Updated : ago 8, 2024
Desvende os segredos do algoritmo de Dynamic Pricing de ponta da PriceLabs. Mergulhe nas profundezas – uma aventura técnica o aguarda!
Na Parte 1 de nossa Visão geral do algoritmo de Dynamic Pricing, revelamos como calculamos os preços ideais para qualquer data futura, prevendo sua ocupação, estimando a probabilidade de reserva e encontrando o preço que maximiza a receita esperada.
A primeira parte explica por que os preços devem ser diferentes por estação, dia da semana, como o mercado está se saindo e se há um pico de demanda devido a um feriado ou evento. Se você ainda não leu a Parte 1 , recomendamos a leitura antes de se aprofundar neste artigo.
Chegamos agora à última parte do nosso algoritmo: Evolução da taxa, ou como os preços para uma data futura mudam ao longo do tempo. Existem duas razões principais pelas quais nossas recomendações de preços mudam ao longo do tempo.
Previsão em evolução: Nossa previsão para uma data futura pode mudar todos os dias à medida que obtemos novas informações. O gráfico abaixo mostra como nossa previsão para 14 de abril de 2023 no mercado de Phoenix evoluiu nos meses anteriores. Vemos um salto repentino na previsão após novembro de 2022. Taylor Swift anunciou suas datas da Eras Tour para Phoenix, AZ. Durante agosto a outubro de 2022, nossa previsão de mercado foi reduzida porque a área estava ficando atrás das tendências do ano anterior, captando os primeiros sinais da desaceleração da economia. Mas logo após o anúncio da Eras Tour, a tendência de ritmo se inverteu e nossa previsão aumentou cerca de 25%.
Nota: O gráfico que mostra a evolução mensal da previsão é meramente ilustrativo. O mecanismo de previsão que alimenta a dynamic pricing é executado diariamente.
Oportunidade de reserva restante: No exemplo acima, fica claro para quem quer que, à medida que a previsão aumentou após o anúncio das datas da turnê Eras, os preços ideais também devem subir. Mas é menos claro como as taxas devem evoluir se nossa previsão de demanda para uma data não mudar.
As próximas seções ajudam a construir a intuição sobre por que e como as tarifas devem evoluir à medida que nos aproximamos da data de estadia.
Por que os preços devem mudar com o prazo de entrega?
Nossos clientes costumam nos perguntar por que nossas recomendações de preços geralmente são altas para uma data muito distante e reduzidas ao longo do tempo.
Aprendemos no artigo anterior que a probabilidade de reservar para uma data futura está ligada à ocupação prevista.
Por exemplo, se a ocupação prevista for de 90% e nenhuma reserva tiver ocorrido.
Esperamos que 90 propriedades de 100 propriedades semelhantes sejam reservadas.
Nesse momento, podemos escolher um preço alto, já que a maioria das propriedades no mercado deve ser reservada.
Vamos avançar para 3 meses e dizer que 80 propriedades estão reservadas. O mercado está acelerando conforme o esperado e ainda estamos prevendo 90% de ocupação. Isso significa que, das 20 propriedades restantes, apenas 10 devem ser reservadas – uma probabilidade de 50% de reserva.
Embora as perspectivas gerais do mercado não tenham mudado (ainda esperamos 90% de ocupação), se a propriedade ainda não foi reservada, as chances de ela ser reservada agora, mantendo o mesmo preço, caíram. Portanto, podemos querer reduzir as taxas para aumentar a receita esperada.
Desbloqueio 7: Evolução da Taxa
Assim, precisamos introduzir o “lead time” no cálculo da probabilidade de reserva em diferentes faixas de preço.
Vamos usar outro exemplo para entender isso melhor. Considere um cenário em que:
- Podemos alterar os preços 3 vezes nas seguintes janelas de reserva – 360, 240 e 120 dias.
- Os preços podem ser 200, 400, 600, 800 ou 1000.
- Ninguém reserva com mais de 360 dias de antecedência.
- As probabilidades de reserva em cada janela de reserva estão na tabela abaixo.
Como observaremos – agora temos acesso à probabilidade de reserva em diferentes janelas de reserva. A probabilidade total de reserva a um preço pode ser derivada das probabilidades da janela de reserva individual.
Por exemplo, para um preço de 200 -> a probabilidade total de reserva pode ser calculada usando a fórmula abaixo
Cenário 1: só podemos definir preços uma vez
Vamos agora calcular a receita máxima esperada nos dois cenários abaixo.
Nesse caso, o preço de maximização da receita seria aquele em que a multiplicação das duas primeiras colunas (preço e probabilidade de reserva pelo preço) é a mais alta. O preço de US$ 600 fornece a maior receita esperada de US$ 300 (US$ 600*50%). Se pudéssemos definir um preço apenas uma vez, $ 600 é o que escolheríamos!
Cenário 2: podemos alterar os preços 3 vezes
Encontrar o conjunto ideal de preços pode ser computacionalmente desafiador, dada a sequência de decisões com múltiplas possibilidades e probabilidade condicional. Existem 5 preços possíveis para cada uma das três janelas de reserva. Isso faz com que o número total de possibilidades para explorar seja 5 * 5 * 5 = 125 possibilidades.
Agora imagine se tivéssemos os mesmos 5 e preços para a data futura que está a 360 dias de distância.
Mas agora podemos alterar o preço diariamente.
O número de possibilidades agora é 5 ^ 360.
