Updated: agosto 6, 2024
Descubre los secretos vanguardista del algoritmo de Dynamic Pricing de Pricelabs. Sumérgete: ¡te espera una aventura técnica!
El documento a continuación puede ser un poco técnico, pero te ayudará a comprender la “caja negra” de donden vienen nuestras recomendaciones sobre Dynamic Pricing. No es necesario que leas esto para entender cómo se utiliza PriceLabs, pero si te quieres aprender sobre los algoritmos… ¡ponte las pilas!
Para ayudarte aprender a usar este producto, tenemos de capacitaciones diarias en vivo, vídeos en YouTube y una base de conocimientos detallada que te ayudará a utilizar Pricelabs. Pero si quieres ponerte técnico y sumergirte en el mundo de las matemáticas para entender cómo se calculan las recomendaciones, esta lectura será perfecta para tí.
Advertencia: Es una lectura técnica con algo de ingeniería y conceptos matemáticos y gráficos.
Desbloqueo 1: Colección de Datos
Los datos: ¡El nuevo petróleo!
Obtenemos información sobre tu propiedad del sistema de gestión de propiedades o de Airbnb / Vrbo si los integra directamente. Estos datos nos ayudan a saber dónde se encuentra tu listado, los detalles relacionados con el listado (por ejemplo, el número de habitaciones, cuántas personas se hospedan), tus precios futuros, tu historial de reservas y tu disponibilidad.
La base de PriceLabs es el uso los datos de mercado para fijar precios de tus propiedades . Exploramos varios portales de reservas y fuentes de datos directos para construir una comprensión unificada de lo que ocurre en todo el mundo.
Actualmente, escaneamos más de 10 millones de unidades individuales de Airbnb, VRBO y Booking.com. Además, obtenemos datos directos de Key Data para conocer las pautas reales de reserva.
Es probable que hayas oído que los datos desechados (scrapped data) no son buenos. Esto se dice principalmente porque estos datos pueden tener bloqueos de propietarios, por lo que no se sabe si se trata de una reserva o de un bloqueo. Aplicamos técnicas lógicas de eliminación de bloqueos para determinar si es una reserva o un bloqueo. Algunos ejemplos son las prohibiciones en todo el mercado: reservas largas con la misma fecha de inicio y fin en todos los listados, patrones repetidos a nivel de listado, anomalías en los precios, etc.
Desbloqueo 2: Set Competitivo Hiperlocal
Buscar en el barrio: El diablo está en los detalles
Hemos comprobado que incluso los listados de una misma ciudad pueden tener tendencias de mercado muy diferentes en función de su ubicación, lo que se traduce en una temporada, patrones de día de la semana y en eventos completamente distintos. Por esto, fijamos nuestros precios basados en datos hiperlocales que nos permiten captar tendencias potencialmente exclusivas de un pequeño grupo de listados.
Ejemplo: Veamos un ejemplo de dos barrios de Chicago: Loop y Lincoln Park. Están a sólo 4 KM (2,5 millas) de distancia entre sí. Pero si nos fijamos en los datos, los patrones de días de la semana de los dos barrios, son muy diferentes. Esto se debe principalmente a que Chicago Loop es el distrito de negocios con mayor demanda entre semana por que llegan viajeros de negocios, mientras que Lincoln Park atrae más demanda turística, ya que allí no hay muchas oficinas.
Ejemplo: Veamos ahora San Agustín, FL. Esta vez nos fijamos en la playa y el casco antiguo. Aunque sólo las separan 8 km, la temporada es muy diferente.
Como se ve en la gráfica siguiente, la zona del casco antiguo tiene un pico en Navidad, mientras que la zona de la playa tiene un pico en verano.
Los ejemplos anteriores y muchos otros nos llevaron al camino de la construcción de nuestro nuevo algoritmo de Precios, Hyper Local Pulse (HLP).
Ahora nos fijamos en un mercado hiperlocal en Airbnb o Vrbo para fijar el precio de una propiedad concreta. Se define por 350 listados cercanos de tamaño similar en un radio máximo de 15 km – El radio real se determina dinámicamente.
