Présentation de l'algorithme de Dynamic Pricing de PriceLabs (Partie 2)

Percez les secrets de l'algorithme de Dynamic Pricing de pointe de PriceLabs. Plongez dans les profondeurs – une aventure technique vous attend !

Dans la Partie 1 de notre présentation de l'algorithme de Dynamic Pricing, nous expliquons comment nous calculons les prix optimaux pour n'importe quelle date future en prévoyant son taux d'occupation, en estimant la probabilité de réservation et en trouvant le prix qui maximise le revenu attendu.

La première partie explique pourquoi les prix doivent varier selon la saison, le jour de la semaine, la dynamique du marché et la présence d'une hausse de la demande liée à un jour férié ou à un événement. Si vous n'avez pas encore lu la Partie 1, nous vous recommandons de la lire avant d'approfondir cet article.

Nous abordons maintenant la dernière partie de notre algorithme : l'Évolution des tarifs, ou comment les prix d'une date future évoluent dans le temps. Il existe deux raisons principales pour lesquelles nos recommandations de prix changent au fil du temps.

Évolution des prévisions : notre prévision pour une date future peut changer chaque jour à mesure que nous obtenons de nouvelles informations. Le graphique ci-dessous montre comment notre prévision pour le 14 avril 2023 sur le marché de Phoenix a évolué au cours des mois précédents. Nous observons un saut soudain de la prévision après novembre 2022. Taylor Swift a annoncé les dates de sa tournée Eras à Phoenix, AZ. D'août à octobre 2022, notre prévision de marché était en baisse car la zone accusait un retard par rapport aux tendances de l'année précédente, révélant les premiers signes d'un ralentissement économique. Mais peu après l'annonce de la tournée Eras, la tendance s'est inversée et notre prévision a bondi d'environ 25 %.

Remarque : le graphique illustrant l'évolution mensuelle des prévisions est fourni à titre indicatif uniquement. Le moteur de prévision qui alimente notre Dynamic Pricing s'exécute quotidiennement.

Opportunités de réservation restantes : dans l'exemple ci-dessus, il est évident que lorsque la prévision a bondi après l'annonce des dates de la tournée Eras, les prix optimaux auraient dû augmenter en conséquence. En revanche, il est moins clair comment les tarifs devraient évoluer si notre prévision de demande pour une date ne change pas.

Les sections suivantes aident à comprendre intuitivement pourquoi et comment les tarifs doivent évoluer à mesure que l'on se rapproche de la date de séjour.

Pourquoi les prix devraient-ils varier selon le délai avant la réservation ?

Nos clients nous demandent souvent pourquoi nos recommandations de prix sont généralement élevées pour des dates lointaines et diminuent avec le temps. Nous avons vu dans l'article précédent que la probabilité de réservation pour une date future est liée au taux d'occupation prévu.

Par exemple, si le taux d'occupation prévu est de 90 % et qu'aucune réservation n'a encore eu lieu, nous nous attendons à ce que 90 logements sur 100 similaires soient réservés. À ce stade, nous pouvons fixer un prix élevé, étant donné que la majorité des logements du marché sont censés être réservés.

Avançons maintenant à 3 mois avant la date : supposons que 80 logements sont désormais réservés. Le marché évolue comme prévu et nous prévoyons toujours un taux d'occupation de 90 %. Cela signifie que parmi les 20 logements restants, seuls 10 sont susceptibles d'être réservés – soit une probabilité de réservation de 50 %.

Bien que les perspectives globales du marché n'aient pas changé (nous prévoyons toujours un taux d'occupation de 90 %), si votre logement n'a pas encore été réservé, les chances qu'il le soit au même prix ont diminué. Il pourrait donc être judicieux de baisser les tarifs pour augmenter le revenu attendu.

Déverrouillage 7 : Évolution des tarifs

Nous devons donc introduire le « délai de réservation » dans le calcul de la probabilité de réservation à différents niveaux de prix.

