Updated: Luglio 11, 2024
Scoprite i segreti dell’algoritmo di Dynamic Pricing all’avanguardia di Pricelabs. Esplorate la scienza alla base dei dati: un’avventura tecnica vi aspetta!
Il documento che segue potrebbe essere un po’ tecnico, ma vi aiuterà a capire la “scatola nera” delle raccomandazioni di Dynamic Pricing. Non è necessario leggere questo articolo per capire come utilizzare PriceLabs, ma se siete interessati a conoscere gli algoritmi, allora tenetevi forte!
Per aiutarvi a imparare a usare il prodotto, abbiamo sessioni giornaliere di onboarding dal vivo, video di formazione su YouTube e una Knowledge Base, ovvero una base di conoscenze dettagliata per aiutarvi a usare Pricelabs in modo efficace. Ma per chi volesse andare sul tecnico e immergersi nel mondo della matematica per capire come vengono calcolate le raccomandazioni, questa sarebbe un’ottima lettura.
Attenzione: si tratta di una lettura tecnica con concetti di progettazione, matematici e grafici.
Segreto 1: raccolta dei dati
I dati sono il nuovo petrolio!
Otteniamo le informazioni sulla vostra proprietà dal vostro sistema di gestione di prorpietà o da Airbnb / VRBO se li integrate direttamente. Questi dati ci aiutano a capire dove si trova il vostro alloggio, i dettagli relativi all’alloggio (ad esempio, il numero di camere da letto, i posti letto), i prezzi futuri, lo storico delle prenotazioni e la disponibilità.
L’utilizzo dei dati di mercato per determinare il prezzo delle proprietà è il cuore dell’algoritmo di dynamic pricing di Pricelabs. Analizziamo diversi portali di prenotazione e fonti di dati dirette per ottenere una comprensione unificata di ciò che sta accadendo in tutto il mondo.
Attualmente, scansioniamo oltre 10 milioni di singole unità da Airbnb, VRBO e Booking.com. Inoltre, otteniamo dati di fonte diretta da Key Data per comprendere i modelli di prenotazione effettivi.
Probabilmente avrete sentito dire che gli scraped data (dati estratti da internet) non sono puliti e quindi non sono utili. Ciò è dovuto principalmente al fatto che gli scraped data possono avere blocchi imposti dai proprietari, per cui non è possibile sapere se si tratta di una prenotazione o di un blocco. Applichiamo tecniche di logica di rimozione dei blocchi per determinare se una prenotazione degli scraped data sia un blocco o una prenotazione. Alcuni esempi sono i divieti a livello di mercato: prenotazioni lunghe con la stessa data di inizio e fine negli alloggi, modelli ripetuti a livello di alloggio, anomalie di prezzo, ecc.
Segreto 2: comp-set iperlocali
Ricerca nel vicinato: le insidie si nascondono nei dettagli!
Abbiamo scoperto che anche alloggi della stessa città possono avere trend di mercato significativamente diversi a seconda della loro posizione, con conseguenti tendenze completamente diverse per giorno della settimana, stagione ed eventi. Per questo motivo, concentriamo la nostra modellazione dei prezzi su dati iperlocali che ci permettono di cogliere trend potenzialmente unici per un piccolo insieme di alloggi.
Esempio: Prendiamo ad esempio due quartieri di Chicago: Loop e Lincoln Park. Si trovano a soli 4 km di distanza l’uno dall’altro. Ma se osserviamo i dati, i modelli di giorno della settimana per i due quartieri sono molto diversi. Ciò è dovuto principalmente al fatto che il Chicago Loop è il quartiere degli affari, con una domanda più forte a metà settimana da parte dei viaggiatori d’affari, mentre Lincoln Park attrae una domanda più turistica in quanto non ci sono molti uffici.
Esempio: Consideriamo ora St. Augustine, in Florida. Questa volta si tratta delle zone Beach (spiaggia) e Old Town (città vecchia). Anche se si trovano a soli 8 km di distanza, la stagionalità è molto diversa.
Come si vede nel grafico sottostante, la zona di Old Town ha un picco nel periodo natalizio mentre la zona Beach ha un picco estivo.
Questi esempi e molti altri ci hanno portato a costruire il nostro nuovo algoritmo di dynamic pricing, Hyper Local Pulse (HLP).
