Überblick über den Dynamic Pricing Algorithmus von PriceLabs (Teil 1)

Entschlüsseln Sie die Geheimnisse von PriceLabs’ hochmodernem Dynamic Pricing Algorithmus. Tauchen Sie ein in die Tiefe – ein technisches Abenteuer wartet auf Sie!

Das folgende Dokument kann etwas technisch werden, aber es wird Ihnen helfen, die „Black Box“ zu verstehen, aus der unsere Dynamic Pricing Empfehlungen stammen. Sie müssen dies nicht lesen, um PriceLabs zu nutzen – aber wenn Sie sich für Algorithmen begeistern, schnallen Sie sich an!

Um Ihnen den Einstieg ins Produkt zu erleichtern, bieten wir tägliche Live-Onboarding-Sessions, Schulungsvideos auf YouTube und eine ausführliche Wissensdatenbank, die Ihnen helfen, PriceLabs effektiv zu nutzen. Wenn Sie jedoch technisch in die Welt der Mathematik eintauchen und verstehen möchten, wie unsere Empfehlungen berechnet werden – dann ist dies die richtige Lektüre für Sie.

Hinweis: Dies ist eine technische Lektüre mit Konzepten aus Ingenieurwesen, Mathematik und Grafiken.

Schritt 1: Datenerhebung

Daten: Das neue Gold!

Wir erhalten Informationen über Ihre Unterkunft aus Ihrem Immobilienverwaltungssystem oder direkt von Airbnb / Vrbo, wenn Sie diese direkt integrieren. Diese Daten helfen uns zu verstehen, wo sich Ihr Objekt befindet, objektbezogene Details (z. B. Anzahl der Schlafzimmer, Schlafplätze), zukünftige Preise, Buchungshistorie und Verfügbarkeit.

Die Nutzung von Marktdaten für die Preisgestaltung Ihrer Unterkünfte ist der Kern von PriceLabs. Wir analysieren verschiedene Buchungsportale und direkte Datenquellen, um ein einheitliches Bild davon zu erhalten, was weltweit passiert.

Derzeit analysieren wir über 10 Millionen einzelne Einheiten von Airbnb, Vrbo und Booking.com.

Möglicherweise haben Sie gehört, dass gescrapte Daten unzuverlässig und daher wenig nützlich sind. Dies liegt hauptsächlich daran, dass gescrapte Daten Eigentümerblockierungen enthalten können – sodass man nicht weiß, ob es sich um eine Buchung oder eine Blockierung handelt. Wir wenden Techniken zur Entfernung von Blockierungen an, um festzustellen, ob eine Buchung in gescrapten Daten eine Blockierung oder eine echte Buchung ist. Beispiele hierfür sind marktweite Sperren – lange Buchungen mit gleichem Start- und Enddatum für mehrere Objekte, wiederkehrende Muster auf Objektebene, Preisanomalien usw.

Schritt 2: Hyperlokale Vergleichsgruppe

Nachbarschaftsanalyse: Der Teufel steckt im Detail!

Wir haben festgestellt, dass selbst Objekte in derselben Stadt je nach Standort erheblich unterschiedliche Markttrends aufweisen können, was zu völlig unterschiedlicher Saisonalität, Wochentags-Mustern und Ereignissen führt. Deshalb konzentrieren wir unsere Modellierung auf hyperlokale Daten, die es uns ermöglichen, Trends zu erfassen, die potenziell einzigartig für eine kleine Gruppe von Objekten sind.

Beispiel: Betrachten wir zwei Chicagoer Stadtteile: Loop und Lincoln Park. Sie liegen nur 4 km (2,5 Meilen) voneinander entfernt. Doch wenn wir die Daten analysieren, sind die Wochentags-Muster für die beiden Stadtteile sehr unterschiedlich. Dies liegt hauptsächlich daran, dass das Chicago Loop das Geschäftsviertel ist, das unter der Woche eine stärkere Nachfrage von Geschäftsreisenden verzeichnet, während Lincoln Park mehr touristische Nachfrage anzieht, da es dort kaum Büros gibt.