Prenons un autre exemple pour mieux comprendre. Considérons un scénario dans lequel :

• Nous pouvons modifier les prix 3 fois selon les fenêtres de réservation suivantes – 360, 240 et 120 jours.
• Les prix peuvent être 200, 400, 600, 800 ou 1 000.
• Personne ne réserve plus de 360 jours à l'avance.
• Les probabilités de réservation à chaque fenêtre de réservation figurent dans le tableau ci-dessous.

Comme nous le constaterons – nous avons désormais accès à la probabilité de réservation dans différentes fenêtres de réservation. La probabilité totale de réservation à un prix donné peut être dérivée des probabilités individuelles par fenêtre de réservation.

Par exemple, pour un prix de 200, la probabilité totale de réservation peut être calculée à l'aide de la formule ci-dessous

Scénario 1 : nous ne pouvons fixer les prix qu'une seule fois

Calculons maintenant le revenu attendu maximal dans les deux scénarios ci-dessous.

Dans ce cas, le prix maximisant le revenu serait celui pour lequel la multiplication des deux premières colonnes (prix et probabilité de réservation à ce prix) est la plus élevée. Le niveau de prix de 600 € offre le revenu attendu le plus élevé de 300 € (600 € × 50 %). Si nous n'avions le droit de fixer un prix qu'une seule fois, nous opterions pour 600 € !

Scénario 2 : nous pouvons modifier les prix 3 fois

Trouver l'ensemble optimal de prix peut s'avérer complexe sur le plan computationnel, compte tenu de la séquence de décisions avec de multiples possibilités et des probabilités conditionnelles. Il y a 5 prix possibles pour chacune des trois fenêtres de réservation, ce qui donne un total de 5 × 5 × 5 = 125 possibilités à explorer.

Imaginez maintenant que nous ayons les mêmes 5 prix pour une date future située à 360 jours. Mais cette fois, nous pouvons modifier le prix quotidiennement. Le nombre de possibilités est alors de 5^360. Un nombre tellement grand qu'il serait difficile à résoudre même pour les ordinateurs les plus rapides !

La décision la plus simple à expliquer est le prix pour la fenêtre de réservation à 120 jours. À 120 jours, le prix maximisant le revenu peut être calculé en multipliant les prix par la probabilité d'être réservé à 120 jours. Dans ce cas, 400 est le prix maximisant le revenu pour cette fenêtre.

Pour la fenêtre de réservation à 240 jours, nous devons non seulement chercher à maximiser le revenu réalisable sur cette fenêtre, mais aussi tenir compte de la possibilité de ne pas vendre et de vendre dans la fenêtre 0-120 jours. Nous ne voulons pas vendre trop bon marché maintenant si nous pouvons potentiellement vendre à 400 € plus tard. L'optimisation de cette décision peut être un exercice complexe, mais heureusement, il s'agit d'un domaine bien étudié de l'optimisation mathématique. Nous résolvons ce problème computationnel grâce à l'équation de Bellman.

Nous présentons une solution optimale pour montrer que le revenu attendu est supérieur à celui que nous trouverions dans le Scénario 1.

L'ensemble optimal de prix ci-dessous génère un revenu attendu de 303 € :

• À 360 jours : fixé à 800 €
• À 240 jours : fixé à 600 €
• À 120 jours : fixé à 400 €

Le Scénario 2 génère un revenu attendu de 303 € contre 300 € pour le Scénario 1. Le Scénario 2 est donc 1 % plus performant.

Si l'exemple ci-dessus montre un gain de revenu assez modeste de 1 % grâce à la modification des prix, nos expériences avec des données réelles montrent que les gains liés à une bonne utilisation des réductions de dernière minute sont d'environ 9 %. Cette différence s'explique par le fait que nos algorithmes ne modifient pas les prix 3 fois par an, mais le font chaque jour.

