Przegląd algorytmu Dynamic Pricing PriceLabs (część 1)

Odkryj sekrety najnowocześniejszego algorytmu Dynamic Pricing PriceLabs. Zgłęb temat – czeka Cię prawdziwa techniczna przygoda!

Poniższy dokument bywa nieco techniczny, ale pomoże Ci zrozumieć, co kryje się w 'czarnej skrzynce', z której pochodzą rekomendacje naszego Dynamic Pricing. Nie musisz tego czytać, aby wiedzieć, jak korzystać z PriceLabs, ale jeśli interesują Cię algorytmy – zapnij pasy!

Aby pomóc Ci nauczyć się korzystać z produktu, oferujemy codzienne sesje wdrożeniowe na żywo, filmy szkoleniowe na YouTube oraz szczegółową bazę wiedzy, które pomogą Ci efektywnie korzystać z PriceLabs. Jeśli jednak chcesz zgłębić temat matematycznie i dowiedzieć się, jak dokładnie obliczane są rekomendacje – ten artykuł jest dla Ciebie.

Uwaga: to techniczna lektura, zawierająca zagadnienia inżynieryjne, matematyczne i wykresy.

Sekret 1: Gromadzenie danych

Dane: nowa ropa naftowa!

Informacje o Twoim obiekcie pozyskujemy z systemu zarządzania nieruchomościami lub bezpośrednio z Airbnb / Vrbo, jeśli masz z nimi integrację. Te dane pomagają nam ustalić lokalizację Twojej oferty oraz jej parametry (np. liczbę sypialni i miejsc noclegowych), a także jej przyszłe ceny, historię rezerwacji i dostępność.

Wykorzystywanie danych rynkowych do ustalania cen Twoich obiektów leży u podstaw działania PriceLabs. Skanujemy różne portale rezerwacyjne oraz bezpośrednie źródła danych, aby zbudować spójny obraz tego, co dzieje się na rynku na całym świecie.

Obecnie skanujemy ponad 10 milionów pojedynczych jednostek z Airbnb, Vrbo i Booking.com.

Być może słyszałeś, że dane pozyskane metodą scrapingu nie są czyste, a przez to niezbyt dobre. Mówi się tak głównie dlatego, że mogą zawierać blokady właścicieli – przez co nie wiadomo, czy dany termin to rezerwacja, czy blokada. Stosujemy techniki logiki usuwania blokad, które pozwalają określić, czy dana rezerwacja w danych ze scrapingu jest blokadą, czy faktyczną rezerwacją. Przykłady obejmują między innymi blokady obowiązujące na całym rynku. Należą do nich długie rezerwacje z tą samą datą początkową i końcową w wielu ofertach, powtarzające się wzorce na poziomie pojedynczej oferty czy anomalie cenowe.

Sekret 2: Hiperlokalny zestaw porównawczy

Pobieranie danych o okolicy: diabeł tkwi w szczegółach!

Zauważyliśmy, że nawet oferty w tym samym mieście mogą charakteryzować się zupełnie innymi trendami rynkowymi w zależności od lokalizacji. Przekłada się to na odmienną sezonowość, inne wzorce dnia tygodnia i inne wydarzenia. Dlatego nasze modelowanie cen opiera się na danych hiperlokalnych, które pozwalają uchwycić trendy właściwe tylko dla niewielkiej grupy ofert w danej okolicy.

Przykład: Przyjrzyjmy się przykładowi dwóch dzielnic Chicago: Loop i Lincoln Park. Dzieli je zaledwie 4 km (2,5 mili). Jednak dane pokazują, że wzorce dnia tygodnia w obu dzielnicach są zupełnie inne. Wynika to głównie z tego, że Loop jest dzielnicą biznesową z większym popytem w środku tygodnia ze strony podróżujących służbowo. Lincoln Park z kolei przyciąga więcej turystów, ponieważ nie ma tam wielu biur.

