Updated: Agosto 8, 2024
Scopri i segreti dell’algoritmo di Dynamic Pricing all’avanguardia di Pricelabs. Tuffatevi nelle profondità: un’avventura tecnica vi aspetta!
Nella Parte 1 della Panoramica del nostro Algoritmo di Dynamic Pricing, riveliamo come calcoliamo i prezzi ottimali per qualsiasi data futura prevedendone l’occupazione, stimando la probabilità di prenotazione e trovando il prezzo che massimizza le entrate previste.
La prima parte spiega perché i prezzi dovrebbero essere diversi in base alla stagione, al giorno della settimana, al ritmo del mercato e se c’è un picco di domanda a causa di una festività o di un evento. Se non hai ancora letto la Parte 1 , ti consigliamo di leggerla prima di approfondire questo articolo.
Veniamo ora all’ultima parte del nostro algoritmo: l’evoluzione del tasso, ovvero il modo in cui i prezzi di una data futura cambiano nel tempo. Ci sono due motivi principali per cui i nostri consigli sui prezzi cambiano nel tempo.
Previsioni in evoluzione: la nostra previsione per una data futura può cambiare ogni giorno man mano che riceviamo nuove informazioni. Il grafico seguente mostra come si sono evolute le nostre previsioni per il 14 aprile 2023 nel mercato Phoenix nei mesi precedenti. Vediamo un improvviso balzo delle previsioni dopo novembre 2022. Taylor Swift ha annunciato le date del suo Eras Tour per Phoenix, AZ. Nel periodo agosto-ottobre 2022, le nostre previsioni di mercato si sono ridotte perché l’area stava tornando indietro rispetto alle tendenze dell’anno precedente, cogliendo i primi segnali di rallentamento dell’economia. Ma subito dopo l’annuncio dell’Eras Tour, la tendenza al ritmo si è invertita e la nostra previsione è aumentata di circa il 25%.
Nota: il grafico che mostra l’evoluzione mensile della previsione è solo a scopo illustrativo. Il motore di previsione che alimenta i dynamic pricing funziona quotidianamente.
Opportunità di prenotazione rimanenti: Nell’esempio sopra, è chiaro a chiunque guardi che come le previsioni sono aumentate dopo l’annuncio delle date del tour Eras, anche i prezzi ottimali dovrebbero aumentare. Ma è meno chiaro come dovrebbero evolvere i tassi se la nostra previsione della domanda per una data non cambia.
Le prossime sezioni aiutano a costruire l’intuizione sul perché e sul come dovrebbero evolvere le tariffe man mano che ci avviciniamo alla data del soggiorno.
Perché i prezzi dovrebbero cambiare con il lead time?
I nostri clienti ci chiedono spesso perché le nostre raccomandazioni sui prezzi sono solitamente alte per una data lontana e ridotte nel tempo.
Abbiamo appreso nell’articolo precedente che la probabilità di prenotare per una data futura è legata all’occupazione prevista.
Ad esempio, se l’occupazione prevista è del 90% e non sono state effettuate prenotazioni.
Ci aspettiamo che 90 strutture su 100 simili vengano prenotate.
In quel momento, possiamo scegliere un prezzo elevato, dato che la maggior parte delle proprietà sul mercato dovrebbe essere prenotata.
Andiamo avanti veloce a 3 mesi e diciamo che 80 proprietà sono ora prenotate. Il mercato sta procedendo come previsto e prevediamo ancora un’occupazione del 90%. Ciò significa che delle restanti 20 proprietà, solo 10 dovrebbero essere prenotate, con una probabilità del 50% di prenotare.
Sebbene le prospettive generali del mercato non siano cambiate (ci aspettiamo ancora un’occupazione del 90%), se la proprietà non è stata ancora prenotata, le possibilità che venga prenotata ora mantenendo lo stesso prezzo sono diminuite. Quindi, potremmo voler abbassare le tariffe per aumentare le entrate previste.
Sblocca 7: Evoluzione del tasso
Pertanto, dobbiamo introdurre il “lead time” nel calcolo della probabilità di prenotazione a diversi punti di prezzo.
