Tout savoir sur l’algorithme de PriceLabs – Partie 1

Updated : Déc 12, 2023

Toutes les clés sur le fonctionnement de  l’algorithme de tarification dynamique PriceLabs, partie 1

Percez les secrets de l’algorithme de tarification dynamique de pointe de PriceLabs. Plongez dans les profondeurs – Une aventure technologique vous attend ! Bienvenue dans la partie 1 de notre introduction à l’algorithme de PriceLabs.

Le document ci-dessous est certes assez technique, mais il vous aidera à mieux comprendre cette véritable « boîte noire » qu’est notre solution de tarification dynamique PriceLabs. Il vous expliquera surtout d’où viennent nos recommandations de prix. Nul besoin de lire ce qui suit pour vous servir de notre outil, mais si vous souhaitez en apprendre davantage sur les algorithmes, attachez votre ceinture !

Pour savoir comment utiliser notre produit, nous avons des webinaires de démarrage, des vidéos de formation YouTube ainsi qu’une rubrique d’aide détaillée. Maintenant, si vous voulez approfondir vos connaissances techniques et que vous immerger dans un univers d’ingénierie, de concepts mathématiques, et autres graphiques ne vous fait pas peur, nous  vous souhaitons une excellente lecture.

Clé numéro 1 : collecter les données 

Les données : le nouvel or noir !

Nous obtenons des informations concernant votre propriété à partir de votre logiciel de gestion (PMS / Channel Manager) ou des plateformes telles qu’Airbnb ou VRBO, entre autres, dans le cas où vous les connectez directement. Ces données nous permettent de comprendre : 

• Où elle se situe géographiquement.
• Tous les détails de votre annonce (nombre de chambres, de personnes que vous pouvez héberger).  
• Ses tarifs à venir.
• Son historique de réservation. 
• Sa disponibilité.

L’utilisation des données du marché pour évaluer vos biens, tel est notre cœur de métier chez Pricelabs. Nous scannons aussi bien les différents portails de réservation que toutes les sources directes d’informations disponibles. Ceci, pour avoir une compréhension uniformisée de la location saisonnière,  dans le monde entier. Nous analysons actuellement plus de 10 millions d’hébergements individuels à disposition sur Airbnb, Vrbo et Booking.com. Nous avons également la chance de nous appuyer sur la mine de données en direct de notre partenaire Key Data, afin de nous rendre compte des tendances de réservations réelles.

Vous avez peut-être entendu dire que les données mises parfois de côté ne sont pas claires et donc inexploitables. Cela est dû au fait que certaines d’entre elles font référence à des copropriétés, comme des immeubles, par exemple. Impossible pour vous de savoir s’il s’agit d’un logement simple ou d’un bâtiment entier (ou bloc de réservation). Nous appliquons un procédé de suppression systématique de ces blocs pour déterminer à quoi font référence  ces données éliminées. Parmi elles on peut trouver : 

• Des réservations longues avec les mêmes dates d’arrivées et de départ.
• Des types d’annonces similaires et répétées.
• Des anomalies dans les prix.
• Etc.

Clé numéro 2 :  Fournir un compset hyper localisé

Vous concentrer sur votre quartier : le diable se cache dans les détails ! 

Force est pour nous de constater, que des demandes d’hébergement au sein d’une même ville, peuvent répondre à des tendances de marché significativement différentes en fonction de leur emplacement plus précis. Suivant le quartier, on peut retrouver des facteurs très différents :  

• une saisonnalité ; 
• des jours à plus ou moins forte demande ;  
• mais aussi des évènements se déroulant en particulier dans ce quartier.

C’est bien pour cela que notre outil de modélisation des prix se focalise sur des données hyper localisées. Ceci, dans l’optique de pouvoir vous donner les tendances relatives à un petit nombre d’annonces spécifiques. 