Jak pobierane są dane dla dzielnicy Loop (na niebiesko) i Lincoln Park (na pomarańczowo) w Chicago przy użyciu kombinacji heksagonów H3 i dokładnego wyszukiwania w promieniu (na czerwono).

Przykład: Spójrzmy teraz na St. Augustine na Florydzie. Tym razem porównujemy dzielnice Beach i Old Town. Mimo że dzieli je zaledwie 8 km (5 mil), ich sezonowość jest zupełnie inna.

Jak pobierane są dane dla dzielnicy Beach (na niebiesko) i Old Town (na pomarańczowo) w St. Augustine przy użyciu kombinacji heksagonów H3 i dokładnego wyszukiwania w promieniu (na czerwono).

Jak widać na wykresie poniżej, w dzielnicy Old Town szczyt sezonu przypada na Boże Narodzenie, a w dzielnicy Beach – latem.

Powyższe przykłady i wiele innych skłoniły nas do stworzenia nowego algorytmu cenowego – Hyper Local Pulse (HLP).

Obecnie, ustalając cenę dla konkretnego obiektu, analizujemy hiperlokalny rynek na Airbnb lub Vrbo. Definiujemy go jako 350 podobnych wielkością ofert w pobliżu, w promieniu maksymalnie 15 km. Rzeczywisty promień jest ustalany dynamicznie.

Pedro, starszy specjalista ds. data science, mówi: 'Sercem wszystkiego, co robimy w PriceLabs, są wysokiej jakości dane. Jednak samo posiadanie danych na niewiele się zda, jeśli nie można ich błyskawicznie przeszukiwać i wyszukiwać w nich trendów. Naszym najtrudniejszym wymaganiem inżynieryjnym jest to, by dane były aktualizowane niemal w czasie rzeczywistym i odzwierciedlały bieżący stan hiperlokalnego zestawu porównawczego danego obiektu. Zaktualizowane dane oznaczają bowiem, że nasz algorytm może szybko reagować na zmiany rynkowe. Dzięki H3 niemal natychmiast uwzględniamy nowe oferty w naszym zbiorze danych.'

Początkowo tworzyliśmy hiperlokalne zestawy porównawcze, korzystając z indeksu Ball Tree o niskim opóźnieniu, ale przetwarzanego wsadowo, co powodowało pewne opóźnienia w naszych danych. Ostatecznie zastąpiliśmy to rozwiązanie indeksami H3. H3 to system dyskretnej globalnej siatki opracowany przez Ubera. Pozwala on nam skutecznie zawężać przestrzeń wyszukiwania przed rozwiązaniem problemu K najbliższych sąsiadów (KNN). Dzięki tej strategii możemy zagwarantować, że wyszukiwanie odbywa się zawsze na najlepszych dostępnych danych.

Dążąc do coraz dokładniejszych wniosków cenowych, zauważyliśmy, że różne dzielnice w obrębie tego samego miasta mogą wykazywać unikalne trendy rynkowe dla obiektów. Aby to uwzględnić, wprowadziliśmy innowacyjny algorytm cenowy – Hyper Local Pulse (HLP). HLP opiera się na danych hiperlokalnych, co pozwala nam uchwycić odrębne trendy w obrębie niewielkich grup ofert. Rynek hiperlokalny definiujemy jako 350 podobnych wielkością ofert w pobliżu, w promieniu dynamicznie ustalanym do 15 km. Wykorzystujemy przy tym heksagony H3, aby zapewnić aktualizację danych w czasie rzeczywistym. To podejście zastąpiło naszą poprzednią metodę, zapewniając bardziej precyzyjne i aktualne informacje cenowe dla obiektów.

Sekret 3: Prognozowanie popytu

Poza zgadywanie: wykorzystaj moc data science.

Prognozowanie to fascynujące zagadnienie, które leży u podstaw naszych rekomendacji cen dynamicznych. Kiedy prognozujemy, podchodzimy do tego naukowo, zadając sobie pytanie: 'Co zrobiłby Revenue Manager?'.