Ora guardiamo a un mercato iper-locale su Airbnb o VRBO per determinare il prezzo di una proprietà specifica. Questo è definito da 350 alloggi vicini di dimensioni simili in un raggio massimo di 15 km – Il raggio effettivo è determinato in modo dinamico.
Come afferma Pedro, Senior Data Scientist: “Al centro di tutto ciò che facciamo a Pricelabs ci sono dati di alta qualità. Ma avere dati non è utile se non si possono interrogare e trovare trend alla velocità della luce. Il requisito più impegnativo per l’ingegneria dei dati è che i nostri dati devono essere il più possibile online per riflettere lo stato attuale del comp-set iperlocale di una proprietà, perché dati aggiornati significano che il nostro algoritmo di dynamic pricing può reagire rapidamente ai cambiamenti del mercato. Utilizzando H3, incorporiamo quasi istantaneamente nuovi alloggi al nostro set di dati”.
Inizialmente abbiamo risolto il problema della creazione di comp-set ospitando un indice Ball Tree a bassa latenza ma elaborato in batch, il che ha introdotto un certo ritardo nei nostri dati. Alla fine abbiamo sostituito questa configurazione con l’utilizzo di indici H3. H3 è un sistema di griglia globale discreta sviluppato da Uber, che ci permette di restringere in modo efficiente il nostro spazio di ricerca prima di risolvere il problema dei K-Nearest Neighbors (KNN). Utilizzando questa strategia, possiamo garantire che la nostra ricerca venga effettuata costantemente sui migliori dati disponibili.
Nella nostra ricerca di informazioni più accurate sui prezzi, abbiamo imparato che quartieri diversi all’interno della stessa città possono presentare trend di mercato molto diversi. Per risolvere questo problema, abbiamo introdotto il nostro innovativo algoritmo di dynamic pricing, Hyper Local Pulse (HLP). Questo algoritmo si concentra su dati iperlocali, consentendoci di cogliere trend distinti all’interno di piccole sacche di alloggi. Definiamo un mercato iperlocale come 350 alloggi vicini di dimensioni simili entro un raggio determinato dinamicamente fino a 15 km, utilizzando gli esagoni H3 per garantire l’aggiornamento dei dati in tempo reale. Questo approccio ha sostituito il nostro metodo precedente, fornendo informazioni più precise e aggiornate sui prezzi delle proprietà.
Segreto 3: previsione della domanda
Oltre le supposizioni: sfruttare il potere della scienza dei dati.
La previsione è un problema affascinante ed è al centro delle nostre raccomandazioni di pricing dinamico. Quando si tratta di previsioni, adottiamo un approccio scientifico per rispondere alla domanda “Cosa farebbe un gestore dei ricavi”.
Osserviamo l’immagine sottostante che mostra le curve di prenotazione per il Lago di Como (Italia) – ogni linea rappresenta l’evoluzione dell’occupazione per una data nel passato. Come è facile immaginare, ogni data ha una curva di prenotazione diversa.
L’occupazione finale di ogni data è visibile a destra, dove l’occupazione varia dal 15% all’85%. Alcune date non mostrano alcuna occupazione a 150 giorni di distanza, mentre altre mostrano occupazione anche a 300 giorni di distanza. Sebbene ogni data abbia una curva di prenotazione diversa, alcune sono “raggruppate” insieme, mostrando modelli di prenotazione simili.
Quando si prevede la domanda per una “data futura” (df), il primo rompicapo da risolvere è trovare le “date di riferimento” passate (dr1,…,drk ) i cui trend di prenotazione dovrebbero essere seguiti dalla data futura. Ci sono molte opzioni per selezionare le date di riferimento, come ad esempio:
- Stagioni
- Stesso giorno della settimana
- Date di festività o eventi
- Punteggi di somiglianza calcolati in base alla forma della curva di prenotazione attuale.
Si tratta di un’enorme operazione di data science resa possibile da Pricelabs. Questa sperimentazione ha richiesto diversi mesi per trovare la giusta combinazione e la data di riferimento. In sintesi, è la parte scientifica delle previsioni della sfera di cristallo!
Utilizziamo le date di riferimento per capire come si prevede che una data futura riceva prenotazioni.