Exemple 1 : Prenons deux quartiers de Chicago, Loop et Lincoln Park. Ils ne sont qu’à quatre kilomètres l’un de l’autre. Pourtant, quand nous examinons les données de chacun d’entre eux, nous nous apercevons que les habitudes de réservation diffèrent. En effet, Loop étant un quartier d’affaires, les demandes se concentrent beaucoup plus sur les jours de semaine avec des voyageurs y séjournant pour le travail. Lincoln Park attire une clientèle plus touristique, puisqu’il n’y a pas énormément de bureaux dans le coin.   

Données récupérées pour le quartier du Loop (en bleu) et de Lincoln Park (en orange), à Chicago. Nous utilisons une combinaison d’hexagones H3 et de cercles d’analyses précis (en rouge).

Exemple 2 : À St. Augustine, en Floride, on peut s’apercevoir que, même si la zone de la plage et la vieille ville ne sont éloignées que de huit kilomètres, elles montrent des saisonnalités propres à chacune. 

Données récupérées pour la zone « plage » (en bleu) et la vieille ville (en orange), à St. Augustine. Nous utilisons une combinaison d’hexagones H3 et de cercles d’analyses précis (en rouge)

Comme le montre ce graphique ci-dessous, la vieille ville jouit d’un pic de réservations à Noël tandis que le quartier de la plage en bénéficie plutôt en été. 

Deux exemples parmi tant d’autres qui nous ont conduits à élaborer notre nouvel algorithme de tarification, Hyper Local Pulse (HLP).

Grâce à lui, nous analysons désormais les données de marché ultra localisées sur Airbnb ou Vrbo pour fixer le prix de votre propriété. Celui-ci est défini selon ceux de 350 biens de taille similaire et se trouvant dans un rayon maximum de 15 km autour du vôtre (ce rayon est déterminé de façon dynamique par notre algorithme).

Dixit Pedro, un analyste chevronné de notre équipe de data scientists : « La recherche des données de très haute qualité est au coeur de tout ce que nous faisons chez PriceLabs. Mais détenir ces données ne sert pas à grand-chose si vous ne pouvez pas en extraire toutes les informations pour dégager des tendances à la vitesse de l’éclair. Notre exigence la plus haute, en tant que que spécialistes de la gestion de ces données, est qu’elles se doivent d’être le plus alignées possible pour refléter, en temps réel, l’état de la concurrence locale d’une propriété, car cette mise à jour des données signifie que notre algorithme peut réagir rapidement aux changements du marché. Désormais, nous incorporons presque instantanément de nouvelles annonces à notre ensemble de données. »

Nous avons donc initialement créé des ensembles concurrentiels (les fameux compsets) en intégrant un Index Ball Tree à faible latence, mais traités par groupe. Cela a entraîné un certain décalage dans nos données. Nous avons finalement opté pour l’utilisation d’indices H3. Il s’agit d’un système de réseau mondial distinct que Uber a développé et qui nous permet de réduire significativement notre zone de recherche avant de pouvoir résoudre le problème de KNN ( K-Nearest Neighbors, algorithme plus proches voisins, en français) qui est un algorithme d’apprentissage supervisé permettant de définir des modèles de prédiction. En utilisant cette stratégie, nous sommes en mesure de vous garantir que nos recherches sont constamment effectuées sur les meilleures données disponibles. 

 Encadré  : Dans notre quête d’informations précises sur les prix, nous avons constaté que différents quartiers d’une même ville peuvent obéir à des orientations spécifiques du marché immobilier. C’est pour palier à ce problème que nous avons créé notre algorithme innovant HLP. En se focalisant sur des données très localisées, il nous donne la possibilité de dégager plusieurs tendances de réservations, même au sein d’un tout petit secteur. Pour définir ces marchés « hyper locaux » (analyse de 350 biens dans un rayon pouvant aller jusqu’à 15 km), nous nous servons des hexagones H3. Ils nous permettent d’assurer les mises à jour de données en temps réel.  Grâce à cette nouvelle approche, nous sommes certains de fournir des informations toujours plus précises sur les tarifs des biens.