Przyjrzyjmy się poniższemu obrazowi przedstawiającemu krzywe rezerwacyjne dla Lake Como (Włochy) – każda linia reprezentuje tu ewolucję obłożenia dla danej daty w przeszłości. Jak można się spodziewać, każda data ma inną krzywą rezerwacyjną.

Ostateczne obłożenie każdej daty widać po prawej stronie wykresu, gdzie waha się ono od 15% do 85%. Niektóre daty nie wykazują żadnego obłożenia jeszcze 150 dni wcześniej, podczas gdy inne zaczynają wykazywać obłożenie nawet 300 dni wcześniej. Choć każda data ma inną krzywą rezerwacyjną, niektóre z nich są 'zgrupowane' i wykazują podobne wzorce rezerwacji.

Prognozując popyt na datę w przyszłości – 'datę przyszłą' (df) – pierwszą zagadką do rozwiązania jest znalezienie przeszłych 'dat referencyjnych' (dr1,..,drk), których trendy rezerwacji ma naśladować data przyszła. Istnieje wiele sposobów wyboru dat referencyjnych, na przykład:

1. Ten sam sezon
2. Ten sam dzień tygodnia
3. Daty świąteczne lub daty wydarzeń,
4. a nawet wyniki podobieństwa obliczane na podstawie kształtu krzywej rezerwacji na dziś dzień.

To ogromne przedsięwzięcie z zakresu data science, zwłaszcza w skali działania PriceLabs. Eksperymenty zajęły nam kilka miesięcy, zanim znaleźliśmy właściwą kombinację i odpowiednią datę referencyjną. To właśnie naukowa strona prognozowania niczym z kryształowej kuli!

Wykorzystujemy daty referencyjne, aby zrozumieć, jak powinna przebiegać rezerwacja daty przyszłej.

Wielu menedżerów przychodów rozumie tę część procesu, choć jest ona niezwykle czasochłonna. Zadanie staje się łatwiejsze, zwłaszcza gdy dysponujemy danymi z poprzedniego roku dla danej oferty lub rynku.

Kolejny etap to ciągłe doprecyzowywanie prognozy – reaktywna część procesu, odzwierciedlająca to, co dzieje się na rynku. W miarę zbliżania się daty przyszłej do daty pobytu, korzystamy z dwóch podstawowych wskaźników zarządzania przychodami, aby dostosować prognozę: Tempa rezerwacji i Przyrostu.

• Tempo rezerwacji oznacza bieżące obłożenie daty przyszłej w porównaniu z naszymi datami referencyjnymi przy tym samym oknie rezerwacji. Można o tym myśleć jak o 'prędkości' – czy rezerwuję szybciej, czy wolniej niż w przeszłości?
• Przyrost oznacza, jak szybko (lub wolno) napływają obecnie rezerwacje. Można o tym myśleć jak o 'przyspieszeniu'. Tempo rezerwacji może być wolniejsze niż w przeszłości, ale ostatnio otrzymujemy dużo rezerwacji, dzięki czemu wkrótce możemy przewyższyć obłożenie z daty referencyjnej.

Z matematycznego punktu widzenia prognoza dla danej daty jest funkcją ostatecznej krzywej rezerwacji naszych dat referencyjnych oraz krzywej rezerwacji daty przyszłej aż do dziś. Wielu menedżerów przychodów codziennie ręcznie analizuje powyższe wykresy, aby trafnie oszacować przyszłość.

Nasze algorytmy robią to na dużą skalę – codziennie, niezawodnie i automatycznie. Zamiast zgadywać, obliczamy, jak powinna wyglądać ta funkcja, aby błąd prognozy był jak najmniejszy.

