Updated: agosto 6, 2024
Desvende os segredos do algoritmo avançado de precificação dinâmica do PriceLabs. Mergulhe de cabeça nessa aventura técnica!
O texto abaixo pode ser um pouco técnico, mas ajudará você a entender a “caixa preta” de onde vêm nossas recomendações de preços dinâmicos. Você não precisa ler tudo isso para entender como usar o PriceLabs, mas se tiver vontade a aprender sobre algoritmos, aperte os cintos!
Para ajudar com os primeiros passos, temos sessões diárias ao vivo de apresentação do produto, vídeos de treinamento no YouTube e uma base de conhecimento detalhada para que você aprenda a usar PriceLabs de forma eficaz. Mas, se quiser aprender sobre a parte técnica e mergulhar no mundo da matemática para entender como as recomendações são calculadas, esta é uma ótima leitura.
Aviso: esta é uma leitura técnica com conceitos de engenharia e matemática, assim como alguns gráficos.
1. Coleta de dados
Dados: o novo petróleo!
Obtemos informações sobre a sua propriedade a partir do seu sistema de gestão de propriedades ou do Airbnb/Vrbo, se você fizer uma integração direta com essas plataformas. Esses dados nos ajudam a entender a localização da sua propriedade, detalhes relacionados a ela (por exemplo, contagem de quartos, capacidade de hóspedes), seus preços futuros, seu histórico de reservas e sua disponibilidade.
Usar dados de mercado para calcular preços para suas propriedades é o foco do trabalho do PriceLabs. Analisamos vários portais de reservas e fontes de dados diretas para chegar a uma compreensão unificada do que está acontecendo em todo o mundo.
Atualmente, verificamos mais de 10 milhões de unidades individuais no Airbnb, Vrbo e Booking.com. Além disso, obtemos dados diretos da fonte da Key Data para entender os padrões reais de reserva.
Você já deve ter ouvido falar que dados levantados não estão limpos e, portanto, não são bons. Isso é dito principalmente porque o levantamento de dados pode incluir datas bloqueadas pelo proprietário, então não dá para saber se se tratam de uma reserva ou um bloqueio. Aplicamos técnicas lógicas de remoção de bloqueios para determinar se uma data indisponível presente em dados levantados se refere a um bloqueio ou uma reserva. Alguns exemplos incluem proibições em todo o mercado, como reservas longas com a mesma data de início e término em várias propriedades, padrões repetidos entre os anúncios, anomalias nos preços, etc.
2. Grupo concorrente hiperlocal
Pesquise na vizinhança: o diabo mora nos detalhes!
Descobrimos que até mesmo propriedades na mesma cidade podem apresentar tendências de mercado significativamente diferentes dependendo de sua localização, resultando em grandes discrepâncias em termos de sazonalidade e padrões para dias de semana e datas de eventos. Por causa disso, empregamos dados hiperlocais na nossa modelagem de preços para conseguir capturar tendências potencialmente exclusivas a um pequeno grupo de propriedades.
Exemplo: Vejamos um exemplo de dois bairros em Chicago: Loop e Lincoln Park. Eles estão a apenas 4 km de distância um do outro. Mas, quando olhamos para os dados, os padrões para dias de semana nos dois bairros são muito diferentes. Isso é principalmente porque o Chicago Loop é o centro comercial com maior procura no meio da semana por parte de quem viaja a negócios, enquanto o Lincoln Park atrai mais demanda turística, pois não há muitos escritórios lá.
Exemplo: Vejamos agora St. Augustine, na Flórida. Desta vez, estamos considerando os bairros Beach e Old Town. Mesmo que eles estejam a apenas 8 km de distância, a sazonalidade é bem diferente.
Como visto no gráfico abaixo, a área de Old Town apresenta um pico no Natal, enquanto a área do bairro Beach mostra um pico no verão.
Os exemplos acima e muitos outros nos levaram a desenvolver nosso novo algoritmo de preços, o Hyper Local Pulse (HLP).