Wie Daten für das Loop (in Blau) und Lincoln Park (in Orange) in Chicago mithilfe einer Kombination aus H3-Hexagonen und einer exakten Radiussuche (in Rot) abgerufen werden.

Beispiel: Betrachten wir nun St. Augustine, FL. Diesmal vergleichen wir den Strand und die Altstadt. Obwohl sie nur 8 km (5 Meilen) voneinander entfernt sind, ist die Saisonalität sehr unterschiedlich.

Wie Daten für den Strand (in Blau) und die Altstadt (in Orange) in St. Augustine mithilfe einer Kombination aus H3-Hexagonen und einer exakten Radiussuche (in Rot) abgerufen werden.

Wie im nachstehenden Diagramm zu sehen ist, hat das Altstadtgebiet eine Weihnachtsspitze, während das Strandgebiet eine Sommerspitze verzeichnet.

Die obigen Beispiele und viele weitere haben uns dazu veranlasst, unseren neuen Preisgestaltungs-Algorithmus Hyper Local Pulse (HLP) zu entwickeln.

Wir betrachten jetzt einen hyperlokalen Markt auf Airbnb oder Vrbo, um eine bestimmte Unterkunft zu bepreisen. Dieser wird durch 350 ähnlich große, nahegelegene Objekte in einem maximalen Radius von 15 km definiert – der tatsächliche Radius wird dynamisch bestimmt.

Von Pedro, Sr. Data Scientist: „Das Herzstück von allem, was wir bei PriceLabs tun, sind hochwertige Daten. Aber Daten zu haben ist nur dann nützlich, wenn man sie blitzschnell abfragen und Trends darin erkennen kann. Unsere anspruchsvollste Anforderung an das Data Engineering besteht darin, dass unsere Daten möglichst aktuell sein müssen, um den aktuellen Zustand der hyperlokalen Vergleichsgruppe eines Objekts widerzuspiegeln – denn aktuelle Daten bedeuten, dass unser Algorithmus schnell auf Marktveränderungen reagieren kann. Mit H3 integrieren wir neue Objekte nahezu in Echtzeit in unseren Datensatz.“

Zunächst haben wir das Problem der hyperlokalen Vergleichsgruppen gelöst, indem wir einen Ball Tree Index mit niedriger Latenz, aber Batch-Verarbeitung gehostet haben, was zu einer gewissen Verzögerung in unseren Daten führte. Letztendlich haben wir diese Lösung durch die Verwendung von H3-Indizes ersetzt. H3 ist ein diskretes globales Gittersystem, das Uber entwickelt hat und es uns ermöglicht, unseren Suchraum effizient einzugrenzen, bevor wir das K-Nearest-Neighbors (KNN)-Problem lösen. Mit dieser Strategie können wir garantieren, dass unsere Suche stets auf Basis der bestmöglichen Daten durchgeführt wird.

Bei unserem Streben nach präziseren Preiserkenntnissen haben wir festgestellt, dass verschiedene Stadtteile innerhalb derselben Stadt einzigartige Markttrends aufweisen können. Um diesem Problem zu begegnen, haben wir unseren innovativen Preisgestaltungs-Algorithmus Hyper Local Pulse (HLP) entwickelt. HLP konzentriert sich auf hyperlokale Daten und ermöglicht es uns, distinkte Trends innerhalb kleiner Gruppen von Objekten zu erfassen. Wir definieren einen hyperlokalen Markt als 350 ähnlich große, nahegelegene Objekte innerhalb eines dynamisch bestimmten Radius von bis zu 15 km, wobei H3-Hexagone für Echtzeit-Datenaktualisierungen sorgen. Dieser Ansatz hat unsere bisherige Methode ersetzt und liefert präzisere und aktuellere Preiserkenntnisse für Unterkünfte.

Schritt 3: Nachfrageprognose

Jenseits des Ratens: Nutzen Sie die Kraft der Datenwissenschaft.