Za każdym razem, gdy aktualizujemy stawki dla danej oferty, przetwarzamy około 1 miliona punktów danych. Jesteśmy z tego bardzo dumni, ponieważ wymaga to zaawansowanej inżynierii danych, aby robić to w czasie rzeczywistym.

Sekret 4: Elastyczność popytu

Prawdopodobnie znasz pojęcie elastyczności z WSJ, podcastu Freakonomics lub lekcji ekonomii.

Ekonomiści wykorzystują elastyczność popytu do mierzenia zmiany popytu, jakiej można się spodziewać po podniesieniu lub obniżeniu ceny. Ma to kluczowe znaczenie w procesach produkcyjnych – na przykład przy ustalaniu, ile samochodów wyprodukować. Samochody, towary czy miejsca w samolotach są zazwyczaj dostępne w dużych ilościach, a popyt oznacza wówczas liczbę jednostek, które można sprzedać.

Ale jak rozumiemy zmiany popytu na najmy wakacyjne w zależności od ceny? Każdy najem wakacyjny jest unikalny – można sprzedać daną noc albo nie (100% obłożenia albo 0% obłożenia).

9 lat temu, gdy tworzyliśmy nasz pierwszy algorytm, przegląd literatury doprowadził nas do pierwszego przełomowego wniosku: zamiast traktować jako popyt 'liczbę jednostek, które mają się sprzedać przy danej cenie', ten problem wymagał potraktowania popytu jako 'prawdopodobieństwa uzyskania rezerwacji' (PB) przy różnych cenach.

Prawdopodobieństwo uzyskania rezerwacji różni się dla każdej daty przy różnych poziomach cen; nawet dla danej daty zmienia się ono w czasie. Wraz ze zmianą prognozy popytu zmienia się także prawdopodobieństwo rezerwacji przy danej cenie.

Szacujemy elastyczność rynku dla każdej daty w przyszłości, ponieważ czynniki rynkowe, takie jak prognoza popytu, ceny rynkowe i wrażliwość popytu, różnią się dla każdej daty. Elastyczność rynku musi zostać przełożona na unikalną krzywą elastyczności Twojej oferty, która określa prawdopodobieństwo rezerwacji przy różnych cenach.

Poniższe wykresy pokazują, jak elastyczność może się zmieniać w zależności od wrażliwości rynku i prognozy popytu. Oba te czynniki zależą od tego, jak rynek zmienia się w danej dacie przyszłej. Wpływ cen rynkowych jest uwzględniony w skali osi x.

Prawdopodobieństwo rezerwacji jako funkcja wrażliwości rynku:Powyższy wykres pokazuje dwie estymacje prawdopodobieństwa rezerwacji – czerwona jest identyczna z pierwszą krzywą elastyczności pokazaną wcześniej. Dla porównania, niebieska krzywa przedstawia rynek bardziej wrażliwy na ceny, a więc o bardziej stromym nachyleniu przy cenach 'normalnych'. Nieznaczne obniżenie ceny względem ceny bazowej znacznie zwiększa szansę na rezerwację, a jej nieznaczne podniesienie znacznie ją zmniejsza. Dla każdego hiperlokalnego zestawu porównawczego i każdej daty przyszłej szacujemy odpowiednią wrażliwość cenową. Widać to wyraźnie na rynkach górskich, gdzie rynek jest znacznie mniej wrażliwy cenowo w sezonie narciarskim niż w sezonie letnim. Ogólna prognoza popytu pozostaje jednak podobna.

Prawdopodobieństwo rezerwacji jako funkcja prognozy popytu:Na tym wykresie czerwona linia pokazuje prawdopodobieństwo rezerwacji w zwykły dzień, a zielona krzywa – prawdopodobieństwo rezerwacji w dacie o wysokim popycie. Zwróć uwagę, że ogólne nachylenie wokół ceny 'normalnej' jest podobne, ale cała krzywa jest przesunięta w prawo. Oznacza to, że jeśli utrzymasz stałą cenę w dacie o wysokim popycie, prawdopodobieństwo uzyskania rezerwacji znacząco wzrośnie.