Um número muito grande que é difícil até mesmo para os computadores mais rápidos resolverem!
A decisão mais fácil de explicar é a janela de reserva de 120 dias de preço. Aos 120 dias, o preço de maximização da receita pode ser calculado multiplicando os preços pela probabilidade de ser reservado com 120 dias de antecedência. Nesse caso, 400 é o preço de maximização de receita para essa janela.
Para a janela de reserva de 240 dias, não só temos que considerar a maximização da receita que pode ser obtida com a venda nessa janela, mas também a possibilidade de não vender e vender na janela de 0 a 120 dias. Não queremos vender por muito barato agora, quando podemos vender por US $ 400 no futuro. Otimizar isso pode ser um exercício complicado, mas, felizmente, essa é uma área bem estudada de otimização matemática. Resolvemos esse problema de computação usando a equação de Bellman.
Estamos fornecendo uma solução ideal para mostrar que a receita esperada é maior do que a que encontraríamos no Cenário 1.
O conjunto ideal de preços abaixo fornece uma receita esperada de US$ 303:
- 360 dias: definido para $800
- 240 dias: definido para $600
- 120 dias: definido para $400
O cenário 2 oferece uma receita esperada de US$ 303 em comparação com o cenário 1 com uma receita esperada de US$ 300. Assim, o cenário 2 tem um desempenho 1% melhor.
Embora o exemplo acima tenha mostrado um ganho de receita bastante modesto de 1% com a mudança de preços, nossos experimentos com dados reais mostram que os ganhos com o uso correto de descontos de última hora são de cerca de 9%. A diferença vem do fato de que nossos algoritmos não estão apenas alterando os preços 3 vezes por ano, mas fazendo isso todos os dias.
Observação: observaremos que o preço da janela de 0 a 120 dias tem um desconto no preço ideal do cenário 1, enquanto o preço da janela de 240 a 360 dias tem um prêmio no preço ideal do cenário 1. Nosso algoritmo calcula automaticamente isso conforme o lead time muda.
Aumentar os preços no último minuto?
Sim! O exemplo acima pressupõe que nossa previsão de demanda é conhecida no início e não muda. Na realidade, como vimos com o show da Era Taylor Swift, ou as economias desaceleram, muita coisa pode acontecer à medida que uma data se aproxima.
Os preços podem aumentar à medida que a data se aproxima se o mercado estiver subindo mais rápido do que nossa previsão. Também pode acontecer quando há uma diferença significativa na sensibilidade ao preço das reservas de última hora e antecipadas.
Por que as companhias aéreas fazem isso de maneira diferente?
Embora as companhias aéreas e os aluguéis de temporada façam parte da indústria de viagens, a dinâmica do mercado é muito diferente.
Os aluguéis de temporada estão perto da “concorrência perfeita” – para um hóspede em potencial, muitas opções estão disponíveis. Além disso, a propriedade dessas opções tende a ser bastante fragmentada – mesmo em mercados onde um grande gerente gerencia a maior parte do estoque, a receita de uma reserva em uma casa não é compartilhada com outro proprietário.
As companhias aéreas são um mercado oligopolista. Existem apenas algumas opções viáveis na maioria das rotas de uma cidade para outra. Além disso, quando consideramos as viagens de negócios de última hora, três fatores adicionais pesam – programas de fidelidade que significam que os viajantes têm maior probabilidade de escolher sua companhia aérea preferida; contratos de vendas corporativas que significam que grandes empresas reservam exclusivamente seus funcionários em tendas para suas companhias aéreas preferidas; e a sensibilidade ao preço geralmente mais baixa dos viajantes de negócios. Tudo isso significa que a decisão de maximizar a receita para as companhias aéreas é frequentemente manter os preços mais altos no último minuto, mesmo que isso signifique alguns assentos vazios. Ao contrário das casas, a receita total do avião é o que importa, não que cada assento maximize sua receita.
Os prêmios de longo prazo em aluguéis de temporada têm outra função importante: quando uma data está muito distante e o volume de reservas é baixo, há uma margem de erro inerente na previsão. Podemos fazer o nosso melhor com base nos dados disponíveis, mas muitos eventos podem afetar a demanda por uma data futura. Os prêmios distantes servem como uma proteção contra esses eventos, especialmente quando as datas estão longe o suficiente para que não haja muita demanda de qualquer maneira.
Nota final:
Definir preços dinâmicos para cada data futura não é um exercício único. Nossa equipe de ciência de dados descobriu que, mesmo quando a previsão é estável, os prêmios de extrema distância e os descontos de última hora dão um aumento de 11% na receita, em média.
PS: Temos alguns insights interessantes sobre como os descontos de última hora devem variar de acordo com o mercado e a estação – leia este blog.
Ao concluirmos nossa exploração do algoritmo de dynamic pricing , esperamos que este artigo tenha esclarecido o intrincado processo de otimização das tarifas de sua propriedade.
Se você está pronto para experimentar os benefícios da dynamic pricing, convidamos você a experimentar o PriceLabs – Comece sua avaliação gratuita.
Seja você um gerente de propriedade experiente ou apenas começando, nosso algoritmo foi projetado para capacitá-lo.
Se você tiver alguma dúvida sobre o acima ou sobre o PriceLabs em geral, entre em contato com nossa equipe de suporte e eles nos informarão!
Voltar ao prédio,
PriceLabs Equipe de Ciência de Dados