Pedro, Sr. Científico de datos: “En el centro de todo lo que hacemos en Pricelabs están los datos de alta calidad. Pero tener datos no sirve de nada si no se pueden consultar y encontrar tendencias en ellos a la velocidad de la luz. Nuestro requisito de ingeniería de datos más exigente es que nuestros datos deben estar lo más líneados posibles para reflejar el estado actual del set competitivo de datos hiperlocales de una propiedad, ya que la actualización de los datos significa que nuestro algoritmo puede reaccionar rápidamente a los cambios del mercado. Con H3, incorporamos casi instantáneamente nuevos listados a nuestro set competitivo”.
Inicialmente resolvimos la creación de sets competitivos hiperlocales teniendo un índice Ball Tree con baja latencia pero procesado por lotes, lo que creo cierto retraso en nuestros datos. Finalmente, remplazamos esta configuración por el uso de índices H3. H3 es un sistema de cuadrícula global discreta desarrollado por Uber, que nos permite acotar eficazmente nuestro espacio de búsqueda antes de resolver el problema K-Nearest Neighbors (KNN). Utilizando esta estrategia, podemos garantizar que nuestra búsqueda se realiza constantemente sobre los mejores datos disponibles.
En nuestra búsqueda precisa de información sobre Precios, hemos aprendido que los distintos barrios de una misma ciudad pueden mostrar tendencias únicas en el mercado de propiedades. Para solucionarlo, hemos introducido nuestro innovador algoritmo de Precios, Hyper Local Pulse (HLP). HLP se centra en datos hiperlocales, lo que nos permite captar distintas tendencias dentro de pequeños grupos de listados. Definimos un mercado hiperlocal como 350 listados cercanos de tamaño similar en un radio determinado dinámicamente de hasta 15 km, utilizando hexágonos H3 para garantizar la actualización de los datos en tiempo real. Este método ha sustituido al anterior y proporciona información más precisa y actualizada sobre los precios de las propiedades.
Desbloqueo 3: Pronóstico de la Demanda
Más allá de las conjeturas: Aprovecha el poder de la ciencia de datos.
Los pronóstico son un problema fascinante que están en el centro de nuestras recomendaciones sobre Dynamic Pricing. Cuando se trata de pronósticos, adoptamos un enfoque científico de “Qué haría un revenue manager”.
Veamos la siguiente imagen que muestra las curvas de reservas para el Lago Como (Italia) – cada línea representa la evolución de la ocupación para una fecha en el pasado. Como te puedes imaginar, cada fecha tiene una curva de reserva diferente.
La ocupación final de cada fecha puede verse en el extremo derecho, donde la ocupación oscila entre el 15% y el 85%. Algunas fechas no muestran ocupación de 150 días a futuro, mientras que otras empiezan a mostrar ocupación incluso de 300 días a futuro. Aunque cada fecha tiene una curva de reservas diferente, algunas están “agrupadas”, mostrando patrones de reserva similares.
A la hora de pronosticar la demanda de una fecha a futuro “fecha futura” (df), el primer rompecabezas que hay que resolver es encontrar las “fechas de referencia” pasadas (dr1,..,drk ) cuyas tendencias de reserva se espera que siga la fecha futura. Hay muchas opciones para seleccionar las fechas de referencia, como:
- Misma temporada
- El mismo día de la semana
- Fechas de vacaciones o eventos,
- e incluso puntuaciones de similitud calculadas utilizando la forma de la curva de reservas a día de hoy.
Se trata de un enorme esfuerzo de la ciencia de datos, especialmente a la escala de Pricelabs. Esta experimentación nos llevó varios meses hasta encontrar la mezcla adecuada y la fecha de referencia. Esta es la parte científica de la predicción de la bola de cristal.
Utilizamos las fechas de referencia para saber cómo se espera que se reserve una fecha futura.
