在KDD 2018上，Airbnb的研究人員們發(fā)表了一篇名為Customized Regression Model for Airbnb Dynamic Pricing的論文。這篇文章描述了Airbnb使用的動態(tài)定價模型，以下是論智對文章的大致介紹。

價格優(yōu)化的目的是幫助房東制定最優(yōu)價格。傳統(tǒng)定價策略是為大量相同的產(chǎn)品定價，但在Airbnb沒有相同的產(chǎn)品，因為平臺所提供的房屋都有獨一無二的價值和體驗感受。這樣的獨特性就很難估計傳統(tǒng)定價策略所需要的需求曲線。

“研究人員所提出的策略模型在Airbnb上應(yīng)用了一年多的時間。第一代模型剛一使用，網(wǎng)站的預(yù)定量就得到大幅提升，采用了這一方法的房東們受益也隨之增長。經(jīng)過多次迭代后，策略模型將進一步改善定價的質(zhì)量?！?/p>

想給Airbnb上所有不同的房間定價是非常有挑戰(zhàn)性的，即使我們可以收集同一區(qū)域中的同樣大小的房間，但是其他因素（例如評分星級）也會影響價格。除此之外，由于不同的季節(jié)和區(qū)域因素，需求也是隨時間波動的。同樣，預(yù)定的早晚也是影響價格的因素，預(yù)定的越晚，房間預(yù)訂成功的機會就越小，這也會導(dǎo)致需求函數(shù)的變化。

為了讓房東的受益最大化，Airbnb提出了“Price Tips”和“Smart Pricing”工具。Price Tips可以提供價格日歷，根據(jù)房東目前的定價，顯示該房間每天被預(yù)定出去的概率是多少。點擊某一天，頁面中會顯示Airbnb推薦的價格以及其他信息。

Price Tips截圖

在Smart Pricing工具中，房東可以設(shè)置一個最低值和最高值，之后Airbnb會自動生成不同日期的新價格。

Smart Pricing截圖

在理想情況下，我們會估計一個需求曲線F(P), 在給定價格P的情況下估計房間的需求量，之后選擇P的值，使P×F(P)的值最大。之前我們已經(jīng)提到過影響價格的因素有很多，而且，由于Airbnb并不是直接控制房間價格的，而是只能給出“建議價格”，所以想要直接拿不同的定價策略做實驗來觀察市場反應(yīng)也是不容易的。

Airbnb最終采用的定價系統(tǒng)有三個要素：

一個二元分類模型，預(yù)測某一晚某房間預(yù)定的概率。

這些預(yù)測之后會被輸入到一個定價策略模型中，會對空閑日期提出建議價格。

策略模型會加入其他個性化邏輯，以符合房東的目標、結(jié)合特殊事件等等。

定價系統(tǒng)概覽

這篇論文的主要目的是定價策略模型，但是我們首先要簡單了解下預(yù)定概率模型的細節(jié)。

預(yù)定概率模型

想知道某件房間會有多大概率被預(yù)定，這里是用的是Gradient Boosting Machines（GBM），除此之外還有一個針對各個市場訓(xùn)練的模型。對于訓(xùn)練數(shù)據(jù)的采樣率在根據(jù)各市場密度的不同有所差別：

“房屋密度高的市場能從地理位置這一因素中獲益最多，這里的采樣率會高于全局常量的采樣率?！?/p>

模型在做決策時考慮了三個方面：

頁面所列出的各項特征，例如每晚的價格、房間類型、可住人數(shù)、房間數(shù)量、洗手間數(shù)量、房間設(shè)施、地理位置、評價、歷史入住率、能否立即預(yù)定等等。

時間因素，例如季節(jié)、日期、可入住時間等等。

供給因素，例如周圍是否有相似房源、評價、搜索率等等。

模型在不同價格點預(yù)測預(yù)定概率，可能會得到一個需求曲線。但是，由于上述的多重影響因素，想得到精確的需求曲線進行價格設(shè)置是非常困難的。

“我們試著基于估計的需求曲線，直接應(yīng)用利潤最大化策略，但是在線的A/B測試結(jié)果顯示這些方法在實際中通常會失敗。所以，我們決定找其他的替代方法?！?/p>

替代法使用預(yù)定概率模型的輸出結(jié)果作為定價策略模型的輸入因素之一。

定價策略模型

首先讓我們思考：在缺少最優(yōu)價的基礎(chǔ)上，訓(xùn)練定價策略模型時，應(yīng)該用什么評估尺度呢？

深思熟慮之后，研究團隊確定了兩種評估尺度：價格下降查全率（PDR）和預(yù)定反悔率（BR）。我們曾統(tǒng)計過，某間房間是否在某天被預(yù)定出去，以及預(yù)定的價格是多少。PDR和BR都能反映出這一點。

假設(shè)如果某間房沒能以價格P成功預(yù)定，那么它也一定不會在比P更高的價格上預(yù)訂出去。但是如果價格低于P，那么可能有被預(yù)定的機會。PDR就表示當實際價格高于模型的建議價格時，房間未被預(yù)定的比例。在下面的圖表中，PDR為0.6（5晚中有3晚沒有被預(yù)定出去）。

如果我們只有PDR，那么最終我們訓(xùn)練出的模型最后會把指導(dǎo)價格變?yōu)榱?！如果該房間某天被成功預(yù)訂，價格為P，并且P≥指導(dǎo)價格，那么這個指導(dǎo)價格就沒什么用了。預(yù)訂反悔率就抓住了這之中的利潤。BR按以下方法計算：對于所有被成功預(yù)訂的日子，取零和預(yù)定價格與指導(dǎo)價格之間的百分比之中的最大值。然后從這些值中取中位數(shù)。

例如：

BR就是（14，5，6，0，0）的中位數(shù)，5%。

現(xiàn)在我們把這些思想合到一個單一的損失函數(shù)中，看起來是這樣：

給定參數(shù)xi，fθ(xi)是輸出的建議價格，L是下限函數(shù)，U是上限函數(shù)。

對于預(yù)訂出去的日期，下限是預(yù)定價格Pi，對于沒有預(yù)定出去的日子，是c1Pi，其中c1是0到1之間的常數(shù)。

對于沒有被預(yù)訂出去的日子，上限是價格日歷中的價格Pi。對于預(yù)訂出去的日子，上限是c2Pi，其中c2是大于1的常數(shù)。

當建議價格在上下限之間時，損失是零，否則損失就是建議價格和界限之間的距離。

在論文中，作者提到：

“我們并不用相同的常數(shù)表示價格增加和減少，因為我們想讓訓(xùn)練系統(tǒng)非對稱地學(xué)習(xí)比率。這樣一來，建議價格可以反映需求的敏感度?！?/p>

參數(shù)θ1和θ2是在Airbnb上400多萬個有效房源中訓(xùn)練出的，訓(xùn)練更關(guān)注最近的預(yù)定行為，從而更好地反映季節(jié)信號。

評估

和直接從預(yù)定概率模型中的需求估計曲線定價的簡單策略相比，定價策略模型顯著改善了PDR和BR。

除了定量評估，論文作者還檢查了2018年2月8日生成的未來120晚的價格，下圖分別是針對日本東京和美國加州太浩湖的房源價格走勢：

可以看到，兩地房間的價格都在周末有所上升，并且東京在三月末到四月初的房價也相對較高，因為那正是賞櫻的好時節(jié)?！皬倪@兩個案例中，我們看到模型的確能捕捉到時間帶來的房價波動”，研究者說。