Prognosen sind ein faszinierendes Problem und bilden den Kern unserer Dynamic Pricing Empfehlungen. Bei der Prognose verfolgen wir einen wissenschaftlichen Ansatz: „Was würde ein Revenue Manager tun?“

Betrachten wir das folgende Bild, das Buchungskurven für den Comer See (Italien) zeigt – jede Linie stellt hier die Belegungsentwicklung für ein vergangenes Datum dar. Wie Sie sich vorstellen können, hat jedes Datum eine andere Buchungskurve.

Die finale Belegung jedes Datums ist ganz rechts zu sehen, wo die Belegung zwischen 15 % und 85 % liegt. Bei manchen Daten zeigt sich 150 Tage im Voraus keine Belegung, während andere bereits 300 Tage im Voraus erste Buchungen verzeichnen. Obwohl jedes Datum eine andere Buchungskurve hat, sind einige „gebündelt“ und zeigen ähnliche Buchungsmuster.

Bei der Prognose der Nachfrage für ein zukünftiges Datum „zukünftiges Datum“ (df) besteht die erste Aufgabe darin, vergangene „Referenzdaten“ (dr1,..,drk) zu finden, deren Buchungstrends das zukünftige Datum voraussichtlich folgen wird. Es gibt viele Möglichkeiten zur Auswahl von Referenzdaten, z. B.:

1. Gleiche Saison
2. Gleicher Wochentag
3. Feiertage oder Veranstaltungsdaten,
4. und sogar Ähnlichkeitswerte, die anhand der Form der Buchungskurve bis heute berechnet werden.

Dies ist eine enorme datenwissenschaftliche Leistung, besonders in PriceLabs’ Größenordnung. Diese Experimente haben uns mehrere Monate gekostet, um die richtige Kombination und das richtige Referenzdatum zu finden. Das ist der wissenschaftliche Teil der Kristallkugel-Prognose!

Wir verwenden die Referenzdaten, um zu verstehen, wie ein zukünftiges Datum voraussichtlich gebucht werden wird.

Viele Revenue Manager beherrschen diesen Teil, obwohl er unglaublich zeitaufwendig ist. Die Aufgabe wird einfacher, besonders wenn Sie historische Daten für ein Objekt oder einen Markt aus dem Vorjahr haben.

Der nächste Schritt ist die kontinuierliche Verfeinerung der Prognose – der reaktive Teil dessen, was auf dem Markt passiert. Wenn das zukünftige Datum näher an das Aufenthaltsdatum heranrückt, verwenden wir zwei grundlegende Revenue-Management-Kennzahlen zur Anpassung unserer Prognose: Buchungstempo und Pickup.

• Buchungstempo stellt die aktuelle Belegung des zukünftigen Datums im Vergleich zu unseren Referenzdaten beim gleichen Buchungsfenster dar. Stellen Sie sich das als „Geschwindigkeit“ vor – buche ich schneller oder langsamer als in der Vergangenheit?
• Pickup stellt dar, wie schnell (oder langsam) Buchungen derzeit eingehen. Stellen Sie sich das als „Beschleunigung“ vor – wir könnten im Vergleich zur Vergangenheit zurückliegen, aber aktuell erhalten wir viele Buchungen und könnten die vergangene Referenzdatum-Belegung bald übertreffen.

Mathematisch gesehen ist die Prognose für ein Datum eine Funktion der endgültigen Buchungskurve unserer Referenzdaten und der Buchungskurve des zukünftigen Datums bis heute. Viele Revenue Manager analysieren die obigen Diagramme täglich manuell, um eine fundierte Schätzung der Zukunft zu erstellen.

Unsere Algorithmen tun dies in großem Maßstab – täglich, fehlerlos und automatisch. Anstatt zu raten, messen wir, wie die Funktion aussehen könnte, damit der Prognosefehler gering ist.

Wir verarbeiten jedes Mal, wenn wir die Preise eines Objekts aktualisieren, ungefähr 1 Million Datenpunkte. Wir sind sehr stolz darauf, da dies ein umfangreiches Data Engineering erfordert, um dies in Echtzeit durchzuführen.