Muchos revenue managers se encargan de esta parte, aunque lleva muchísimo tiempo. El ejercicio resulta más sencillo, sobre todo si se tiene datos de años anteriores sobre un listado o un mercado.
El siguiente paso es el perfeccionamiento continuo del pronóstico: la parte reactiva de lo que ocurre en el mercado. A medida que la fecha futura se acerca a la fecha de la estadía, utilizamos dos parámetros fundamentales de revenue management para ajustar nuestra pronóstico: Ritmo y Recuperación.
- Ritmo representa la ocupación actual de la fecha futura comparada con nuestras fechas de referencia en la misma Antelación de reserva. Piensa en esto como “velocidad”: ¿estoy reservando más rápido o más lento que en el pasado?
- La Recuperación representa la rapidez (o lentitud) con la que llegan las reservas. Piensa en esto como una “aceleración”: puede que vayamos más atras en comparación con el pasado, pero últimamente estamos recibiendo muchas reservas y pronto podremos superar la ocupación de la fecha de referencia anterior.
Matemáticamente, el pronóstico para una fecha es una función de la curva de reservas finales de nuestras fechas de referencia y de la curva de reservas de la fecha futura hasta hoy. Muchos revenue managers consultan manualmente los gráficos anteriores a diario para hacer conjeturas sobre el futuro.
Nuestros algoritmos lo hacen a gran escala, a diario, de forma infalible y automática. En lugar de adivinar, medimos cómo debe ser la función para que el error del pronóstico sea bajo.
Procesamos aproximadamente 1 millón de datos cada vez que actualizamos los precios de un listado. Nos enorgullecemos enormemente de ello, ya que implica una amplia ingeniería de datos para hacerlo en tiempo real.
Desbloqueo 4: Elasticidad de la Demanda
Probablemente conozcas la elasticidad por el WSJ, el podcast Freakonomics o las clases de economía.
Los economistas usan la elasticidad de la demanda para medir el cambio que puede esperarse en la demanda cuando se ajusta el precio al alza o a la baja. Es fundamental en los procesos de producción, por ejemplo: cuántos coches hay que fabricar. Los coches, las mercancías, los asientos de avión, etc., suelen estar disponibles en grandes cantidades, y la demanda suele significar cuántas unidades individuales pueden venderse.
Pero, ¿cómo entender cómo cambia la demanda de las rentas vacacionales en función del precio? Sólo hay una propiedad vacacional única: puede vender una noche o no (100% de ocupación o 0% de ocupación).
Hace 9 años, cuando construimos nuestro primer algoritmo, un estudio de la literatura nos llevó a nuestro primer momento de “aja”: en lugar de utilizar como demanda el “número de unidades que se espera vender a un precio específico“, este problema requería pensar en la demanda como “probabilidad de conseguir reservas” (PB) a diferentes precios.
La probabilidad de conseguir una reserva varía en función de la fecha y el precio, e incluso varía con el tiempo para una misma fecha. A medida que cambia la previsión de la demanda, cambia la probabilidad de reservar a un precio determinado.
Estimamos la elasticidad del mercado para cada fecha en el futuro, ya que los factores subyacentes del mercado como la previsión de la demanda, los precios de mercado y la sensibilidad de la demanda difieren para cada fecha. La elasticidad del mercado debe traducirse en la curva de elasticidad única de tu listado, que determina tu probabilidad de reserva a distintos precios.
Las gráficas siguientes muestran cómo puede variar la elasticidad en función de la sensibilidad del mercado y la previsión de la demanda, que dependen de cómo evolucione el mercado para una fecha futura. El impacto de los precios de mercado se absorbe en la escala del eje x.
