вступление

В течение следующих нескольких месяцев мы запустим Wheelhouse Pro — нашу самую надежную и профессиональную ценовую платформу на сегодняшний день.

Wheelhouse Pro предназначен для амбициозных операторов с растущими портфелями, уделяя особое внимание глубокому анализу данных и более совершенным инструментам портфолио, обеспечивая при этом еще более высокие показатели доходов.

Кроме того, Wheelhouse Pro будет способствовать достижению наших собственных целей по обеспечению большей прозрачности для наших клиентов и сообщества.

Мы считаем, что прозрачность является ключом к предоставлению нашим пользователям возможности принимать обоснованные бизнес-решения, и пришло время перейти от «предоставления рекомендаций» к «предоставлению объяснений».

Поэтому на следующих страницах мы собираемся подробно в точности описать, как работает наш механизм динамического ценообразования — как он использует данные, уникальные статистические подходы и (да!) машинное обучение для расчета точных цен на ваши товары. уникальные свойства.

В ходе этой статьи мы будем использовать визуальные эффекты, текст и иногда уравнения (😳), чтобы сформулировать модели, проверки качества, фильтры и данные, лежащие в основе платформы управления доходами Wheelhouse, которая сегодня увеличивает доход в среднем на 22% в расчете на одного пользователя. Блок.

В худшем случае, если наше описание окажется слишком сухим или подробным, мы надеемся, что подробное описание модели продемонстрирует нашу глубокую приверженность вашему успеху и прозрачности, которой, по нашему мнению, наше пространство так отчаянно заслуживает.

В лучшем случае мы надеемся, что детализация нашей модели даст вам новые идеи, которые вы сможете использовать для успеха своего бизнеса.

Механизм ценообразования: компоненты

Изображение в верхней части страницы иллюстрирует основные компоненты механизма ценообразования Wheelhouse. Три самые основные модели, показанные на иллюстрации выше:

  • Модель Базовая цена
  • Прогнозирующая модель спроса
  • Модель реактивного спроса

Изучая эту статью, вы узнаете, как эти высокоуровневые компоненты либо включают, либо дополняются несколькими дополнительными моделями и статистическими подходами, в том числе:

  • Влияние местоположения
  • Влияние занятости
  • Влияние предыдущих бронирований
  • Кривые бронирования
  • Гамма-деформация
  • Функция отклика цены
  • Смешивание моделей
  • Календарь управления
  • Пробелы вакансий
  • Скидка в последнюю минуту

Несмотря на сложность, мы считаем, что 22-процентное увеличение дохода, которое эти модели принесли нашим пользователям, оправдало наши усилия!

Кроме того, в этой статье мы решили выделить две важные модели, чтобы изучить их более подробно:

  • Модель конкурентного набора
  • Динамическая модель стимуляции

Каждый день наша платформа получает, очищает и обрабатывает около 11 миллионов новых точек данных для каждого устройства, чтобы предоставить постоянно актуальный и точный набор рекомендаций. Все вышеперечисленные модели играют роль в этом процессе!

Теперь давайте пройдемся по этим моделям, начав с основы нашего механизма ценообразования — модели базовой цены.

Часть 1: Модель базовой цены

Как наша модель определяет точную цену вашей единицы продукции при «нормальном» спросе

Как указывалось выше, базовая ценовая модель является основой уникальной ценовой рекомендации для каждой единицы товара. Целью модели базовой цены является определение точной средней цены за ночь для каждой единицы путем анализа атрибутов собственности.

Например, все мы знаем, что наличие бассейна, веранды, парковки и других атрибутов может повлиять на привлекательность данной недвижимости.

И, несмотря на то, что ценность этих индивидуальных атрибутов сильно меняется в течение года (т. е. ваш пул «стоит» больше 4 июля, чем 4 января), модель базовой цены предназначена для определения стоимости вашей единицы для день при среднем местном спросе.

Для этого модель анализирует:

  • Атрибуты (например, спальни, ванные комнаты, парковка, спальные места, тип квартиры и т. д.)
  • Сборы (например, плата за уборку, залог, плата за дополнительных гостей и т. д.)
  • Местоположение
  • Эффективность бронирования (т. е. каждое бронирование для вашего и ближайших объектов)

Для обучения нашей модели базовой цены мы используем контролируемую модель машинного обучения, которая включает все активные единицы на каждом рынке, используя данные об их единицах и медианную цену за ночь за последний год. Используя медиану, мы можем уменьшить сигнал от событий или случайных выбросов в данных, чтобы убедиться, что мы в первую очередь фиксируем цены для «обычных» дней.

В нашей модели используется градиентное повышение для создания ансамбля деревьев решений, которые сопоставляют характеристики единицы со средней ценой. Для наших клиентов этот подход позволяет нам сбалансировать сложность модели с интерпретируемостью или возможностью показать вам, как атрибуты вашей единицы измерения влияют на вашу рекомендацию по базовой цене.

Давайте рассмотрим пример, чтобы узнать больше.

На приведенной ниже диаграмме подробно показаны пять основных факторов, влияющих на базовую цену на рынке Сан-Франциско (Примечание: во всех примерах в этой статье используются реальные данные).

Возможно, неудивительно, что спальни и спальни (количество человек, которые могут «спать» в квартире) оказывают наибольшее влияние на цену за конкретную ночь. На большинстве рынков эти два атрибута являются ключевыми факторами базовой цены, поскольку они тесно связаны с размером (и, следовательно, ценой) единицы.

