에어비앤비의 가격 책정
-
Price Tips
호스트가 달력에 날짜별로 받고 싶은 금액을 적으면 airbnb는 예상 예약율을 color을 통해 보여준다.
그리고 적정금액으로 변경하도록 제안한다.
-
Smart Pricing
호스트가 자신이 받고싶은 금액대(min, max)를 설정하면, 설정한 날짜들에 대하여 자동으로 금액을 맞추도록 도와준다.
- Overview of the pricing system
First, a binary classification model predicts the booking probability of each listing-night.
Second, a per-listing regression model predicts the “optimal” price for each listing-night, in which a customized loss function is used to guide the learning. Predicted booking probability from the first model is used as an input feature for the regression model.
Finally, we apply additional personalization logic incorporating hosting goals, special events, etc on top of the output from the second model to generate the final price suggestions.
- 지표 설정
스마트 요금 책정 방법
분석 사례
-
에어비앤비(Airbnb)의 숙박가격 결정요인 분석 - 서울시를 중심으로 (2016.06 건국대 부동산학과 최다정)
서울시 701건 사례 헤도닉 모형(회귀분석 모형)
숙박가능인원, 게스트하우스, 보증금예치, 유연한 환불정책, 청 소비 청구, 슈퍼 호스트, 종로 및 강남지역일 경우 에어비앤비 숙박가격에 양(+)의 영향
반면 개인실 및 다인실 제공, 추가인 원요금 부과, 남성 호스트, 이용후기 개수, 호스트 동거는 음(-)의 영향
-
Airbnb Price Prediction Using Machine Learning and Sentiment Analysis (2019.07 Stanford University)
Airbnb 가격 예측에 가장 성능이 좋은 모델을 찾아내고자 함
뉴욕시 50,221 사례, 96개 feature 사용
테스트한 모델 중 SVR(Support Vector Regression)이 가장 좋은 성능을 보였고, 테스트 세트에서 R2 69%와 MSE 0.147을 생성함
더 많은 데이터 사례로 모델링 할 경우 K-means clustering with Ridge Regression model 의 성능이 향상 될 수 있음 -
개인 포스팅: Predicting Airbnb prices with machine learning and deep learning (2019.05 Laura Lewis)
-
XGBoost 머신 러닝 모델(특히 xgb.XGBRegressor()) 구축
가장 중요한 10가지 Fetures : 숙박 시설의 수용 인원/ 청소비/ 호스트가 보유한 기타 숙소 수(및 멀티 리스팅 호스트인지 여부)/ 다음 90일 중 예약할 수 있는 날짜 수/ 추가 인원당 요금/ 리뷰 수/ 욕실 수/ 보증금/ 숙소가 웨스트민스터에 있는 경우/ 최소 숙박일
-
XGBoost 모델의 점수를 향상시킬 수 있는지 알아보기 위해 신경망(NN) 실험
몇가지 파라미터 조정을 하였으나, XGBoost 모델만큼 성능이 좋지 않았음
그러나 최고 성능의 모델에서도 가격 변동의 73%만 설명할 수 있었음
나머지 27%의 설명할 수 없는 상당 부분은 숙소 사진의 차이로 인한 것일 수 있음
결론
여기어때는 자체 상품을 판매하는 것이 아니기 때문에, 객실 판매가격 조정에 제한이 있을 것.
(최저가가 아닌 경우 쿠폰 사용을 통한 최저가 제공)
제휴점의 객실 판매가격 산정/실시간 조정 지원.
제휴점의 객실 요금 산정시 가이드라인 제공.
