Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Mais de harmonylab
Mais de harmonylab (20)
Último
Último (12)
Customized Regression Model for Airbnb Dynamic Pricing
- 1. Customized Regression Model for Airbnb Dynamic Pricing 1 北海道大学 工学部 4年 鈴木 涼平 2019/06/21 DLゼミ
- 2. 2論文概要 • 著者 – Peng Ye (Airbnb); Julian Qian (Ant financial); Jieying Chen (Airbnb); Chen-Hung Wu (Airbnb); Yitong Zhou (Airbnb); Spencer De Mars (Airbnb); Frank Yang (Airbnb); Li Zhang (Airbnb) • KDD2018 • https://www.kdd.org/kdd2018/accepted- papers/view/customized-regression-model-for-airbnb- dynamic-pricing
- 4. Airbnbについて 4 • Airbnb(エアビーアンドビー)：宿泊施設・民宿を 貸し出す人向けのウェブサイト • https://www.airbnb.jp/ • 一般的な部屋,ツリーハウス,古民家など • ヨガ教室,トレッキングなどの体験もある
- 5. Airbnbについて 5 ホスト 価格 • ホストユーザーが 部屋(家,体験)を提 供 • このリスティング は1泊10,889円 • ホストが価格を設 定
- 6. 6論文概要 • 背景 – Airbnb上の動的な価格戦略モデルについて • Smart Pricing とPrice Tipsのアルゴリズム – ホストに対して効果的な価格を提示する • Airbnbに1年以上導入 • 提示した価格を採用したホストの予約数と予約額が 大幅に増加
- 7. Airbnbでの価格設定 7 • Price Tips…その日の価格について「ヒント」を与え, 同意された場合に提示価格が高くなる • Day of the week • Time of year • More than 30 days from today 料金が高い
- 8. Airbnbでの価格設定 8 • Smart Pricing…類似のリスティングの需要変動に合わ せて設定価格を自動で変動させる • ON/OFF • 最低価格 • 最高価格
- 9. 9論文概要 • 動機 – Airbnbでは固有の価値と経験を提供するため,従来の収 益最大化の価格戦略は適用出来ない • 価格設定システムの要素 1. 二値分類モデルでその日の宿泊の予約確率の予測 2. 回帰モデルが最適価格を予測 3. Personalization(本論文では触れていない) • ホスティングの目標,特別なイベントを組み込んだ追加のパーソナラ イズロジックを適用
- 10. 10価格設定システムの要素 1. 二値分類モデルでその日の宿泊の予約確率の予測 2. 回帰モデルが最適価格を予測 3. Personalization(本論文では触れていない)
- 11. 11ダイナミックプライシングの課題 1. Time-varying • 季節性と出来事 – 季節と特別なイベントにおいて需要が急増する • Fig3. • 過去5年間における 「Airbnb」の検索トレンド • 夏の間に増加する傾向が ある
- 12. 12ダイナミックプライシングの課題 1. Time-varying • 季節性と出来事 • 季節と特別なイベントにおいて需要が急増する • リードタイム • 計算日から確率を推定したい日までの残り日数 • 残り日数が少ないほど予約する機会が少ないため,需要 も減る
- 13. 13ダイナミックプライシングの課題 2. Listing-varying • Airbnbには標準な住宅に加えて,城,木の家,ボートな どがある • 同タイプの部屋ではレビューが良い方が人気 • 需要が十分に高ければ,占有率が下がりにくいため, 価格を高く出来る • しかし,価格上昇は予約確率を損なわせる可能性があ る
- 14. 141. 予約確率モデル • あるリストの利用可能な日の,予測を行う時点での予約確率を予測 • リストの特徴: • 1泊の価格,部屋のタイプ,部屋人数,寝室・バスルーム数,設備,場所,レビュー,過 去の稼働率,即時予約の可能か など • 時間的特徴: • 季節性,カレンダーのAvailability(チェックイン,チェックアウトの間隔),リード タイム • 需要と供給のダイナミクス: • 近隣地域で利用可能なリストの数,listing views,検索・コンタクトの割合
- 15. 151. 予約確率モデル • 各市場で、個別のGBMモデル をトレーニングする • 指標はAUCを用いる • また,適応的サンプリングをリ ストの密度で行う(激戦区とそ うでない地区の差を減らす)
- 16. 16価格設定システムの要素 1. 二値分類モデルでその日の宿泊の予約確率の予測 2. 回帰モデルが最適価格を予測 3. Personalization(本論文では触れていない)