Agora, vamos considerar um mercado hiperlocal no Airbnb ou na Vrbo para definir os preços de uma propriedade específica. Isso é calculado com base em 350 propriedades próximas de tamanho semelhante em um raio máximo de 15 km (o raio real é determinado dinamicamente).
Pedro, Cientista de Dados Sênior, afirma: “Os dados de alta qualidade estão no cerne de tudo o que fazemos no PriceLabs. Mas dispor de dados não é útil se você não conseguir examiná-los e encontrar tendências neles na velocidade da luz. Nosso maior desafio em termos de engenharia de dados é que o máximo possível de dados precisa estar disponível online para refletir o estado atual do grupo concorrente hiperlocal de uma propriedade, porque dados atualizados permitem que nosso algoritmo reaja rapidamente às mudanças do mercado. Usando o H3, conseguimos incorporar novas propriedades ao nosso conjunto de dados de forma quase instantânea.”
Inicialmente, resolvemos criar grupos concorrentes hiperlocais usando um índice Ball Tree com baixa latência, mas processado em lote, o que introduziu certo atraso nos nossos dados. No fim das contas, substituímos essa configuração usando índices H3. O H3 é um sistema de grade global discreta desenvolvido pela Uber que nos permite reduzir nosso espaço de pesquisa com eficiência antes de resolver o problema dos K vizinhos mais próximos (KNN, do inglês K-Nearest Neighbors). Usando essa estratégia, também podemos garantir que nossa pesquisa sempre seja feita com os melhores dados disponíveis.
Em nossa busca por insights mais precisos sobre os preços, aprendemos que diferentes bairros dentro de uma mesma cidade podem exibir tendências discrepantes no mercado imobiliário. Para resolver isso, apresentamos nosso algoritmo de preços inovador, o Hyper Local Pulse (HLP). O HLP se concentra em dados hiperlocais, permitindo-nos capturar tendências distintas em pequenos grupos de propriedades. Definimos um mercado hiperlocal como 350 propriedades próximas de tamanho semelhante dentro de um raio determinado dinamicamente de até 15 km, usando hexágonos H3 para garantir a atualização dos dados em tempo real. Essa abordagem substituiu nosso método anterior, gerando insights mais precisos e atualizados sobre os preços das propriedades.
3. Previsão da demanda
Além da adivinhação: aproveite o poder da ciência de dados.
A previsão é um problema fascinante que está no centro das nossas recomendações de preços dinâmicos. Quando se trata de previsão, adotamos uma abordagem científica para responder “o que um gerente de receita faria?”
Vejamos a imagem abaixo que mostra as curvas de reserva para o Lago Como, na Itália. Cada linha representa a evolução da taxa de ocupação ao longo de datas no passado. Como você poderia imaginar, cada data tem uma curva de reserva diferente.
A taxa de ocupação final em cada data pode ser vista na extrema direita, variando de 15% a 85%. Algumas datas não mostram nenhuma ocupação para os 150 dias seguintes, enquanto outras começam a apresentar ocupação até 300 dias no futuro. Embora cada data tenha uma curva de reserva diferente, algumas estão “agrupadas”, exibindo padrões de reserva semelhantes.
Ao prever a demanda para uma “data futura“(df), o primeiro quebra-cabeça a resolver é encontrar “datas de referência” passadas (dr1,..,drk) cujas tendências de reserva a data futura deveria seguir. Existem muitas opções para selecionar datas de referência, tais como:
- Mesma temporada
- Mesmo dia da semana
- Datas de feriados ou eventos
- Pontuações de similaridade calculadas usando a forma da curva de reserva a partir de hoje
Este é uma aplicação intensiva da ciência de dados, especialmente na escala do PriceLabs. Essa experimentação levou vários meses até encontrarmos a combinação certa e a data de referência. Esta é a parte científica das previsões de bola de cristal!
Usamos as datas de referência para entender os padrões de reserva esperados para uma data futura.