Probabilidad de reserva en función de la sensibilidad del mercado: La gráfica anterior muestra dos proyecciones de pronostico o probabilidad de reserva: la roja es idéntica a la primera curva de elasticidad que mostramos anteriormente. A comparación, la curva azul que representa un mercado más sensible a los precios y, por tanto, con una pendiente más pronunciada a precios “normales”. Disminuir un poco el precio respecto al precio base aumenta mucho las posibilidades de reserva, y aumentarlo un poco las reduce mucho. Estimamos la sensibilidad de precios adecuada para cada set competitivo hiperlocal y fecha futura. Esto es muy evidente en los mercados de montaña, donde el mercado es mucho menos sensible a los precios en la temporada de esquí que en la de verano. Sin embargo, el pronóstico global de la demanda es similar.
Probabilidad de reserva en función al pronóstico de la demanda: En esta gráfica, la línea roja muestra la probabilidad de reservar en un día normal, mientras que la curva verde muestra la probabilidad de reservar en una fecha de gran demanda. Mira que la pendiente general en torno al precio “normal” es similar, pero toda la curva está desplazada hacia la derecha. Esto significa que si mantienes el precio en una fecha de gran demanda, aumenta la probabilidad de que se produzcan muchas reservas.
Observará que a precios muy bajos, la probabilidad de reservar no sigue subiendo. En otras palabras, aunque el precio se reduzca hasta casi 0, no garantiza la reserva. Esto se debe a múltiples factores, pero uno importante es el “valor percibido”. Las materias primas (como el petróleo) tienen normas de calidad reconocidas en todo el mundo. Así, unos precios muy bajos se traducen en una demanda muy alta.
Pero las propiedades vacacionales no tienen una medida estándar de calidad. Los huéspedes reservan las casas en función de la calidad percibida y la calidad física (fotos y servicios). En estos casos, el precio actúa como una señal de calidad.
Por lo tanto, si vendes muy barato, es posible que no vendas todas las noches (y ganarías mucho menos, algo que veremos a continuación). Estas curvas de elasticidad nos ayudan a estimar cómo reaccionará el mercado a los cambios de precios dentro de su set competitivo para cada fecha futura.
Desbloquear 5: Maximización de Ingresos
Una vez comprendida la probabilidad de que se produzca una reserva en una fecha futura a un precio determinado, el precio óptimo P’ es el precio que maximiza los “ingresos esperados” (RE).
Puedes usar el viejo libro de cálculo para diferenciar la función de ingresos esperados anterior o trabajar a través de cada punto de precio posible y ver cuáles maximizan tus “ingresos esperados.”
La gráfica anterior muestra que a precios bajos, la probabilidad de reserva es alta, pero se gana poco o nada. Por otro lado, a precios muy altos, la probabilidad de reserva es tan baja que no volveremos a ganar dinero. El punto óptimo es la casilla en la que los ingresos previstos alcanzan su punto máximo.
En esta primera parte de Visión general de Dynamic Pricing, hemos explorado cómo Pricelabs calcula los precios para un día determinado, día a día. El próximo reto es cómo evolucionarán las oportunidades de reserva y, por tanto, los precio. Para optimizar los ingresos, los precios deben actualizarse diariamente para cada uno de los 365 días futuros. Esto significa que, en lugar de encontrar un precio único y óptimo, hay que determinar una serie de precios óptimos a lo largo del tiempo, lo que dará a lugar a una secuencia de decisiones sobre precios.
Se trata de un problema complejo de resolver. Utilizamos técnicas de Programación Dinámica para abordar el reto de fijar precios óptimos a lo largo del tiempo, teniendo en cuenta las cambiantes oportunidades de reserva, los frecuentes ajustes de precios y el gran número de posibles combinaciones de precios. Lo veremos en la segunda parte de esta serie de blogs.
Si está preparado para experimentar las ventajas de los precios dinámicos, te invitamos a que pruebes Pricelabs: Empieza tu prueba gratuita. Tanto si eres un administrador de propiedades experimentado como si acabas de empezar, nuestro algoritmo está diseñado para enseñarte.
Si tiene alguna pregunta sobre lo anterior o sobre Pricelabs en general, contacta a nuestro equipo de asistencia y ellos nos ayudarán.
De vuelta al edificio,
Equipo de ciencia de datos de Pricelabs