Мы также видим, что тип квартиры (например, отдельная комната, вся квартира, полный дом и т. д.) играет важную роль в определении точной базовой цены в Сан-Франциско, равно как и дополнительные сборы (как за уборку, так и за гостей), связанные с каждым пребыванием.

Хотя этот график дал нам общее представление о ценности атрибутов, давайте более подробно рассмотрим наиболее важный атрибут — спальни.

Для этого мы рассмотрим ряд единиц выборки, которые имеют:

  • переменное количество спален (от 0BR, то есть студии, до 4BR)
  • Но у всех есть одна ванная и спят четыре гостя.

При осмотре квартиры в Сан-Франциско легко заметить, что дополнительные спальни не имеют простой линейной корреляции с ценой.

На самом деле, мы видим, что переход от студии (0BR) к 1BR почти не влияет на рекомендуемую базовую цену. Точно так же влияние 4-й спальни минимально, по крайней мере, в Сан-Франциско для квартир с 1 ванной комнатой.

Однако вы, возможно, поняли, что этот пример ограничен в том смысле, что все эти гипотетические единицы ограничены наличием 1BA и «спальных» 4. В действительности, большинство квартир 4BR будут иметь более одной ванной комнаты и спать больше, чем 4 человека.

Таким образом, изучение этого ограниченного примера иллюстрирует основной аспект нашей модели базовой цены, поскольку он предназначен для иллюстрации того, что точная базовая цена должна учитывать значение атрибутов как по отдельности, так и в совокупности.

Влияние местоположения

Как наша модель выводит сигналы спроса в зависимости от местоположения каждого объекта

Расположение единицы может существенно повлиять на воспринимаемую и фактическую ценность этой единицы.

Чтобы определить это влияние, наша модель использует нашу модель базовой цены, применяя пространственный кригинг к остаткам нашей базовой модели цены. В нашей модели остатки относятся к процентным различиям между нашими прогнозируемыми и фактичными средними ценами на каждую единицу товара, как показано ниже.

На изображении ниже мы видим, что наша модель определила набор сгруппированных единиц (желтые точки), которые в основном имеют медианную цену за ночь выше нашей «прогнозируемой» медианной цены («прогнозируемой» на основе атрибуты юнита).

Этот коллективный ценовой сигнал указывает на то, что мы, вероятно, наблюдаем район с высокой ценностью, что, в свою очередь, дает информацию о нашей корректировке местоположения. В этом случае единица в месте, отмеченном фиолетовой точкой, получит 10-процентное увеличение нашей рекомендуемой базовой цены.

Влияние занятости

Как мы используем заполняемость для проверки данных обучения

Одной из проблем при краткосрочной аренде помещений является то, что многие объекты непреднамеренно (или намеренно!) оцениваются «неправильно».

Поэтому очень важно использовать данные о заполняемости (заполняемость, достигнутая за предыдущий год), чтобы лучше понять, насколько наша модель должна «взвешивать» стратегию ценообразования каждой единицы. В сочетании с ценами заполняемость, достигнутая единицей, может помочь нам лучше понять, завышена или занижена цена единицы по сравнению с рынком. Следовательно, мы предоставляем заполняемость в качестве входных данных для нашей модели базовой цены во время обучения, чтобы выявить эту взаимосвязь.

Интересно, что несмотря на то, что единицы в пространстве STR очень уникальны, среди миллионов единиц, которые мы проанализировали, совокупные модели бронирования показывают, что рынок STR на самом деле очень эффективен.

Чтобы изучить это подробнее, давайте изучим приведенную ниже диаграмму, которая иллюстрирует взаимосвязь между базовой ценой единицы и уровнем заполняемости. Как видите, по мере увеличения заполняемости базовая цена, связанная с этими единицами, уменьшается.

Оценка точности

Как мы анализируем точность наших рекомендаций

Чтобы наша модель была эффективной, нам нужно избегать переобучения и обеспечивать минимизацию ошибки вне выборки. Для этого в нашей модели в процессе обучения используется перекрестная проверка.

В нашем примере из Сан-Франциско мы обучаем модель базовой цены, используя данные более чем 5000 единиц, с помощью шагов, описанных выше. Цена большинства единиц будет близка к правильной базовой цене, а цена некоторых будет слишком высокой или слишком низкой.

Изображение ниже представляет собой гистограмму рекомендуемых цен единицы относительно их текущей медианной цены.

Как видите, большинство рекомендаций очень похожи на медианную цену, т.е. имеют значение, близкое к 1,0 (или 100%). Тем не менее, некоторые единицы в настоящее время недооценены и получат рекомендацию вдвое выше их текущей цены, т. е. 2,0, в то время как другие в настоящее время переоценены и получат рекомендацию всего на 30% от их текущей цены, т. е. 0,3.

Гистограмма показывает, что наша модель базовой цены

  • точно отражает рынок, т. е. большинство единиц близки к 1,0
  • не является предвзятым, т. е. имеется одинаковое количество выбросов с обеих сторон
  • и не подходит к обучающим данным, т. е. разброс распределения не слишком узок.

Анализ прошлых бронирований

Как предыдущие бронирования объекта помогают нам корректировать рекомендации

Объективный анализ единицы по своей природе ограничен в том смысле, что он специализируется на оценке «осязаемых» аспектов единицы. Однако при краткосрочной аренде помещений есть много менее материальных (или нематериальных) аспектов объекта, которые нам также необходимо учитывать.

Например, прекрасный вид может существенно повлиять на то, как информированные гости оценят апартаменты.

Таким образом, одним из наиболее важных аспектов любой модели базовой цены является способность анализировать прошлые и текущие заказы, преобразовывать модели бронирования в более детальное понимание каждой уникальной единицы.

