PriceLabsのダイナミックプライシングアルゴリズム概要（第2部）

PriceLabsの最先端ダイナミックプライシングアルゴリズムの秘密に迫ります。技術的な深みへ — テクニカルな探求が待っています！

ダイナミックプライシングアルゴリズム概要の第1部では、将来の任意の日付における最適価格の算出方法を解説しました。稼働率を予測し、予約確率を推定し、期待収益を最大化する価格を求めるプロセスです。

第1部では、季節・曜日・市場の予約ペース・祝日やイベントによる需要急増によって価格が変わる理由を解説しています。まだ第1部をお読みでない方は、第1部を先にお読みいただくことをおすすめします。

今回はアルゴリズムの最終パート、料金推移について解説します。将来の日付に対する価格が時間とともにどう変化するか、その2つの主な理由をご説明します。

予測の変化：新しい情報が得られるたびに、将来の日付に対する予測は日々更新されます。下のグラフは、フェニックス市場における2023年4月14日の予測が、直前の数ヶ月でどのように推移したかを示しています。2022年11月以降、予測が急上昇しているのがわかります。テイラー・スウィフトがフェニックス公演のEras Tourの日程を発表したためです。2022年8月〜10月にかけて、市場予測は低下していました。対前年比で予約ペースが遅れており、景気減速の初期兆候を捉えていたからです。しかしEras Tour発表直後にペースが回転し、予測は約25%上昇しました。

注：予測の月次推移グラフはあくまで説明用のイメージです。ダイナミックプライシングを支える予測エンジンは毎日稼働しています。

残余予約機会：上の例では、Eras Tourの日程発表後に予測が急上昇したため、最適価格も引き上げるべきであることは明白です。一方、需要予測が変わらない場合に料金がどう推移すべきかは、必ずしも明確ではありません。

以降のセクションでは、宿泊日が近づくにつれて料金がなぜ・どのように変化すべきかの考え方を解説します。

なぜリードタイムによって価格は変わるのか？

お客様からよくいただくご質問に、「なぜ遠い将来の日付の推奨価格が高く、時間が経つと下がるのか」というものがあります。前回の記事でご説明したとおり、将来の日付における予約確率は予測稼働率と連動しています。

例えば、予測稼働率が90%で予約がまだ入っていない場合、類似物件100件のうち90件が予約されると予想されます。この時点では、市場のほとんどの物件が予約される見込みがあるため、高い価格設定が可能です。

3ヶ月後に80件の予約が入ったとしましょう。市場は予想どおりのペースで推移しており、稼働率90%の予測を維持しています。このとき残り20件のうち予約が入るのは10件のみ、つまり予約確率50%となります。

市場全体の見通しは変わっていない（稼働率90%予測が継続）としても、まだ予約が入っていない物件では、同じ価格を維持したままでは予約される確率が下がっています。そのため、期待収益を高めるために料金を引き下げる判断が有効になります。

アンロック 7：料金推移

そのため、さまざまな価格帯における予約確率の計算に「リードタイム」の概念を導入する必要があります。

具体的な例でこれを理解しましょう。次のシナリオを考えてみてください：

• 価格変更は360日前・240日前・120日前の3回です。
• 価格は200、400、600、800、1000のいずれかです。
• 360日前より早い予約はありません。
• 各予約リードタイムにおける予約確率は下の表のとおりです。

わかるとおり、各予約リードタイムにおける予約確率が把握できます。ある価格での総予約確率は、各予約リードタイムの予約確率を組み合わせて導出できます。

例えば価格200の場合、総予約確率は以下の計算式で求められます。

シナリオ1：価格設定は1回のみ

以下の2つのシナリオで期待収益を最大化する計算をしてみましょう。

この場合、収益を最大化する価格は、最初の2列（価格と予約確率）の積が最大になるものです。$600の価格では最高の期待収益$300（$600×50%）が得られます。価格設定が1回しかできないなら、$600が最適です！

シナリオ2：価格変更を3回行う

複数の可能性と条件付き確率を考慮した一連の意思決定により、最適な価格の組み合わせを見つけるのは計算上の難題です。3つの予約リードタイムごとに5つの価格候補があるため、探索すべき組み合わせは5×5×5＝125通りになります。

同じ5つの価格候補を360日先の将来日付に適用し、毎日価格を変更できるとしたらどうでしょう。この場合の可能な組み合わせは5の360乗。最速のコンピューターでも解くのが困難な膨大な数です。