Usiamo un altro esempio per capirlo meglio. Si consideri uno scenario in cui:
- Possiamo modificare i prezzi 3 volte nelle seguenti finestre di prenotazione: 360, 240 e 120 giorni.
- I prezzi possono essere di 200, 400, 600, 800 o 1000.
- Nessuno prenota con più di 360 giorni di anticipo.
- Le probabilità di prenotazione ad ogni finestra di prenotazione sono riportate nella tabella sottostante.
Come noteremo, ora abbiamo accesso a quella che è la probabilità di prenotazione in diverse finestre di prenotazione. La probabilità totale di prenotare a un prezzo può essere derivata dalle probabilità della finestra di prenotazione individuale.
Ad esempio, per un prezzo di 200 -> la probabilità totale di prenotazione può essere calcolata utilizzando la formula seguente
Scenario 1: possiamo impostare i prezzi solo una volta
Calcoliamo ora il ricavo massimo previsto nei due scenari seguenti.
In questo caso, il prezzo che massimizza i ricavi sarebbe quello in cui la moltiplicazione delle prime due colonne (prezzo e probabilità di prenotazione al prezzo) è la più alta. Il prezzo di $ 600 fornisce il ricavo previsto più alto di $ 300 ($ 600 * 50%). Se ci fosse permesso di fissare un prezzo solo una volta, 600 dollari è quello che sceglieremmo!
Scenario 2: possiamo modificare i prezzi 3 volte
Trovare l’insieme ottimale di prezzi può essere impegnativo dal punto di vista computazionale, data la sequenza di decisioni con molteplici possibilità e probabilità condizionata. Ci sono 5 prezzi possibili per ciascuna delle tre finestre di prenotazione. Ciò rende il numero totale di possibilità da esplorare 5*5*5 = 125 possibilità.
Ora immagina se avessimo gli stessi 5 e i prezzi per la data futura che è a 360 giorni di distanza.
Ma ora possiamo cambiare il prezzo ogni giorno.
Il numero di possibilità ora è 5^360.
Un numero molto grande che è difficile da risolvere anche per i computer più veloci!
La decisione più semplice da spiegare è la finestra di prenotazione di 120 giorni. A 120 giorni, il prezzo che massimizza le entrate può essere calcolato moltiplicando i prezzi per la probabilità di essere prenotati con 120 giorni di anticipo. In questo caso, 400 è il prezzo che massimizza le entrate per questa finestra.
Per una finestra di prenotazione di 240 giorni, non solo dobbiamo considerare la massimizzazione delle entrate che possono essere realizzate vendendo in quella finestra, ma anche la possibilità di non vendere e vendere nella finestra di 0-120 giorni. Non vogliamo vendere a un prezzo troppo basso ora quando possiamo vendere a $ 400 in futuro. L’ottimizzazione di questo può essere un esercizio complesso, ma per fortuna si tratta di un’area ben studiata dell’ottimizzazione matematica. Risolviamo questo problema di calcolo utilizzando l’equazione di Bellman.
Stiamo fornendo una soluzione ottimale per dimostrare che le entrate previste sono superiori a quelle che troveremmo nello scenario 1.
L’insieme ottimale di prezzi di seguito fornisce un ricavo previsto di $ 303:
- 360 giorni in anticipo: impostato su $ 800
- 240 giorni in anticipo: impostato su $ 600
- 120 giorni in anticipo: impostato su $ 400
Lo scenario 2 fornisce un fatturato previsto di $ 303 rispetto allo scenario 1 con un fatturato previsto di $ 300. Pertanto, lo scenario 2 ha prestazioni migliori dell’1%.
Mentre l’esempio precedente ha mostrato un aumento dei ricavi piuttosto modesto dell’1% derivante dalla modifica dei prezzi, i nostri esperimenti con dati reali mostrano che i guadagni derivanti dall’utilizzo corretto degli sconti dell’ultimo minuto sono di circa il 9%. La differenza sta nel fatto che i nostri algoritmi non cambiano solo i prezzi 3 volte all’anno, ma lo fanno ogni giorno.