Когда клиент подключается к Wheelhouse, наша модель быстро анализирует прошлые бронирования объекта, обрабатывая стоимость каждого бронирования за ночь, время выполнения заказа, продолжительность пребывания, а также общую частоту бронирований.

Сравнивая рекомендации нашей модели, анализ до и после бронирования, мы можем получить более четкое представление о правильной стратегии ценообразования для каждой единицы.

Например, если единица регистрируется выше нашей «нескорректированной» рекомендации с высокой частотой (то есть не только сезонно или для крупных событий), это явный показатель высокого качества единицы. Следовательно, этот сигнал повысит рекомендуемую базовую цену нашей модели. Точно так же, если подразделение часто бронирует по более низким ставкам, чем ожидалось, наша рекомендация также будет учитывать это.

Таким образом, наша модель базовой цены «учится» на прошлой эффективности бронирования каждой единицы и использует аналогичный подход, чтобы постоянно узнавать больше, сверхурочно.

Часть 2: Анализ процесса бронирования

Кривые бронирования

Как наша модель определяет спрос и предложение

Установив базовую цену, мы можем перейти к нашей следующей задаче — корректировке ночных цен в зависимости от местного спроса.

В отличие от отелей, в краткосрочной аренде помещений подавляющее большинство предложения STR состоит из отдельных единиц. Эти отдельные апартаменты могут быть либо на 100% забронированы, либо на 100% свободны на данную ночь. Иными словами, за любую ночь ваш отряд либо заработает деньги, либо не заработает совсем! Добавление еще одной степени сложности к ценообразованию пространства STR заключается в том, что после того, как отдельная единица забронирована, вы больше никогда не сможете продать эту ночь снова.

Поэтому наша модель должна быть исключительной для максимизации ожидаемого дохода от вашего подразделения на основе ряда «бинарных» результатов.

Когда мы запустили Wheelhouse 6 лет назад, наша команда потратила более 12 месяцев на тестирование различных статистических подходов, чтобы определить, какой подход может наилучшим образом максимизировать доход с течением времени.

Сегодня эти ранние знания по-прежнему побуждают нас использовать Анализ выживания, в частности оценку Каплана-Мейера, для создания кривых резервирования, которые помогают нам прогнозировать цены.

Оценка Каплана-Мейера по своей сути обрабатывает «правую цензуру». Это связано с тем, что для любой незабронированной будущей даты мы еще не знаем, когда и даже будет ли эта ночь забронирована или иным образом снята с продажи. Поэтому очень важно иметь возможность включать эти данные, чтобы полностью понять спрос и предложение на динамично меняющемся рынке.

Результатом Анализа выживания является кривая выживания S(t). Он отражает вероятность того, что единица не будет забронирована ко времени t ≤ 0, который подсчитывает количество дней до даты пребывания. Для Wheelhouse мы можем рассматривать эту кривую выживания как обратную кривую бронирования.

Примечание. Наша кривая выживания подсчитывает количество дат пребывания до даты пребывания, поэтому результат отрицательный. Например, S(-30) = 0,7 означает, что в среднем 70% единиц сохранились (или все еще доступны) за 30 дней до даты пребывания. Следовательно, дополнение кривой выживания 1-S(t) представляет собой кривую бронирования, а ее конечное значение, 1-S(t=0), представляет собой занятость.

На следующем графике показан пример кривой резервирования, созданной для всей совокупности доступных единиц жилья в Сан-Франциско с использованием дат пребывания между 2015 и 2021 годами. Он показывает, насколько вероятно, что средняя единица в обычный день спроса будет «забронирована».

Создавая общую рыночную кривую для обычного дня, мы получаем эффективный эталон для сравнения кривых выживания для любого подмножества единиц или дат проживания.

Именно здесь наш подход к моделированию становится особенно эффективным, поскольку позволяет нам создавать и сравнивать кривые бронирования для:

  • Подмножество местных единиц (например, район, почтовый индекс, любая другая область)
  • Один «тип объекта» (например, дома на деревьях или дома на одну семью)
  • Единый «размер» квартир (например, 4 спальных места)
  • Одно «удобство» (например, квартиры с бассейнами, парковкой, патио и т. д.)
  • В любой день (например, 7 июля, канун Нового года и т. д.)
  • Или… любая комбинация вышеперечисленного

Сравнение этих различных кривых позволяет нам увидеть даже в далеком будущем различия в моделях бронирования.

Следующая задача состоит в том, чтобы преобразовать различия между двумя кривыми бронирования в более детальное понимание того, как эти модели бронирования повлияют на ожидаемый спрос.

Для создания этих проекций наша команда разработала технику, которую мы называем «Гамма-деформация».

Гамма-деформация

Как наша модель определяет разницу в спросе

Гамма-варпинг — это метод, который мы создали для точного прогнозирования будущего спроса на основе различий в кривых бронирования.

С технической точки зрения, гамма-деформация — это нелинейное преобразование, которое «деформирует» одну кривую бронирования в другую.

Например, давайте сравним кривую бронирования Sₐ(t) в Сан-Франциско за август по отношению к годовой кривой бронирования S₀(t) в Сан-Франциско.

Для этого находим γ (гамму) такую, что S₀(0) = f(Sₐ(0), γ). Функция перекоса f строится таким образом, чтобы все скорректированные кривые выживания оставались в пределах [0,1] и монотонно уменьшались, а кривые бронирования, наоборот, монотонно возрастали.

