren eine Rolle: Treueprogramme, die Reisende dazu veranlassen, ihre bevorzugte Airline zu wählen; Unternehmensverträge, die dafür sorgen, dass große Unternehmen ihre Mitarbeiter ausschließlich bei bevorzugten Airlines buchen; und die generell geringere Preissensitivität von Geschäftsreisenden. All das führt dazu, dass die umsatzmaximierende Entscheidung für Fluggesellschaften häufig darin besteht, die Preise in letzter Minute hoch zu halten – selbst wenn das einige leere Sitze bedeutet. Anders als bei Unterkünften zählt der Gesamtumsatz des Flugzeugs, nicht ob jeder Sitz seinen eigenen Umsatz maximiert.

Frühbucher-Zuschläge bei Ferienvermietungen erfüllen noch eine weitere wichtige Funktion: Wenn ein Datum weit in der Zukunft liegt und das Buchungsvolumen gering ist, gibt es eine inhärente Fehlertoleranz bei der Prognose. Wir tun unser Bestes auf Basis der verfügbaren Daten, aber viele Ereignisse können die Nachfrage für ein zukünftiges Datum beeinflussen. Frühbucher-Zuschläge dienen als Absicherung gegen solche Ereignisse – besonders wenn die Daten noch so weit entfernt sind, dass ohnehin kaum Nachfrage vorhanden war.

Abschließende Anmerkung:

Die dynamische Preisgestaltung für jedes zukünftige Datum ist keine einmalige Aufgabe. Unser Data-Science-Team hat festgestellt, dass selbst bei stabiler Prognose die richtigen Frühbucher-Zuschläge und Last-Minute-Rabatte den Umsatz im Durchschnitt um 11 % steigern.

PS: Wir haben interessante Erkenntnisse darüber, wie Last-Minute-Rabatte je nach Markt und Saison variieren sollten – lesen Sie diesen Blog-Beitrag.

Mit dem Abschluss unserer Erkundung des Dynamic Pricing-Algorithmus hoffen wir, dass dieser Artikel den komplexen Prozess der Preisoptimierung für Ihre Unterkunft beleuchtet hat. Wenn Sie bereit sind, die Vorteile der dynamischen Preisgestaltung zu nutzen, laden wir Sie ein, PriceLabs auszuprobieren – Starten Sie Ihre kostenlose Probe. Ob erfahrener Immobilienverwalter oder Einsteiger – unser Algorithmus ist darauf ausgelegt, Sie zu stärken.

Bei Fragen zu den oben genannten Themen oder zu PriceLabs im Allgemeinen wenden Sie sich gerne an unser Support-Team, das uns einbinden wird!

Beste Grüße,

Das Data-Science-Team von PriceLabs