最もわかりやすいのは120日前の予約リードタイムの価格決定です。120日前の収益最大化価格は、各価格と予約確率の積を計算することで求めます。このウィンドウでは400が収益を最大化する価格です。

240日前の予約リードタイムでは、そのウィンドウで売れる収益を最大化するだけでなく、売れなかった場合に0〜120日ウィンドウで販売できる可能性も考慮する必要があります。将来$400で販売できる可能性があるのに、今安く売りすぎたくはありません。この最適化は複雑な作業ですが、幸い数理最適化の分野ではよく研究されているテーマです。この計算問題を解くためにベルマン方程式を使用しています。

期待収益がシナリオ1を上回ることを示すための最適解を提示します。

以下の最適価格の組み合わせで期待収益$303が得られます：

• 360日前：$800に設定
• 240日前：$600に設定
• 120日前：$400に設定

シナリオ2の期待収益は$303で、シナリオ1の$300を上回ります。シナリオ2は1%優れた結果を出します。

上の例では価格変更による収益増加は控えめな1%でしたが、実際のデータを用いた実験では、直前割引を適切に活用することで約9%の収益向上が見込めます。この差は、アルゴリズムが年3回ではなく毎日価格を最適化しているためです。

注：0〜120日ウィンドウの価格はシナリオ1の最適価格より割引になっており、240〜360日ウィンドウの価格はシナリオ1の最適価格よりプレミアムになっています。リードタイムの変化に応じて、アルゴリズムが自動的にこれらを算出します。

直前に価格を引き上げる？

はい！上記の例では需要予測が最初から既知で変化しないと仮定しています。しかし現実には、テイラー・スウィフトのErasツアーのケースや景気の変動のように、日付が近づくにつれて多くのことが起こりえます。

市場の予約ペースが予測より速い場合、日付が近づくにつれて価格が上昇することがあります。直前予約と早期予約の価格感度に大きな差がある場合も同様です。

なぜ航空会社は異なるアプローチをとるのか？

航空会社とバケーションレンタルはともに旅行業界に属していますが、市場の構造は大きく異なります。

バケーションレンタルは「完全競争」に近い市場です。宿泊者には多くの選択肢があります。さらに、これらの物件のオーナーシップは分散している傾向があります。大手管理会社が大半の在庫を管理している市場でも、1件の予約収益は他のオーナーとは共有されません。

航空会社は寡占市場です。ほとんどの路線で選べる航空会社は限られています。加えて、直前のビジネス出張を考慮すると3つの追加要因が働きます。ロイヤルティプログラムにより乗客は自分が好む航空会社を選びやすくなっています。大企業との契約により��従業員を特定の航空会社に限定して予約させる場合があります。また、ビジネス旅行者は一般的に価格感度が低いです。これらの要因が重なり、航空会社では直前でも高い価格を維持する方が収益最大化につながることが多く、多少空席が出ても問題ありません。住宅と違い、機体全体の収益が重要であり、各座席が個別に収益を最大化する必要はありません。

バケーションレンタルにおける早期予約プレミアムには別の重要な機能もあります。日付が遠い場合は予約数が少なく、予測に誤差が生じる余地があります。入手可能なデータに基づいて最善を尽くしますが、将来の需要に影響するイベントは多くあります。早期予約プレミアムはそのようなリスクへのヘッジとして機能します。特に日程が十分遠く、そもそも需要自体もほとんど発生していない時期には有効です。

まとめ：

将来の各日程に対してダイナミックな価格設定を行うことは、一度きりの作業ではありません。PriceLabsのデータサイエンスチームは、予測が安定している場合でも、適切な早期予約プレミアムと直前割引を組み合わせることで平均11%の収益向上が実現できると確認しています。

PS：直前割引が市場・季節によってどう変わるべきかについて、興味深いインサイトをご紹介しています — こちらのブログをお読みください。

ダイナミックプライシングアルゴリズムの探求を終えるにあたり、この記事が物件の料金最適化プロセスへの理解を深める助けになれば幸いです。ダイナミックプライシングのメリットを体験する準備ができたら、ぜひPriceLabsをお試しください — 無料トライアルを開始する。ベテランの物件管理者の方にも、これから始める方にも、PriceLabsのアルゴリズムは最適な収益管理を実現するために設計されています。

PriceLabsや上記の内容についてご質問がございましたら、サポートチームまでお気軽にご連絡ください。担当者がご対応いたします！

引き続き開発に邁進しています。

PriceLabsデータサイエンスチーム