В приведенном ниже примере мы видим, что даже через 200+ дней август бронирует быстрее, чем средняя дата пребывания.

Следовательно, в целом вероятность бронирования на каждую дату пребывания в августе выше, чем в остальное время года.

В этом случае разница в вероятности выживания между августом и нашей базовой кривой выживания рынка дает γ = 0,3164. Это положительное значение гаммы указывает на то, что вероятность бронирования выше базовой линии.

Влияние гаммы на вероятность бронирования нелинейно и, следовательно, зависит от базовой вероятности бронирования. Чтобы визуализировать нелинейное влияние этих оценок на различные базовые вероятности бронирования p₀, на следующем графике показана вероятность бронирования в результате корректировки на γ = 0,7.

Как вы можете видеть на иллюстрации ниже, наша модель переводит сильный сигнал спроса (или «положительную гамму») в более высокую вероятность бронирования (ось Y) выше базовой вероятности бронирования (ось X). Однако, как дополнительно показывает кривая, наша модель делает это нелинейным образом (поэтому фиолетовая линия выгибается над пунктирной линией).

Второй пример ниже также иллюстрирует, как начальная базовая вероятность бронирования (40%, представленная пунктирной линией) преобразуется различными значениями гаммы.

На этой диаграмме показано, что с увеличением гаммы (ось X) вероятность бронирования также увеличивается (ось Y). При отрицательной и положительной бесконечности скорректированная вероятность сходится к 0% и 100% соответственно. Между этими точками зависимость возрастает монотонно, но нелинейно, пересекая базовую линию при гамма = 0,0.

Иллюстрируя это, мы пытаемся показать, что механизм ценообразования Wheelhouse реагирует на различные уровни спроса очень динамично.

Наша модель не просто предполагает: «Поскольку спрос вырос на 10%, вероятность бронирования также увеличится на 10%». Вместо этого на основе рынка за рынком или для любого подмножества единиц мы можем создать кривые спроса, которые помогут нам понять, «когда спрос увеличивается на X% на вашем рынке, ожидаемая вероятность бронирования вашей единицы увеличивается на Y%».

Несмотря на сложность, это очень мощное средство для общей оценки спроса на динамичном рынке при различных обстоятельствах.

Ценовой ответ

Как наша модель преобразует сигналы спроса в скорректированные цены

Наша функция ценовой реакции предназначена для преобразования прогнозируемых вероятностей бронирования (которые мы описали выше) в конкретную ценовую рекомендацию для вашей уникальной единицы.

Например, после того как мы определили, что в августе, вероятно, будет более высокий спрос, нам нужно определить, насколько повысить цены, не снижая значительно вероятность вашего бронирования.

Чтобы разработать функцию отклика цены для рынка, наша модель рассматривает каждую единицу и каждую дату пребывания, предлагаемые на рынке, чтобы рассчитать относительную разницу цен δ по сравнению с нашей базовой ценовой моделью.

Затем мы объединяем наблюдения с похожими ценовыми различиями и применяем наш анализ кривой резервирования, чтобы определить (с помощью гамма-деформации), бронируется ли эта корзина больше (γ > 0) или меньше (γ ‹ 0), чем в среднем по рынку.

Этот анализ показывает, насколько изменение цены влияет на вероятность бронирования, которая в перспективе отражает чувствительность гостей к различным ценам.

Используя эти оценки, мы подгоняем гладкую функцию отклика цены

γ = fᵣ(δ) = a + b ⋅ (δ − d)² ⋅ (δ > d)

к данным, что позволяет нам обобщить наблюдаемое поведение рынка.

На следующем графике видно, что по мере того, как цены превышают рекомендуемую базовую цену (δ › 0), вероятность бронирования снижается.

И неудивительно, что если цены ниже наших рекомендуемых базовых цен, мы видим, что вероятность бронирования увеличивается, по крайней мере, на начальном этапе. Важно, однако, что в определенный момент снижение цен больше не увеличивает вероятность бронирования.

Получение этой кривой отклика цены позволяет нам узнать, как повысить цены с учетом конкретной «ожидаемой загрузки» или спроса. Мы называем это значение мультипликатором цены.

На следующем графике вы снова можете видеть, что наш мультипликатор цены не просто линейный. На самом деле, он изменяется довольно динамично для прогнозируемой загрузки выше или ниже базового уровня (в этом примере базовый уровень по-прежнему составляет 40%, представленный пунктирной линией).

Мы получаем значение гаммы, которое уравновешивает ожидаемую заполняемость кривой бронирования с базовой кривой бронирования. Затем мы передаем это значение гаммы инвертированному отклику цены fᵣ⁻¹(γ), чтобы преобразовать его в ценовой множитель δ, который мы используем для корректировки цен.

На этом графике мы видим, что в день с «нормальным» спросом (т.е. заполняемость рынка достигнет 40%) ценовой мультипликатор равен 1,0 (или не изменился). Это означает, что в обычный день спроса цена, которую мы рекомендуем на этот день, совпадает с нашей базовой ценой.

Однако, если ожидаемый спрос/занятость выше рыночного базового уровня (т. е. выше 40%), наши ценовые рекомендации сначала будут увеличиваться примерно линейно, а затем увеличиваться экспоненциально в периоды «экстремального спроса», чтобы лучше отразить сжатие рынка. В качестве альтернативы вы можете видеть, что в периоды низкого спроса наша модель будет снижать цены… но незначительно и не выше определенного уровня.

Теперь, с глубоким пониманием того, как наша система рекомендаций анализирует отдельные объекты, вероятность их бронирования и эластичность их цен, давайте углубимся в то, как наша модель начинает понимать и прогнозировать драйверы спроса на объекты для конкретной даты пребывания.