Muitos gerentes de receita entendem essa parte, embora seja incrivelmente demorada. O exercício pode ficar mais fácil, especialmente se você tiver dados do ano anterior para uma propriedade ou um mercado.
O próximo passo é o refinamento contínuo da previsão; a parte reativa do que está acontecendo no mercado. À medida que a data futura se aproxima da data de estadia, usamos duas métricas fundamentais de gestão da receita para ajustar nossa previsão: ritmo de reservas e novas reservas geradas.
- O ritmo de reservas representa a ocupação atual na data futura em comparação com nossas datas de referência na mesma janela de reserva. Pense nisso como a “velocidade”: estou recebendo reservas com mais ou menos rapidez do que no passado?
- As novas reservas geradas representam a rapidez (ou lentidão) com que as reservas estão chegando atualmente. Pense nisso como a “aceleração”: talvez o ritmo atual seja mais lento do que no passado, mas temos recebido muitas reservas ultimamente e podemos superar a taxa de ocupação da data de referência passada em breve.
Matematicamente, a previsão para uma data é uma função da curva de reserva final das nossas datas de referência e da curva de reserva da data futura até hoje. Muitos gerentes de receita olham para os gráficos acima diariamente para fazer palpites fundamentados sobre o futuro.
Nossos algoritmos fazem isso em grande escala, todos os dias, de forma automática e à prova de erros. Em vez de adivinhar, medimos como pode ficar a função para que o erro de previsão seja baixo.
.
Processamos aproximadamente 1 milhão de pontos de dados toda vez que atualizamos os preços de uma propriedade. Temos imenso orgulho disso, pois é necessária muita engenharia de dados para fazer isso em tempo real.
4. Elasticidade da demanda
Você já deve ter ouvido falar de elasticidade no Wall Street Journal, no podcast Freakonomics ou na aula de economia.
Os economistas usam a elasticidade da demanda para medir a mudança na demanda que você pode esperar quando aumenta ou diminui o preço. Ela é fundamental nos processos de produção, por exemplo, para saber quantos carros produzir. Carros, mercadorias, assentos em aviões, etc., geralmente estão disponíveis em grandes quantidades, e a demanda costuma indicar quantas unidades individuais podem ser vendidas.
Mas como entender a maneira como a demanda por aluguel de temporada muda de acordo com o preço? Só há uma propriedade de aluguel por temporada, e você pode vender uma diária ou não (100% de ocupação ou 0% de ocupação).
Há 9 anos, quando elaboramos nosso primeiro algoritmo, uma pesquisa bibliográfica nos levou ao nosso primeiro momento “eureca”: em vez de usar o “número esperado de unidades que serão vendidas a um preço específico” como demanda, esse problema exigia pensar na demanda como a “probabilidade de reserva” (PB) a preços diferentes.
A probabilidade de reserva difere para cada data para diferentes preços; mesmo para uma determinada data, ela muda com o tempo. À medida que a previsão de demanda muda, a probabilidade de uma propriedade ser reservada a um preço específico muda.
Estimamos a elasticidade do mercado para cada data no futuro, pois os fatores de mercado subjacentes, como previsão da demanda, preços do mercado e sensibilidade à demanda, diferem para cada data. A elasticidade do mercado deve ser refletida na curva de elasticidade da sua propriedade, determinando sua probabilidade de ser reservada a preços diferentes.
Os gráficos abaixo mostram como a elasticidade pode variar dependendo da sensibilidade ao mercado e da previsão da demanda, que dependem de como o mercado está evoluindo para uma data futura. O impacto dos preços do mercado é absorvido na escala no eixo x.
Probabilidade de reserva como uma função da sensibilidade ao mercado: O gráfico acima mostra duas estimativas da probabilidade de reserva, sendo que a vermelha é idêntica à primeira curva de elasticidade que mostramos acima. Em comparação, a curva azul representa um mercado mais sensível aos preços e, portanto, tem uma inclinação mais acentuada na faixa de preços “normais”. Diminuir um pouco o preço em relação ao preço base resulta em uma chance muito maior de receber reservas, e aumentá-lo um pouco reduz muito essa probabilidade. Estimamos a sensibilidade certa aos preços para cada grupo concorrente hiperlocal e cada data futura. Isso é muito evidente nas regiões montanhosas, onde o mercado é muito menos sensível aos preços durante a temporada de esqui do que na temporada de verão. No entanto, a previsão da demanda geral é semelhante.