Clé numéro 3 : Prévoir la demande

Au-delà des conjectures : Servez-vous du pouvoir de la science des données.

L’analyse prévisionnelle est un sujet fascinant qui est au centre de nos recommandations de dynamiques tarification. Nous sommes donc partisans d’une approche scientifique qui permet de nous mettre à la place d’un revenue manager.

Ci-dessous, voici les courbes de réservation pour le lac de Côme, en Italie. Chaque ligne représente l’évolution du taux d’occupation pour une date passée. Chaque date a donc une courbe différente. Le taux d’occupation final pour chaque date peut se voir à l’extrême droite du graphique. On peut constater que celui-ci varie de 15 à 85 %, suivant la date. Certaines d’entre elles ne sont d’ailleurs pas réservées du tout jusqu’à 150 jours avant l’arrivée, alors que d’autres le sont, à plus de 300 jours. Bien que chaque date présente une courbe distincte, certaines sont rassemblés, laissant entrevoir des « modèles » de réservation similaires.

Lors de l’élaboration d’une prévision de demande sur une date à venir (df), la première énigme à résoudre est de trouver des dates de références ( dr1, dr2, drn) présentant les mêmes tendances de réservation que la future date. Plusieurs caractéristiques peuvent être prises en compte : 

• Une même saison.
• Les mêmes jours de la semaine.
• Des périodes de vacances ou des événements notables.
• Des similitudes dans les taux obtenus et calculés par rapport à la forme des courbes de réservations. 

La science des données a donc pris une part considérable dans la mise en place de nos  prévisions chez PriceLabs. Nos expériences, étalées sur plusieurs mois, nous auront permis de trouver le bon mélange et établir de bonnes dates de référence. Nous sommes, en quelque sorte, l’explication scientifique des prédictions d’une boule de cristal.

Ces dates de référence servent à mettre en exergue les éléments par rapport auxquels une date future sera potentiellement réservée.

De nombreux revenue managers arrivent tant bien que mal à obtenir ce résultat, mais cela est susceptible de leur prendre un temps considérable. Cet exercice devient plus facile, dès lors que vous détenez les données du marché sur les réservations des années précédentes.

La prochaine étape consiste à affiner continuellement ces prévisions, afin d’être réactif par rapport aux fluctuations du marché. À mesure que la fenêtre de réservation se réduit et que le date de séjour approche, nous faisons entrer en jeu deux indicateurs fondamentaux dans la gestion des revenus : 

• Le rythme. Il représente l’occupation en cours sur une date à venir comparée aux dates de référence, dans la même fenêtre de réservation. En d’autres termes, cela  permet de répondre à la question : « est-ce que les réservations sur mon bien sont plus rapides ou plus lentes que par le passé ? » 
• La montée en charge. Elle traduit la vitesse à laquelle les réservations tombent. Il s’agit, en quelque sorte, de mesurer une accélération. Autrement dit : « même si j’ai du retard par rapport à certaines périodes passées, je bénéficie d’une augmentation significative des réservations, ce qui va me permettre de bientôt dépasser l’occupation de ma date référence antérieure ».

D’un point de vue mathématique, la prévision sur une date est une fonction de la courbe de réservation (BC, pour Booking Curve) finale de vos dates de référence et de celle correspondant aux dates de réservation à venir à partir d’aujourd’hui. Beaucoup de spécialistes en gestion des revenus analysent quotidiennement des graphiques comme ceux ci-dessus, afin de faire les projections les plus fiables qui soient.

Nos algorithmes font cela, mais à très grande échelle, chaque jour et de façon mécanique. Au lieu de faire des suppositions, nous évaluons très précisément ce à quoi peut ressembler cette fonction pour que le taux d’erreur de prévision soit le plus faible possible. 