Часть 3. Режим интеллектуального спроса

Как мы используем данные о ценах, чтобы точно оценить вашу единицу товара в «далеком будущем»

На страницах выше мы подробно описали, как Wheelhouse определяет базовую цену для каждой единицы, а также как мы более глубоко анализируем и понимаем как рынки, так и подмножества единиц.

Теперь давайте углубимся в то, как мы изолируем факторы местного спроса и как мы используем эти сигналы для создания ценовых рекомендаций в отдаленном будущем, прежде чем появятся модели бронирования (например, как мы должны оценивать единицу через 365 дней, когда только ‹Забронировано 1% рынка?).

Первая модель местного спроса, которую мы используем, — это наша «прогнозная» модель, которая предназначена для прогнозирования точных цен до того, как рынок начнет бронировать. Хотя у этой модели есть несколько целей, ее наиболее важной задачей является обеспечение того, чтобы мы не занижали стоимость единиц жилья для отдаленных дат проживания в будущем.

Эта модель особенно важна из-за роли, которую она играет в ценообразовании местных мероприятий и праздников, которые начинают бронироваться за много месяцев (или лет!) до даты пребывания и предлагают лучшее время для получения дохода.

Для нашей модели прогнозируемого спроса мы анализируем цены на рынках, включая будущие и исторические данные о ценах в отелях и краткосрочной аренде. Эти ценовые сигналы содержат локальные и исторические данные, которые мы можем использовать, чтобы лучше обеспечить точную оценку далекого будущего.

Кроме того, чтобы облегчить интерпретацию и эффективность, наша модель может анализировать эти ценовые сигналы, чтобы определить «почему» будущее повышение цен, чтобы мы могли лучше понять факторы, в том числе:

  • Сезонность
  • День недели
  • Местные события

Давайте рассмотрим каждый из этих факторов более подробно.

Определение сезонности

Как мы извлекаем сезонные закономерности из данных о рыночных ценах

При анализе рынка наша первая цель — точно определить «сезонность» рынка. На большинстве рынков эта кривая сезонности медленно меняется день ото дня и традиционно остается довольно стабильной из года в год.

Рассмотрим график средних цен в Сан-Франциско по дням года. На этом графике точки представляют среднюю цену по дням года. Линия показывает результат нашего специально разработанного фильтра нижних частот, который извлекает кривую сезонности.

С помощью этого метода становится ясно, что высокий сезон в Сан-Франциско приходится на период с июля по октябрь, в то время как остальная часть года относительно ровная с точки зрения сезонного спроса.

Примечание. До пандемии практически все рынки имели уникальную, но идентифицируемую кривую сезонности, которая оставалась довольно стабильной на протяжении нескольких лет. После пандемии еще слишком рано говорить о том, вернутся ли и когда вернутся традиционные сезонные модели путешествий в США и на других рынках.

День недели

Как цены в будние дни отличаются в зависимости от рынка

Имея кривую сезонности, мы затем хотим проанализировать модели ценообразования, чтобы выявить регулярную, повторяющуюся модель ценообразования «дня недели». Этот анализ особенно важен для городских рынков, где есть значительный спрос со стороны деловых путешественников, а также для рынков отдыха, где мы часто наблюдаем увеличение количества бронирований по пятницам и субботам.

Чтобы лучше понять это, давайте рассмотрим «эффект выходного дня», как показано на следующей гистограмме ценообразования «дня недели» для Сан-Франциско и Остина. Чтобы лучше сравнить два рынка, мы показываем дневные цены относительно самой низкой цены и то, насколько другие дни превышают этот минимум.

Как вы можете видеть, цены на отдельные дни недели в Сан-Франциско в основном остаются неизменными с очень скромным увеличением в выходные дни на 3%. Тем не менее, Остин четко демонстрирует регулярный высокий спрос в выходные дни, при этом большинство объектов повышают цены более чем на 50% в среднем за выходные.

Зная эту модель для каждого рынка, мы снова можем более точно интерпретировать будущие модели ценообразования и точно называть эти факторы для наших клиентов.

Местные события

Как мы локализуем влияние событий

Наконец, наша модель прогнозируемого спроса использует цены для обнаружения местных событий в далеком будущем.

Подобно нашим двум другим «фильтрам спроса», эта модель дополнительно учитывает местоположение каждого события при понимании того, как конкретные ценовые сигналы должны быть переведены на более широкий рынок.

Неудивительно, что большинство событий влияет на цены только для единиц, ближайших к событию. Однако на большинстве рынков проводится несколько ежегодных мероприятий (например, крупная конференция, мероприятие или праздник), которые настолько масштабны, что вызывают изменения цен на всем рынке. В связи с этим наша модель должна уметь (а) идентифицировать гиперлокальные ценовые сигналы и (б) преобразовывать эти сигналы в оценку масштаба и размаха каждого события.

Мы достигаем этого, анализируя местные ценовые сигналы, удаляя влияние сезонности и дня недели, прежде чем извлекать «кратковременные» повышения цен. Эти результаты достигаются с помощью специально разработанного фильтра верхних частот. Результатом этого фильтра является легко читаемая диаграмма, которая позволяет нашей команде (и вам!) изучить любой рынок на предмет спроса, обусловленного событиями.

В качестве примера давайте рассмотрим, что наша модель определила как «воздействие события» для двух разных районов Сан-Франциско: Юнион-сквер (недалеко от центра города) и парка «Золотые ворота» (4 мили от центра города, популярная концертная площадка). (Обратите внимание, что это прогнозы только на основе нашей прогнозной модели спроса на январь 2020 года. Подробнее об этом позже!)