Molti gestori dei ricavi si occupano di questa parte, anche se richiede molto tempo. Con PriceLabs l’esercizio diventa più semplice, soprattutto se si dispone di dati relativi all’anno precedente per un alloggio o un mercato.
Segreto 4: affinare la previsione
La fase successiva è quella in cui avviene il continuo perfezionamento della previsione: la parte reattiva di ciò che accade nel mercato. Man mano che la data futura si avvicina alla data del soggiorno, utilizziamo due metriche fondamentali di gestione dei ricavi per adeguare le nostre previsioni: Pacing e Pick-up.
- Il pacing rappresenta l’attuale occupazione della data futura rispetto alle date di riferimento della stessa finestra di prenotazione. Pensate a questo aspetto come alla “velocità”: sto ricevendo prenotazioni più velocemente o più lentamente rispetto al passato?
- Il pick-up rappresenta la velocità (o la lentezza) con cui arrivano le prenotazioni. Pensate a questo come a una “accelerazione”: potremmo essere in ritardo rispetto al passato, ma di recente stiamo ricevendo molte prenotazioni e presto potremo superare l’occupazione del passato.
Matematicamente, la previsione per una data è una funzione della curva di prenotazione finale delle nostre date di riferimento e della curva di prenotazione della data futura fino ad oggi. Molti gestori dei ricavi guardano quotidianamente i grafici di cui sopra per fare delle ipotesi sul futuro.
I nostri algoritmi lo fanno su scala quotidiana, in modo infallibile e automatico. Invece di tirare a indovinare, misuriamo come potrebbe essere la funzione affinché l’errore di previsione sia basso.
Elaboriamo circa 1 milione di punti dati ogni volta che aggiorniamo le tariffe di un alloggio. Siamo immensamente orgogliosi di questo risultato, che richiede ingegnerizzazione dei dati su vasta scala in tempo reale.
Segreto 5: elasticità della domanda
Probabilmente conoscete l’elasticità dal WSJ, dal podcast Freakonomics o dal corso di economia.
Gli economisti utilizzano l’elasticità della domanda per misurare la variazione della domanda che ci si può aspettare quando si aumenta o diminuisce il prezzo. È determinante per i processi di produzione, ad esempio per stabilire quante auto produrre. Le automobili, i prodotti di base, i posti a sedere, ecc. sono generalmente disponibili in grandi quantità e la domanda indica generalmente quante singole unità possono essere vendute.
Ma come si fa a capire come cambia la domanda di affitti turistici in base al prezzo? C’è un solo modo di affittare un alloggio: si può vendere una notte o meno (100 % di occupazione o 0% di occupazione).
Nove anni fa, quando abbiamo progettato il nostro primo algoritmo, un’indagine nella letteratura esistente ci ha permesso di fare la nostra prima grande scoperta: invece di utilizzare come domanda il “numero di unità che si prevede di vendere a un prezzo specifico“, questo problema richiedeva di pensare alla domanda come “probabilità di essere prenotati” (PB) a prezzi diversi.
La probabilità di essere prenotati varia per ogni data e per diversi punti di prezzo; anche per una stessa data, cambia nel tempo. Al variare della previsione della domanda, cambia la probabilità di ricevere prenotazioni a un prezzo specifico.
Stimiamo l’elasticità del mercato per ogni data futura, poiché i fattori di mercato sottostanti come le previsioni della domanda, i prezzi di mercato e la sensibilità della domanda differiscono per ogni data. L’elasticità del mercato deve essere tradotta nella curva di elasticità unica del vostro alloggio, che determina la vostra probabilità di prenotazione a prezzi diversi.
I grafici seguenti mostrano come l’elasticità può variare a seconda della sensibilità del mercato e della previsione della domanda, che dipendono entrambe dall’evoluzione del mercato per una data futura. L’impatto dei prezzi di mercato è assorbito dalla scala sull’asse delle ascisse.