Prévision (df) = F(BC (df), [BC (dr1), BC (dr2) … BC (drn)] )

Nous traitons environ 1 million de données à chaque mise à jour des taux d’un bien sur le marché. Nous en sommes extrêmement fiers, car cette gestion de pointe des données nous permet d’agir en temps réel. 

Clé numéro 4 : Comprendre l’élasticité-prix

Vous avez probablement entendu parler de cet indicateur dans vos cours d’économie, les pages saumon du Figaro ou bien en écoutant des podcasts dédiés.

Également appelée élasticité de la demande par rapport au prix, les économistes l’utilisent pour mesurer jusqu’ à quel point la demande peut varier lorsque vous ajustez vos prix à la hausse ou à la baisse. Elle a un rôle déterminant dans n’importe quel processus de production. Par exemple, dans le secteur automobile, il permet de savoir combien de véhicules faire sortir des usines. Ces biens de consommation, comme les produits de base ou les sièges d’avions, etc., sont, d’ordinaire, disponibles en grande quantité. La demande induit, de façon générale, le nombre d’unités qui pourront être vendues.

Mais alors, comment rapporter ce concept de changement de demande par rapport au tarif à l’industrie de la location saisonnière ? En effet, un bien est soit vide, soit habité (taux d’occupation égal à 0 ou à 100 %).

Il y a 9 ans, lorsque nous avons élaboré notre premier algorithme, nos recherches nous ont amenés à un premier « effet eurêka » :  au lieu d’utiliser le « nombre d’unités qui devraient être vendues à un prix spécifique » en tant que variable « demande » dans notre équation, nous devions la considérer comme une  « probabilité d’être réservé » (PB, pour booking probability) à des prix différents. 

Cette probabilité change pour chaque date et sur plusieurs niveaux de prix. même sur une date donnée, elle évolue au fil du temps. Au fur et à mesure que la prévision concernant la demande fluctue, la probabilité de réserver à un certain tarif, varie.

Nous évaluons donc l’élasticité du marché pour chaque date à venir. Nous considérons que les caractéristiques sous-jacentes de ce marché, telles que les prévisions et la sensibilité de la demande ou encore les prix pratiqués dans le secteur, diffèrent pour chaque date. Cette élasticité se traduit par une courbe spécifique à votre annonce. Elle détermine la probabilité de réservation pour chaque prix.

PBd (prix= p)=f(Prévision d, Prix du marché d, Sensibilité du marché d)

Les graphiques suivants montrent comment l’élasticité peut varier en fonction de la sensibilité du marché  et des prévisions de demande. Toutes deux dépendent de l’évolution de ce marché pour les prochaines dates de réservation. L’impact des prix du marché est absorbé par l’échelle donnée en abscisse.

Probabilité de réservation en fonction de la sensibilité du marché. Le graphique ci-dessus montre deux estimations d’une probabilité de réservation : 

• En rouge, elle est identique à celle du graphique précédent.
• En bleu, il s’agit d’une représentation du marché, plus sensible au prix. Vous constatez qu’elle a une pente plus raide sur des tarifs dits « normaux ». 

Diminuer un tantinet un prix par rapport à celui de base peut entraîner une probabilité beaucoup plus élevée de réservation. L’augmenter, ne serait-ce qu’un peu, peut réduire considérablement cette même probabilité. Chez PriceLabs, nous sommes capables d’estimer la sensibilité la plus juste de manière hyper localisée et sur chaque date de réservation potentielle. Cela semble évident pour le marché des locations en montagne, moins sensible au prix durant la saison de ski que pendant l’été. Néanmoins, les prévisions globales sont similaires.

Probabilité de réservation en fonction des prévisions de la demande. Nous voyons, ici : 

• En rouge, la courbe indiquant la probabilité de réservations pour un jour lambda. 
• En vert, celle montrant la probabilité pour une date à forte demande.