На первой диаграмме (выше) мы видим спрос, обусловленный событиями, в районе Юнион-сквер, который находится очень близко к конференц-центру Moscone. Таким образом, мы видим, что наша прогностическая модель очень динамично реагирует в течение года и в конечном итоге затмевает относительно небольшое влияние сезонности в этой области.

Однако на втором графике (ниже) мы рассматриваем объекты рядом с парком «Золотые ворота», в 4 милях от центра города. На этой диаграмме мы ясно видим, что самыми крупными событиями должны были стать два музыкальных фестиваля — Outside Lands и Hardly Strictly Bluegrass. Эти события не влияют на центр города. И только Dreamforce, крупнейшая из конференций, может быть окончательно привязана к конкретному скачку цен в районе Golden Gate Park.

Важно отметить, что наша модель также может использовать этот сигнал, чтобы предсказать, когда значительный спрос будет распространяться на другие районы, хотя и с меньшим мультипликатором цены.

Часть 4. Модель реактивного спроса

Как мы используем сигналы о бронировании, чтобы точно оценить вашу единицу в соответствии с фактическим спросом

Как мы все знаем, рыночные условия меняются ежедневно, а иногда и кардинально.

Что касается размещения, то по мере приближения дат проживания мы можем наблюдать больше бронирований и получать более конкретное представление о спросе. (Несмотря на то, что большая часть мест для размещения по-прежнему использует исторические данные для формирования всех цен, мы используем фактические бронирования.)

Подобно нашей модели прогнозируемого спроса, наша модель реактивного спроса пытается определить как насколько, так и почему меняется спрос. Ежедневно наша модель повторно анализирует ваш рынок, используя ранее упомянутые кривые бронирования и гамма-деформацию, чтобы перепрогнозировать эти три основных фактора спроса — сезонность, день недели и местные события.

В качестве очень наглядного примера давайте посмотрим на нашу модель реактивного спроса для центра Сан-Франциско, рассчитанную на 1 января 2020 г. (фиолетовая линия) и 15 марта 2020 г. (желтая линия).

Как видите, по состоянию на 1 января (фиолетовая линия) наша модель реактивного спроса предсказывала резкие всплески спроса на многие мероприятия в Сан-Франциско, включая Dreamforce, огромное ежегодное мероприятие в октябре в Сан-Франциско.

Однако к 15 марта вы можете видеть, что спрос на события во втором квартале (апрель — июнь) практически полностью испарился. Таким образом, рост цен, прогнозируемый ранее, либо полностью исчез, либо стал гораздо более приглушенным.

Интересно, что мы также можем видеть, что спрос на мероприятия в третьем квартале еще не упал с обрыва. Неопределенность рынка отчетливо видна, поскольку мы видим, что спрос на Dreamforce резко упал. Конечно, на деле от этого стало только хуже. Но это интересный моментальный снимок, который показывает, что наша модель фиксирует краткосрочные изменения, но пока еще не применяет эти модели к общей распродаже рынка.

Это именно то, что мы ожидаем от нашей реактивной модели. Рекомендации модели полностью основаны на поведении рынка, а не на предположениях или исторических предположениях.

Часть 5. Объединение наших моделей спроса

Как смешиваются наши модели, чтобы каждый день оценивался точнее с течением времени

Иллюстрируя наши прогнозирующие и реактивные модели спроса, мы пытались показать, что наш механизм ценообразования ежедневно создает и использует две оценки будущего спроса. Причина, по которой у нас есть эти две модели, заключается в том, что нам нужно (а) сделать вывод о прогнозируемом спросе, до того, как он возникнет, и (б) отреагировать на фактический спрос. > спрос по мере приближения дат проживания и появления моделей бронирования.

Мы используем эти две модели для ежедневных рекомендаций, динамически смешивая модели спроса вместе.

На приведенной ниже диаграмме мы отобразили даты пребывания по оси X от сегодняшнего дня (крайний слева) до 365 дней (крайний справа). На оси Y мы показываем вес (от 0% до 100%), который наша реактивная модель имеет для любой даты будущего пребывания. Причина, по которой кривая наклонена вверх (справа налево), заключается в том, что по мере приближения даты пребывания наша реактивная модель начинает оказывать гораздо большее влияние на рекомендацию цены на этот день.

Кроме того, всплески, которые вы видите в строке, показывают, что большое количество бронирований приводит к тому, что наша реактивная модель получает больший вес раньше, чем обычно. Иными словами, когда мы видим большой всплеск спроса и уверены, что это явный рыночный сигнал, наша модель очень быстро реагирует на этот спрос.

Этот динамический подход к смешиванию, насколько нам известно, является новым в нашей отрасли.

Часть 6. Управление календарем

Как мы смешиваем ваши местные сигналы спроса с «доступными ночами» вашего подразделения

То, как хосты и операторы контролируют свои календари бронирования, может значительно повлиять на вероятность бронирования и, следовательно, на стратегию ценообразования и ожидаемый доход.

Есть два ключевых аспекта управления календарем, которые влияют на доход:

  • Пробелы вакансий, т. е. одна или несколько ночей между двумя бронированиями.
  • Временность, т. е. сколько дней остается открытым, за определенное количество дней до даты пребывания.

Мы собираемся изучить их оба, чтобы проиллюстрировать, как решения, которые вы принимаете в отношении принятых вами бронирований, могут повлиять на ваш ожидаемый доход.