- 17. 17価格見積もりの評価 • Airbnb上の価格を𝑃 ,モデルが提示した価格を𝑃𝑠𝑢𝑔 • 次の𝑃𝑠𝑢𝑔は明らか最適ではない • 予約されており,𝑷 𝒔𝒖𝒈 < 𝑷 • 予約されておらず,𝑷 𝒔𝒖𝒈 ≥ 𝑷 • 最適な価格はわからないが,明らかに最適でない価格な らわかる ということに着目している
- 18. 18価格見積もりの評価 • Price Decrease Recall 𝑃𝐷𝑅 = 𝑑 𝑏+𝑑 • 未予約のもののうち,モデルが提示した価格のほうが低 い割合 • PDRが高いと,未予約の価格より低い価格をモデルが提 示できることが多い
- 19. 19価格見積もりの評価 • Booking Regret • 𝐵𝑅 = 𝑚𝑒𝑑𝑖𝑎𝑛 𝑏𝑜𝑘𝑘𝑖𝑛𝑔𝑠 max 0, 𝑃−𝑃𝑠𝑢𝑔 𝑃 • 予約された価格よりも低い価格をモデルが提示したとき の損失の割合を計算 • それらの中央値をモデルの評価値として利用 損失: 15$(14%) 10$(5%) 0 0 5$(6%) 𝐵𝑅 = 𝑚𝑒𝑑𝑖𝑎𝑛 14,5,0,0,6 = 5(%)
- 20. 202. 戦略モデル - 目的関数 • トレーニングサンプル {𝑥𝑖, 𝑦𝑖} • 𝑦𝑖 = {0,1} 0:未予約, 1:予約済 • 𝑥𝑖に含まれるもの 1. ホストが設定したカレンダー価格𝑃𝑖 2. リストの宿泊のゲストの予約確率𝑞𝑖(このモデルの 1段階目で出力されたもの) 3. 市場需要信号: 予約確率モデルでは完全に補足さ れない需要関連の信号 (これ以上記載なし)
- 21. 212. 戦略モデル – 損失関数 • SVRに用いられるε 許容損失(a) • 損失関数へ利用する • 価格の範囲を決め、モデルが提案した価格がこの範囲に収まっ ていればよい(b)
- 22. 222. 戦略モデル – 損失関数 • 価格の下限𝐿 𝑃𝑖, 𝑦𝑖 = 𝑦𝑖 ∙ 𝑃𝑖 + (1 − 𝑦𝑖) ∙ 𝑐1 𝑃𝑖 • 上限𝑈 𝑃𝑖, 𝑦𝑖 = (1 − 𝑦𝑖) ∙ 𝑃𝑖 + 𝑦𝑖 ∙ 𝑐2 𝑃𝑖 𝑦𝑖 = 1 𝑦𝑖 = 0
- 23. 232. 戦略モデル – 損失関数 • 予約されたら価格を上げる 𝑈 𝑃𝑖, 𝑦𝑖 = (1 − 𝑦𝑖) ∙ 𝑃𝑖 + 𝑦𝑖 ∙ 𝑐2 𝑃𝑖 • 予約されないなら価格を下げる 𝐿 𝑃𝑖, 𝑦𝑖 = 𝑦𝑖 ∙ 𝑃𝑖 + (1 − 𝑦𝑖) ∙ 𝑐1 𝑃𝑖 • 𝑐1 ∈ 0,1 𝑐2 > 1 • ハイパーパラメータ探索によっ て学習されたパラメータ • どのように学習したのか記載無
- 24. 242. 戦略モデル – 損失関数 • ℒ = arg 𝑚𝑖𝑛 σ𝑖=1 𝑁 𝐿 𝑃𝑖, 𝑦𝑖 − 𝑓𝜽 𝑥𝑖 + + (𝑓𝜽 𝑥𝑖 − 𝑈(𝑃𝑖, 𝑦𝑖))+ ) • +はmax(0,∙) • モデルが提案した価格𝑓𝜽 𝑥𝑖 が範囲内であれば損失０
- 25. 252. 戦略モデル –需要強化型プライシング • 1.価格は予約確率と正の相関がある • 2.価格は最も代表的な価格Pに、増減の振動Vがある • 𝑃𝑠𝑢𝑔 = 𝑃 ∙ 𝑉 … (9) • 𝜃1, 𝜃2が定まったとき,予約確率qに単調増加である • 需要スコアD:クラスタレベルの需要信号をガウスス ケールによって正規化したもの(それ以上記載無し) • D>0で高需要 D<0で低需要
- 26. 262. 戦略モデル –需要強化型プライシング • 1 < 𝜑 𝐿 < 𝜑 𝐻 < 2の曲線の歪曲率のようなもの(記載無) • 需要スコアD:クラスタレベルの需要信号をガウススケールによっ て正規化したもの • D>0で高需要 D<0で低需要
- 27. 272. 戦略モデル –需要強化型プライシング • パラメータ𝜃はホストごとに学習 • 学習に使用したデータ • 予約確率モデル：昨年の予約全体 • 戦略モデル:すべての予約サンプルと過去数週間の予約 • 最新のトレンドに焦点を合わせるように設計されるため • 記載がないため具体的には不明
- 28. 28実験 • ( a ):2018-01-15 から 2018-02-04 • Airbnb上の予約数が多い期間 • ( b ):2017-10-20 から 2017-11-11 • 予約が少ないため,リードタイム(予約期限)が長くなっている期間 • ( c ): 2017-10-20 から 2018-01-20
- 29. 29実験 • 予約確率モデルを使用し,期待収益の最大化戦略した場合と戦略モデル を使用した際の比較 • 繁盛期(a)のBR値を除き大幅に測定基準を改善させた • 実際に戦略モデルは導入されて1年以上経過し,提案を採用したホスト は予約数と予約額が大幅に増加した
- 30. 30実験 – 地域市場 • 東京,Tahoe(カリフォルニア州にある湖) • 2018-02-08から120泊分 • 日付に対するモデルの提示価格の平均値
- 31. 31実験 – 地域市場 • 週末に提示する価格が高くなる傾向がある • 東京の4月は桜の季節で需要が高い(と著者は述べている) • 価格戦略モデルは需要の変化を予測出来ている.
- 32. 32まとめ • Airbnbホストがより効果的な価格を設定できるように価格 戦略モデルを提案した • オフ・オンラインでの評価結果は戦略モデルは直接的な価 格戦略よりもはるかに優れていることを示した • 需要曲線推定の改善に積極的に取り組んでいる • より正確な需要曲線を使用して、直接的な収益最大化戦略 を再検討する可能性がある.