Nota: noteremo che il prezzo per la finestra 0-120 giorni ha uno sconto sul prezzo ottimale dello scenario 1, mentre il prezzo per la finestra 240-360 giorni ha un premio sul prezzo ottimale dello scenario 1. Il nostro algoritmo li calcola automaticamente al variare del lead time.
Aumentare i prezzi all’ultimo minuto?
Sì! L’esempio precedente presuppone che la nostra previsione della domanda sia nota all’inizio e non cambi. In realtà, come abbiamo visto con il concerto dell’era di Taylor Swift, o con il rallentamento delle economie, possono succedere molte cose man mano che una data si avvicina.
I prezzi possono aumentare man mano che una data si avvicina se il mercato si prenota più velocemente delle nostre previsioni. Può anche accadere quando c’è una differenza significativa nella sensibilità al prezzo delle prenotazioni last minute e anticipate.
Perché le compagnie aeree lo fanno in modo diverso?
Sebbene sia le compagnie aeree che le case vacanze facciano parte dell’industria dei viaggi, le dinamiche di mercato sono molto diverse.
Le case vacanze sono vicine alla “concorrenza perfetta”: per un potenziale ospite, sono disponibili molte opzioni. Inoltre, la proprietà di queste opzioni tende ad essere piuttosto frammentata: anche nei mercati in cui un grande gestore gestisce la maggior parte dell’inventario, le entrate derivanti da una prenotazione su una casa non sono condivise con un altro proprietario di casa.
Le compagnie aeree sono un mercato oligopolistico. Ci sono solo poche opzioni praticabili sulla maggior parte dei percorsi da una città all’altra. Inoltre, quando teniamo conto dei viaggi d’affari dell’ultimo minuto, tre fattori aggiuntivi intervengono: i programmi di fidelizzazione che significano che i viaggiatori sono più propensi a scegliere la loro compagnia aerea preferita; contratti di vendita aziendali che significano che le grandi aziende prenotano esclusivamente i loro dipendenti per le loro compagnie aeree preferite; e la generalmente minore sensibilità ai prezzi dei viaggiatori d’affari. Tutto ciò significa che la decisione di massimizzare le entrate per le compagnie aeree è spesso quella di mantenere i prezzi più alti all’ultimo minuto, anche se ciò significa alcuni posti vuoti. A differenza delle case, ciò che conta è il ricavo totale dell’aereo, non che ogni posto massimizzi le sue entrate.
I premi di gran lunga nelle case vacanze svolgono un’altra funzione importante: quando una data è molto lontana e il volume delle prenotazioni è basso, c’è un margine di errore intrinseco nella previsione. Possiamo fare del nostro meglio in base ai dati disponibili, ma molti eventi possono influire sulla domanda per una data futura. I premi di gran lunga superiori fungono da copertura contro tali eventi, soprattutto quando le date sono abbastanza lontane da non far sì che gran parte della domanda fosse comunque prenotata.
Nota finale:
Impostare i prezzi in modo che siano dinamici per ogni data futura non è un esercizio una tantum. Il nostro team di data science ha scoperto che anche quando le previsioni sono stabili, i premi e gli sconti dell’ultimo minuto danno in media un aumento delle entrate dell’11%.
PS: Abbiamo alcuni spunti interessanti su come gli sconti dell’ultimo minuto dovrebbero variare in base al mercato e alla stagione – leggi questo blog.
Mentre concludiamo la nostra esplorazione dell’algoritmo di dynamic pricing , speriamo che questo articolo abbia fatto luce sull’intricato processo di ottimizzazione delle tariffe della tua proprietà.
Se sei pronto a provare i vantaggi dei dynamic pricing, ti invitiamo a provare Pricelabs – Inizia la tua prova gratuita.
Che tu sia un gestore di proprietà esperto o che abbia appena iniziato, il nostro algoritmo è progettato per darti potere.
Se hai domande su quanto sopra o su Pricelabs in generale, contatta il nostro team di supporto e ci coinvolgeranno!
Torniamo all’edificio,
Il team di scienza dei dati di Pricelabs