Vous notez des pentes similaires sur les deux courbes, mais que la verte est décalée vers la droite. Cela indique, qu’en maintenant un certaine stabilité de vos tarifs sur les dates à forte demande, vous augmentez de manière significative, la probabilité d’obtenir des réservations. 

Par ailleurs, vous pouvez remarquer qu’à très bas prix cette probabilité de réservation n’augmente pas nécessairement. Autrement dit, même si vous proposez un prix proche de 0, il ne vous garantit pas forcément un réservation. De multiples facteurs peuvent expliquer cela, notamment celui de « valeur perçue ». Certains produits de base (comme le pétrole) répondent à des normes de qualité connues de tous. Dans ce cas là, des prix bas n’entraînent pas une demande plus élevée.

Les locations de vacances, quant à elles, n’ont pas de standards officiels auxquels se référer. Les voyageurs réservent un hébergement en fonction de la qualité perçue et de la qualité matérielle (photos et équipements). Le prix peut donc agir, ici, comme un autre signal de valeur. En étant trop bon marché, vous ne réussirez peut-être pas à remplir toutes vos nuitées disponibles (et par conséquent, gagnerez beaucoup moins, mais nous verrons cela par la suite). Ces courbes d’élasticité vous aident donc à estimer comment le marché peut réagir aux changements de prix, dans votre zone de chalandise et toujours pour chacune des dates de réservation à venir.

Clé numéro 5 : Optimiser ses revenus

Si vous avez bien compris le concept de probabilité d’une réservation future à un prix donné, nous vous proposons d’introduire la notion de prix optimal (P’) qui est celui qui maximise les « revenus espérés » (ER pour expected revenue).

Libre à vous de compulser un bon vieux livre de calculs mathématiques pour résoudre la fonction ci-dessus. Ou alors, vous pouvez travailler sur chaque niveau de prix possible et voir lesquels optimisent vos revenus attendus.

Ce graphique montre, qu’à bas prix, la probabilité de réservation est élevée, mais ne rapporte pas ou peu d’argent. D’autre part, à des tarifs très hauts, cette probabilité est si faible que cela ne rapporte absolument rien. Le montant idéal est le point où les revenus espérés culminent.

Dans cette première partie de notre vue d’ensemble de l’outil de tarification dynamique de PriceLabs, nous avons donc exploré comment nous calculons les prix pour chaque jour donné. Notre prochain défi est de savoir, de la manière la plus précise, comment les possibilités de réservation et subséquemment les tarifs, évolueront dans le temps. Supposons que vous cherchiez à fixer le prix d’une nuitée un an à l’avance, pour optimiser vos revenus. Il est nécessaire de mettre à jour vos prix quotidiennement, pour chacun des 365 jours à venir. Cela signifie qu’au lieu de trouver un seul prix idéal, vous devez plutôt déterminer une série de prix optimaux au fur et à mesure du temps et résultant d’une succession de décisions tarifaires logiques.

Problème complexe à résoudre s’il en est, nous utilisons des techniques de programmation dynamique pour y arriver. Nous tenons compte de l’évolution des possibilités de réservation, mais également des ajustements fréquents et du grand nombre de combinaisons de prix envisageables. Nous détaillerons ces sujets dans la deuxième partie (lien vers partie 2) de cette série d’articles consacrés à notre algorithme.

Si vous désirez profiter des nombreux avantages liés à l’utilisation de la tarification dynamique, nous vous invitons à tester PriceLabs en vous rendant sur notre page vous offrant un essai gratuit. Que vous soyez un débutant ou un professionnel de l’immobilier chevronné, notre outil est conçu pour vous aider à prendre une part active dans la gestion de vos affaires.

Des questions sur tout ce que vous venez de lire ou sur PriceLabs en général ? N’hésitez pas à contacter notre équipe d’assistance qui nous fera immédiatement part de toutes vos interrogations.

En attendant, continuons à construire la meilleure des solutions.
L’équipe data science PriceLabs