Probabilità di prenotazione in funzione della sensibilità del mercato: Il grafico qui sopra mostra due stime della probabilità di prenotazione: quella rossa è identica alla prima curva di elasticità che abbiamo mostrato sopra. In confronto, la curva blu rappresenta un mercato più sensibile ai prezzi e, quindi, ha una pendenza maggiore a prezzi “normali”. Diminuendo un po’ il prezzo rispetto al prezzo base si ottiene una probabilità di prenotazione molto più alta, mentre aumentandolo un po’ la si riduce notevolmente. Stimiamo la giusta sensibilità al prezzo per ogni gruppo di competenza iperlocale e per ogni data futura. Questo è molto evidente nei mercati di montagna, dove il mercato è molto meno sensibile ai prezzi nella stagione sciistica rispetto alla stagione estiva. Tuttavia, la previsione della domanda complessiva è simile.
Probabilità di prenotazione in funzione della previsione di domanda: in questo grafico, la linea rossa mostra la probabilità di prenotazione in un giorno normale, mentre la curva verde mostra la probabilità di prenotazione in una data ad alta domanda. Si noti che la pendenza complessiva intorno al prezzo “normale” è simile, ma l’intera curva è spostata verso destra. Ciò significa che se si mantiene il prezzo costante in una data ad alta richiesta, la probabilità di ottenere una prenotazione significativa aumenta.
Noterete che a prezzi molto bassi, la probabilità di prenotazione non continua a salire. In altre parole, anche se il prezzo è ridotto quasi a 0, non garantisce la prenotazione! Ciò è dovuto a molteplici fattori, ma uno importante è il “valore percepito”. Le materie prime (come il petrolio) hanno standard di qualità riconosciuti a livello mondiale. Pertanto, prezzi molto bassi si traducono in una domanda molto elevata.
Ma le case vacanza non hanno una misura standard di qualità. Gli ospiti prenotano le case in base alla qualità percepita e alla qualità fisica (foto e servizi). In questi scenari, il prezzo agisce come un segnale di qualità.
Quindi, se vendete a prezzi molto bassi, potreste non vendere tutte le sere (e guadagnereste molto meno, come vedremo in seguito!). Queste curve di elasticità ci aiutano a stimare come il mercato reagirà alle variazioni di prezzo del vostro gruppo di competenza per ogni data futura.
Segreto 6: massimizzare i ricavi con l’algoritmo di dynamic pricing
Una volta compresa la probabilità che una data futura venga prenotata a un determinato prezzo, il prezzo ottimale P’ è quello che massimizza i “ricavi previsti” (ER).
Potete usare anche un vecchio libro di calcolo per differenziare la funzione di ricavi previsti di cui sopra o lavorare su ogni possibile punto di prezzo e vedere quali massimizzano i vostri “ricavi previsti“.
Il grafico qui sopra mostra che a prezzi bassi la probabilità di prenotazione è alta, ma i guadagni sono scarsi o nulli. D’altra parte, a prezzi molto elevati, la probabilità di prenotazione è così bassa che non si guadagnerà più nulla. Il punto di forza è evidenziato dal riquadro in cui i ricavi previsti raggiungono il massimo.
In questa prima parte della panoramica sui prezzi dinamici, abbiamo esplorato come Pricelabs calcola i prezzi per ogni giorno, un giorno alla volta. La prossima sfida è come si evolveranno le opportunità di prenotazione e, di conseguenza, le tariffe. Per ottimizzare i ricavi, i prezzi devono essere aggiornati quotidianamente per ciascuno dei 365 giorni futuri. Ciò significa che, invece di trovare un singolo prezzo ottimale, è necessario determinare una serie di prezzi ottimali nel tempo, dando luogo a una sequenza di decisioni sui prezzi.
È un problema complesso da risolvere. Utilizziamo l’algoritmo di dynamic pricing per superare la nostra sfida: impostare prezzi ottimali nel tempo, considerando le mutevoli opportunità di prenotazione, i frequenti aggiustamenti di prezzo e il vasto numero di possibili combinazioni di prezzo. Ne parliamo nella seconda parte di questa serie di Blog.
Se siete pronti a sperimentare i vantaggi del pricing dinamico, vi invitiamo a provare Pricelabs: Inizia la prova gratuita. Sia che siate gestori di proprietà esperti o che abbiate appena iniziato, il nostro algoritmo di dynamic pricing è stato progettato per darvi la possibilità di lavorare al meglio.
Se avete domande su quanto sopra o su PriceLabs in generale, contattate il nostro team di supporto che risolverà i vostri dubbi!
Torniamo al lavoro!
Il team di data science di Pricelabs