Zauważysz, że przy bardzo niskich cenach prawdopodobieństwo rezerwacji przestaje rosnąć. Innymi słowy, nawet obniżenie ceny niemal do zera nie gwarantuje rezerwacji! Wynika to z wielu czynników, a jednym z ważniejszych jest 'postrzegana wartość'. Towary (takie jak ropa naftowa) mają globalnie uznane standardy jakości, dlatego bardzo niskie ceny skutkują bardzo wysokim popytem.

Jednak domy wakacyjne nie mają standardowej miary jakości. Goście rezerwują je na podstawie postrzeganej jakości i jakości fizycznej (zdjęcia i udogodnienia). W takich przypadkach cena pełni funkcję sygnału jakości.

Dlatego, jeśli sprzedajesz bardzo tanio, możesz nie sprzedać każdej nocy (i zarobić znacznie mniej – zobaczymy to w dalszej części!). Te krzywe elastyczności pomagają nam oszacować, jak rynek zareaguje na zmiany cen w Twoim zestawie porównawczym dla każdej daty przyszłej.

Sekret 5: Maksymalizacja przychodu

Gdy znamy już prawdopodobieństwo rezerwacji danej daty przyszłej przy określonej cenie, cena optymalna P' to cena, która maksymalizuje 'oczekiwany przychód' (ER).

Możesz sięgnąć po dobry, stary podręcznik do rachunku różniczkowego i zróżniczkować powyższą funkcję oczekiwanego przychodu. Możesz też przeanalizować każdy możliwy poziom ceny, aby sprawdzić, który z nich maksymalizuje Twój 'oczekiwany przychód'.

Powyższy wykres pokazuje, że przy niskich poziomach cen prawdopodobieństwo rezerwacji jest wysokie, ale generujemy niewiele przychodu lub wcale. Z drugiej strony, przy bardzo wysokich cenach prawdopodobieństwo rezerwacji jest tak niskie, że znów nie zarobimy niczego. Optymalny punkt jest zaznaczony ramką, w której oczekiwany przychód osiąga szczyt.

W tej pierwszej części przeglądu algorytmu Dynamic Pricing omówiliśmy, jak PriceLabs oblicza ceny dla dowolnego dnia, jeden dzień na raz. Kolejnym wyzwaniem jest to, jak będą zmieniać się możliwości rezerwacji, a tym samym stawki. Załóżmy, że ustalamy cenę dla daty odległej o 365 dni – aby zoptymalizować przychód, ceny muszą być aktualizowane codziennie dla każdego z tych 365 dni w przyszłości. Oznacza to, że zamiast wyznaczać jedną optymalną cenę, trzeba wyznaczyć całą serię optymalnych cen w czasie, co skutkuje ciągiem decyzji cenowych.

To złożony problem do rozwiązania. Wykorzystujemy techniki programowania dynamicznego, aby sprostać wyzwaniu ustalania optymalnych cen w czasie. Uwzględniamy przy tym zmieniające się możliwości rezerwacji, częste korekty cen oraz ogromną liczbę możliwych kombinacji cenowych. Omawiamy to w części 2 tej serii artykułów na blogu.

Jeśli jesteś gotów, aby przekonać się o korzyściach płynących z cen dynamicznych, zapraszamy do wypróbowania PriceLabs – Rozpocznij swój darmowy okres próbny. Niezależnie od tego, czy jesteś doświadczonym menadżerem nieruchomości, czy dopiero zaczynasz, nasz algorytm został zaprojektowany, aby Cię wspierać.

Jeśli masz jakiekolwiek pytania dotyczące powyższych informacji lub PriceLabs ogólnie, skontaktuj się z naszym zespołem wsparcia – z pewnością przekażą je dalej do nas!

Wracamy do budowania,

Zespół Data Science PriceLabs