Remarque : nous constaterons que le prix pour la fenêtre 0-120 jours présente une réduction par rapport au prix optimal du Scénario 1, tandis que le prix pour la fenêtre 240-360 jours présente une majoration par rapport au prix optimal du Scénario 1. Notre algorithme calcule automatiquement ces ajustements à mesure que le délai de réservation évolue.

Augmenter les prix à la dernière minute ?

Oui ! L'exemple ci-dessus suppose que notre prévision de demande est connue dès le début et ne change pas. En réalité, comme nous l'avons vu avec le concert de la tournée Eras de Taylor Swift, ou lorsque les économies ralentissent, beaucoup de choses peuvent se produire à l'approche d'une date.

Les prix peuvent augmenter à l'approche d'une date si le marché enregistre des réservations plus rapidement que notre prévision. Cela peut aussi se produire en cas de différence significative dans la sensibilité aux prix entre les réservations de dernière minute et les réservations anticipées.

Pourquoi les compagnies aériennes fonctionnent-elles différemment ?

Bien que les compagnies aériennes et les locations de vacances fassent toutes deux partie du secteur du voyage, les dynamiques de marché sont très différentes.

Les locations de vacances s'apparentent à une « concurrence parfaite » : un voyageur potentiel dispose de nombreuses options. De plus, la propriété de ces options tend à être assez fragmentée – même sur des marchés où un grand gestionnaire contrôle la majorité de l'offre, le revenu d'une réservation sur un logement n'est pas partagé avec un autre propriétaire.

Les compagnies aériennes opèrent sur un marché oligopolistique. Il n'existe que quelques options viables sur la plupart des liaisons entre deux villes. De plus, si l'on tient compte des voyages d'affaires de dernière minute, trois facteurs supplémentaires entrent en jeu : les programmes de fidélité qui incitent les voyageurs à choisir leur compagnie préférée ; les contrats commerciaux d'entreprise qui obligent les grandes sociétés à réserver leurs employés exclusivement sur leurs compagnies préférées ; et la sensibilité généralement plus faible aux prix des voyageurs d'affaires. Tout cela signifie que la décision maximisant le revenu pour les compagnies aériennes est souvent de maintenir des prix élevés à la dernière minute, même au risque de quelques sièges vides. Contrairement aux logements, c'est le revenu total de l'avion qui compte, et non que chaque siège maximise son propre revenu.

Les majorations tarifaires pour les dates lointaines dans les locations de vacances remplissent une autre fonction importante : lorsqu'une date est très éloignée et que le volume de réservations est faible, il existe une marge d'erreur inhérente dans la prévision. Nous pouvons faire de notre mieux avec les données disponibles, mais de nombreux événements peuvent influencer la demande pour une date future. Ces majorations constituent une couverture contre de tels événements, surtout lorsque les dates sont suffisamment lointaines pour que la demande soit encore très limitée.

Note finale :

Rendre les prix dynamiques pour chaque date future n'est pas un exercice ponctuel. Notre équipe de Data Science a constaté que, même lorsque les prévisions sont stables, les bonnes majorations pour les dates lointaines et les réductions de dernière minute apportent en moyenne un gain de revenu de 11 %.

PS : Nous avons des insights intéressants sur la façon dont les réductions de dernière minute devraient varier selon le marché et la saison – lisez ce billet de blog.

Alors que nous concluons notre exploration de l'algorithme de Dynamic Pricing, nous espérons que cet article a mis en lumière le processus complexe d'optimisation des tarifs de votre logement. Si vous êtes prêt à bénéficier du Dynamic Pricing, nous vous invitons à essayer PriceLabs – Commencez votre essai gratuit. Que vous soyez un gestionnaire de logements expérimenté ou que vous débutiez, notre algorithme est conçu pour vous donner les moyens d'agir.

Si vous avez des questions sur ce qui précède ou sur PriceLabs en général, n'hésitez pas à contacter notre équipe d'assistance, qui nous transmettra votre demande !

À bientôt,

L'équipe Data Science de PriceLabs