Пробелы вакансий

Как ограниченная доступность может повлиять на вероятность бронирования

Промежутки между вакансиями — это короткие промежутки ночей для объекта, когда ночи до и после даты пребывания забронированы или заблокированы. Для многих краткосрочных аренде эти короткие пробелы вакансий имеют гораздо меньшую вероятность бронирования. Это показано в следующем анализе дефицита вакансий на рынке Сан-Франциско.

В Сан-Франциско вероятность бронирования на одну ночь составляет всего 7,3%, по сравнению с обычным днем ​​на рынке, где вероятность бронирования составляет 41,1%. По мере увеличения этого «разрыва вакансий» (т. е. двух-трех ночей) вероятность бронирования на эти дни увеличивается.

Однако вероятность бронирования также зависит от доступных дней недели. Например, в Сан-Франциско двойная ночная пауза в выходные дни (т. е. в пятницу и субботу) имеет на 5,4% больше шансов быть забронированной, чем два будних дня.

Таким образом, наш механизм ценообразования использует комбинацию длины пробела вакансий и дня недели, чтобы определить подходящую скидку для любого пробела вакансий, который появляется в вашем календаре.

Ежедневно наша модель просматривает календарь каждого подразделения, чтобы попытаться максимизировать доход, соблюдая правила минимального пребывания и блоки календаря, которые контролируют клиенты.

Скидки «в последнюю минуту»

Как мы корректируем цены, чтобы помочь вам фиксировать бронирования в последнюю минуту по правильной цене

На рынке краткосрочной аренды хозяева и владельцы имеют тенденцию применять скидки в последнюю минуту по мере приближения даты проживания. Мы наблюдаем, что на многих рынках этот график скидок гораздо более агрессивен, чем то, что мы видим для отелей.

Например, давайте посмотрим на график того, как операторы снижают цены с течением времени по мере приближения даты пребывания. Как мы видим здесь, примерно за две недели до даты пребывания средние цены на бронирование начинают снижаться, пока они не упадут почти на 30% для бронирований в тот же день.

Хотя это зависит от рынка и подразделения, Wheelhouse включает графики скидок в наши ценовые рекомендации в качестве «временной корректировки», которая динамически снижает цену по мере приближения даты пребывания.

Следует отметить, что многие пользователи предпочитают не снижать цены по мере приближения даты пребывания. В Wheelhouse, как и в любом другом аспекте нашей модели, вы можете либо (а) выбрать автоматические настройки для своего подразделения, либо (б) полностью настроить свою стратегию скидок в последнюю минуту любым удобным для вас способом.

Модель конкурентного набора

Как мы определяем, какие объекты конкурируют с вами за гостей

В области STR автоматическое определение точного конкурентного набора может быть довольно сложным. Это связано с очень изменчивым предложением пространства STR, которое иногда создает неинтуитивные конкурентные наборы.

Например, нет ничего необычного в том, что в номере с 1 спальней могут разместиться 4 (или даже больше!) гостей. Из-за этого не было бы необычным обнаружить, что «точный» соревновательный набор для этой единицы будет включать единицы 1BR, 2BR или даже 3BR.

Дополнительно усложняет ситуацию тот факт, что многие «похожие» близлежащие объекты на самом деле могут не быть настоящими конкурентами. (Иными словами, не все места с 1BR одинаковы!) Это может быть связано с границами района, различными удобствами, отзывами и т. д. Например, если у вашего отряда есть бассейн, в набор для соревнований, скорее всего, должны входить (по крайней мере, летом!) соседние отряды, у которых тоже есть бассейны.

Учитывая эту сложность, мы обнаружили, что наиболее эффективный конкурентный набор можно определить, определив, какие подразделения имеют наиболее схожую комбинацию функций и моделей бронирования.

Наш механизм рекомендаций создает Comp Sets, объединяя нашу базовую модель цен (которая неявно идентифицирует похожие свойства) с моделью занятости. Мы обучаем эту модель так же, как и нашу модель базовой цены, чтобы предсказать занятость единицы. Кроме того, мы учитываем географическое расстояние между объектами.

Таким образом, у нас есть ожидаемая базовая цена, а также ожидаемая заполняемость каждой единицы на рынке. Однако этот подход абстрагируется от единичных признаков до более общего сравнения, которое неявно оценивает сходство, например. удобства, спальни и местоположение в зависимости от того, как они работают на рынке.

Используя различия в базовой цене, ожидаемой заполняемости и географическом расстоянии, мы затем проводим кластерный анализ, чтобы определить окончательный рекомендуемый конкурентный набор.

Чтобы исследовать эту модель Comp Set, давайте возьмем образец «личной комнаты» в центре Сан-Франциско, где нет спален, т. е. студия, и одна ванная комната, рассчитанная на двоих.

В этом случае наша модель Comp Set идентифицирует конкурирующий набор из 90 единиц. Среди этого конкурентного набора 68 квартир также не имеют спален, а остальные 32 имеют одну спальню. И хотя 74 единицы также классифицируются как «отдельные комнаты», 16 единиц представляют собой целые дома/квартиры.

Результаты показаны на следующем изображении, на котором каждая близлежащая единица изображена в виде отдельной точки.

Как видите, некоторые из этих близлежащих юнитов считаются слишком удаленными географически, чтобы быть по-настоящему конкурентоспособными (эти юниты отмечены «красными кругами»).