Schritt 4: Nachfrageelastizität

Sie kennen wahrscheinlich den Begriff Elastizität aus dem WSJ, dem Freakonomics-Podcast oder dem Wirtschaftsunterricht.

Ökonomen nutzen die Nachfrageelastizität, um die Nachfrageänderung zu messen, die Sie erwarten können, wenn Sie den Preis nach oben oder unten anpassen. Sie ist entscheidend in Produktionsprozessen – zum Beispiel: wie viele Autos produziert werden sollen. Autos, Rohstoffe, Flugtickets usw. sind im Allgemeinen in großen Mengen verfügbar, und Nachfrage bedeutet in diesem Kontext generell, wie viele einzelne Einheiten verkauft werden können.

Aber wie verstehen wir, wie sich die Nachfrage nach Ferienvermietungen mit dem Preis verändert? Es gibt nur eine einzigartige Ferienvermietung – Sie können eine Nacht verkaufen oder nicht (100 % Belegung oder 0 % Belegung).

Vor 9 Jahren, als wir unseren ersten Algorithmus entwickelten, führte uns eine Literaturrecherche zu unserem ersten Aha-Erlebnis: Anstatt die „Anzahl der Einheiten, die zu einem bestimmten Preis voraussichtlich verkauft werden“ als Nachfrage zu verwenden, musste dieses Problem anders gedacht werden – nämlich als „Buchungswahrscheinlichkeit“ (BW) bei verschiedenen Preisen.

Die Buchungswahrscheinlichkeit variiert für jedes Datum bei verschiedenen Preispunkten; selbst für ein bestimmtes Datum ändert sie sich im Laufe der Zeit. Mit der Änderung der Nachfrageprognose ändert sich auch die Buchungswahrscheinlichkeit bei einem bestimmten Preis.

Wir schätzen die Marktelastizität für jedes zukünftige Datum, da die zugrunde liegenden Marktfaktoren wie Nachfrageprognose, Marktpreise und Nachfragesensitivität für jedes Datum unterschiedlich sind. Die Marktelastizität muss in die einzigartige Elastizitätskurve Ihres Objekts übersetzt werden, die Ihre Buchungswahrscheinlichkeit bei verschiedenen Preisen bestimmt.

Die nachstehenden Diagramme zeigen, wie die Elastizität je nach Marktsensitivität und Nachfrageprognose variieren kann, die beide davon abhängen, wie sich der Markt für ein zukünftiges Datum entwickelt. Der Einfluss der Marktpreise spiegelt sich in der Skalierung der x-Achse wider.

Buchungswahrscheinlichkeit als Funktion der Marktsensitivität:Das obige Diagramm zeigt zwei Schätzungen der Buchungswahrscheinlichkeit – die rote entspricht der ersten Elastizitätskurve, die wir oben gezeigt haben. Die blaue Kurve dagegen repräsentiert einen Markt, der preissensibler ist und daher bei „normalen“ Preisen einen steileren Abfall aufweist. Eine leichte Preissenkung gegenüber dem Basispreis erhöht die Buchungschancen erheblich, während eine leichte Erhöhung sie stark reduziert. Wir schätzen die richtige Preissensitivität für jede hyperlokale Vergleichsgruppe und jedes zukünftige Datum. Dies zeigt sich besonders deutlich in Bergmärkten, wo der Markt in der Skisaison deutlich weniger preissensitiv ist als im Sommer. Die Gesamtnachfrageprognose ist jedoch ähnlich.

Buchungswahrscheinlichkeit als Funktion der Nachfrageprognose:In diesem Diagramm zeigt die rote Linie die Buchungswahrscheinlichkeit an einem normalen Tag, während die grüne Kurve die Buchungswahrscheinlichkeit an einem nachfragestarken Datum darstellt. Beachten Sie, dass die Gesamtsteigung rund um den „normalen“ Preis ähnlich ist, die gesamte Kurve jedoch nach rechts verschoben ist. Das bedeutet: Wenn Sie Ihren Preis an einem nachfragestarken Datum konstant halten, steigt die Wahrscheinlichkeit einer deutlich höheren Belegung.