Probabilidade de reserva como uma função da previsão da demanda: Neste gráfico, a linha vermelha mostra a probabilidade de reserva em um dia normal, enquanto a curva verde mostra a probabilidade de reserva em uma data de alta demanda. Observe que a inclinação geral em torno do preço “normal” é semelhante, mas toda a curva está deslocada para a direita. Isso significa que, se você mantiver seu preço estável em uma data de alta demanda, a probabilidade de receber reservas aumentará significativamente.
Como você pode ter notado, a preços muito baixos, a probabilidade de reserva não continua subindo. Em outras palavras, mesmo que o preço seja reduzido para perto de 0, isso não garante uma reserva! Isso se deve a múltiplos fatores, mas um importante é o “valor percebido”. As commodities (como o petróleo) têm padrões de qualidade reconhecidos mundialmente. Assim, preços muito baixos resultam em uma demanda muito alta.
Já os aluguéis de temporada não têm uma medida padrão de qualidade. Os hóspedes reservam propriedades com base na qualidade percebida e na qualidade física (fotos e amenidades). Em tais cenários, o preço atua como um sinal de qualidade.
Então, mesmo se você abaixar muito os preços, talvez não consiga vender todas as noites (e ganharia muito menos, algo que veremos a seguir). Essas curvas de elasticidade nos ajudam a estimar como o mercado reagirá às mudanças nos preços dentro do seu grupo concorrente para cada data futura.
5. Maximização da receita
Depois de entender a probabilidade de receber uma reserva para uma data futura a um determinado preço, o preço ideal P’ é aquele que maximiza a “receita esperada” (ER).
Você pode usar um bom e velho livro de cálculo para diferenciar a função de receita esperada acima ou trabalhar com cada preço possível e ver quais maximizam sua “receita esperada“.
O gráfico acima mostra que, a preços baixos, a probabilidade de reserva é alta, mas o lucro é pouco ou nulo. Por outro lado, a preços muito altos, a probabilidade de reserva é tão baixa que também não ganhamos dinheiro. O ponto ideal é evidenciado pela caixa onde a receita esperada atinge seu pico.
Nesta primeira parte da visão geral sobre a precificação dinâmica, vimos como o PriceLabs calcula os preços para um determinado dia, um dia de cada vez. O próximo desafio é como será a evolução das oportunidades de reserva e, portanto, dos preços. Digamos que queremos definir os preços para uma data 365 dias no futuro. Para otimizar a receita, os preços precisam ser atualizados diariamente para cada um dos 365 dias no futuro. Isso significa que, em vez de encontrar um só preço ideal, você precisa determinar uma série de preços ideais ao longo do tempo, resultando em uma sequência de decisões sobre preços.
Este é um problema complexo de resolver. Usamos técnicas de programação dinâmica para enfrentar o desafio de definir preços ideais ao longo do tempo, considerando oportunidades de reserva variáveis, ajustes frequentes de preços e o grande número de combinações de preços possíveis. Tudo isso é abordado na parte 2 desta série de postagens.
Se você quer aproveitar os benefícios da precificação dinâmica, sugerimos experimentar o PriceLabs: comece já seu teste grátis. Nosso algoritmo foi projetado para facilitar o seu trabalho, seja você é um gestor de propriedades experiente ou alguém que está apenas começando.
Caso tenha alguma dúvida sobre o conteúdo acima ou o PriceLabs em geral, entre em contato com nossa equipe de suporte, e eles farão sua mensagem chegar até nós!
Hora de voltar ao desenvolvimento,
Equipe de Ciência de Dados do PriceLabs