Для следующего набора более близких единиц наша модель удаляет единицы, для которых базовая цена и ожидаемая заполняемость не совпадают (эти единицы отмечены «синими квадратами»). Однако, когда и расстояние, и сходство «совпадают», наша модель включает эту единицу в «конкурентный набор» по умолчанию (желтые кружки, сгруппированные в центре).

Довольно круто! Но… готовы погрузиться еще глубже?

Давайте продолжим наш анализ набора компетенций, изучив распределение двух ключевых показателей, базовой цены и занятости, для выявленных конкурентов. Как мы видим на первой диаграмме, наш график базовой цены показывает, где среди набора компетенций падает базовая цена этой единицы. На втором графике мы видим, что распределение по заполняемости на самом деле значительно шире, хотя все еще похоже на нашу единицу выборки.

И хотя некоторые единицы показывают большее отклонение в одном из этих показателей (например, в базовой цене), эти единицы, в свою очередь, более похожи в другом показателе (например, в занятости).

Третий график ниже предлагает еще одну точку зрения, чтобы увидеть, как работает наша модель Comp Set.

Короче говоря, когда мы изучаем метрику расстояния, вы можете видеть, что, хотя наша модель конкурентного набора явно отдает предпочтение единицам, которые находятся поблизости. Но он также учитывает некоторые устройства, расположенные дальше, если они показывают очень похожие показатели производительности.

В целом, модель Comp Set компании Wheelhouse идентифицирует и сравниваеткак широкий, так и узкий набор конкурентов. Наши данные за прошедшие годы показали, что лучше всего оценивать цену по большему набору «потенциальных конкурентов», а не по меньшему набору «определенных конкурентов».

Кроме того, благодаря этому подходу мы можем показать клиентам более широкий набор «потенциальных конкурентов», что может быть полезно для предоставления более широкого спектра идей при (а) сравнении показателей эффективности или (б) выборе стратегии ценообразования.

Динамическая модель стимуляции

Как можно использовать группы единиц для улучшения ценообразования с течением времени

В то время как описанная выше стратегия скидок в последнюю минуту хорошо работает для отдельных единиц STR, мы узнали, что для многоквартирных объектов (отелей или премиальных зданий STR) эффективная стратегия ценообразования требует совершенно другого подхода.

Чтобы обрабатывать все более профессиональные портфели в пространстве STR, Wheelhouse Pricing Engine разработал концепцию «типов единиц». Типы квартир помогают свойствам с похожими комнатами (например, несколько студий, 1BR, 2BR, 2BR/2BA и т. д.) использовать «портфельный» подход к ценообразованию. Подобно тому, как работает ценообразование в отелях, этот подход позволяет нам принимать решения о ценообразовании на основе производительности набора объектов.

На приведенном ниже графике мы иллюстрируем изменения соотношения риска и вознаграждения по мере того, как набор номеров начинает бронироваться. В этом сценарии давайте проанализируем бутик-отель, в котором есть 10 номеров определенного типа.

До того, как произойдет первое бронирование, высок риск низкой дневной выручки. Следовательно, повышение цен до первого бронирования также увеличивает риск «наихудшего сценария» — 0 долларов дневного дохода. В качестве альтернативы, если 9 из 10 номеров на дату пребывания уже забронированы, предельный риск повышения цены на последний номер намного меньше. Таким образом, чем больше недвижимости бронируется, тем более агрессивно мы можем потенциально оценивать оставшиеся доступные единицы.

Когда мы протестировали нашу модель темпа на нашем портфолио с помощью A/B-тестов, мы заметили способность увеличивать доход на уровне здания на 0,9–1,5%. Несмотря на то, что такие воздействия кажутся небольшими, в совокупности они являются основой успеха нашей модели.

Хотя это одна из наших новых инноваций, мы уверены, что Wheelhouse разработала единственную динамическую модель стимуляции в категории STR. Мы с нетерпением ждем возможности продолжить работу над этим, особенно с нашими городскими партнерами по STR.

Вывод

Спасибо, что прочитали больше о многих уникальных компонентах механизма ценообразования Wheelhouse.

На страницах выше мы подробно описали, как наша модель может:

  • Понимание каждой уникальной единицы
  • Поймите каждый местный рынок или район
  • Добейтесь максимального дохода от отдельных единиц или портфелей единиц
  • Максимизируйте доход в городах, сельской местности и местах отдыха
  • Максимизируйте доход в кластерах единиц с высокой плотностью и сильно разбросанных единицах
  • Со временем адаптируйтесь к уникальным характеристикам каждого устройства

Мы надеемся, что, получив эти знания, вы почувствуете себя достаточно подготовленными для использования или изменения любого аспекта ценовой стратегии Wheelhouse, чтобы более эффективно удовлетворять потребности и цели вашего бизнеса.

Однако мы понимаем, что, несмотря на все усилия, которые мы вложили в наш механизм ценообразования, истинный успех Wheelhouse зависит от вас. Ни один механизм ценообразования не будет полным без квалифицированного оператора (вас!), который изменит наши рекомендации, чтобы лучше отразить ваши уникальные бизнес-цели.

Поэтому, хотя нам нравится улучшать нашу модель, знайте, что наша команда продолжает вкладывать столько же времени и энергии в разработку удобного интерфейса, который дает вам доступ к широкому спектру настраиваемых параметров и стратегий. Эти усилия гарантируют, что у вас всегда будет окончательное решение о том, как оценить ваш уникальный портфель.

И, наконец, если у вас есть какие-либо вопросы о Wheelhouse — о нашем продукте или о нашей системе ценообразования — просто знайте, что наша команда, особенно наша лучшая в своем классе служба поддержки, готова и готова помочь!

Вперед, Team Wheelhouse