Sie werden feststellen, dass bei sehr niedrigen Preisen die Buchungswahrscheinlichkeit nicht weiter steigt. Mit anderen Worten: Selbst wenn der Preis nahezu auf 0 gesenkt wird, garantiert das keine Buchung! Dies liegt an mehreren Faktoren, aber ein wichtiger ist der „wahrgenommene Wert“. Rohstoffe (wie Öl) haben weltweit anerkannte Qualitätsstandards. Daher führen sehr niedrige Preise zu einer sehr hohen Nachfrage.

Ferienunterkünfte hingegen haben kein einheitliches Qualitätsmaß. Gäste buchen Unterkünfte basierend auf wahrgenommener und physischer Qualität (Fotos und Ausstattung). In solchen Szenarien fungiert der Preis als Qualitätssignal.

Wenn Sie also sehr günstig anbieten, werden Sie möglicherweise nicht jede Nacht verkaufen (und deutlich weniger verdienen – dazu kommen wir gleich!). Diese Elastizitätskurven helfen uns einzuschätzen, wie der Markt auf Preisänderungen innerhalb Ihrer Vergleichsgruppe für jedes zukünftige Datum reagieren wird.

Schritt 5: Umsatzmaximierung

Wenn Sie die Buchungswahrscheinlichkeit für ein zuk��nftiges Datum bei einem gegebenen Preis kennen, ist der optimale Preis P’ der Preis, der den „erwarteten Umsatz“ (EU) maximiert.

Sie können das gute alte Analysis-Lehrbuch verwenden, um die obige Funktion des erwarteten Umsatzes abzuleiten, oder jeden möglichen Preispunkt durcharbeiten und sehen, welcher Ihren „erwarteten Umsatz“ maximiert.

Das obige Diagramm zeigt, dass bei niedrigen Preispunkten die Buchungswahrscheinlichkeit hoch ist, aber kaum Einnahmen erzielt werden. Andererseits ist bei sehr hohen Preispunkten die Buchungswahrscheinlichkeit so gering, dass wieder keine Einnahmen erzielt werden. Der optimale Bereich ist durch das Kästchen hervorgehoben, wo der erwartete Umsatz seinen Höchststand erreicht.

In diesem ersten Teil des Dynamic Pricing Überblicks haben wir untersucht, wie PriceLabs die Preise für einen beliebigen Tag berechnet – einen Tag nach dem anderen. Die nächste Herausforderung besteht darin, wie sich Buchungsmöglichkeiten und damit die Preise entwickeln werden. Nehmen wir an, wir möchten ein Datum bepreisen, das 365 Tage entfernt liegt: Um den Umsatz zu optimieren, müssen die Preise täglich für jeden der 365 zukünftigen Tage aktualisiert werden. Das bedeutet, dass Sie anstatt eines einzigen optimalen Preises eine Reihe von optimalen Preisen über die Zeit hinweg bestimmen müssen, was zu einer Abfolge von Preisentscheidungen führt.

Dies ist ein komplexes Problem. Wir verwenden Dynamic-Programming-Techniken, um die Herausforderung der Festlegung optimaler Preise über die Zeit zu bewältigen – unter Berücksichtigung sich ändernder Buchungsmöglichkeiten, häufiger Preisanpassungen und der enormen Anzahl möglicher Preiskombinationen. Wir behandeln dies in Teil 2 dieser Blogserie.

Wenn Sie bereit sind, die Vorteile der dynamischen Preisgestaltung zu erleben, laden wir Sie ein, PriceLabs auszuprobieren – Starten Sie Ihre kostenlose Probe. Ob Sie ein erfahrener Immobilienverwalter sind oder gerade erst anfangen – unser Algorithmus ist darauf ausgelegt, Sie zu unterstützen.

Wenn Sie Fragen zum Obigen oder zu PriceLabs im Allgemeinen haben, wenden Sie sich bitte an unser Support-Team – wir helfen Ihnen gerne weiter!

Zurück ans Werk,

PriceLabs Data Science Team