UMETNA INTELIGENCA
- pomoč pri optimizaciji prihodkov -
Pred pojavom umetne inteligence so cene namestitve večinoma nastavljali ročno, v veliki meri so bile odvisne od izkušenj in poznavanjem trga. Praviloma so operaterji postavljali cene bolj na pamet in po občutku.
Danes se cene oblikujejo s pomočjo napovedne analitike. Ta tehnologija omogoča predvidevanje prihodnjih trendov cen namestitev.
S temi informacijami prilagodimo obstoječo cenovno strategijo. Tako bi morali z oddajanjem svoje nepremičnine iztržiti vsaj 10% več (razvijalci aplikacij obljubljajo do 30% več - zasedenost in/ali povprečna cena namestitve). Oziroma. če bodo te aplikacije nekoč v bodočnosti (to je čez 2 do 3 leti) uporabljali drugi, vi pa ne, se vam bo promet zmanjšal za do 30%.
Kompleksnost ugotavljanja najboljše cene
Hotelska industrija je kompleksna, s širokim spektrom notranjih in zunanjih dejavnikov, ki vplivajo na cene. Da lahko algoritmi strojnega učenja natančno napovedujejo cene, moramo upoštevati vse dejavnike in zbrati kakovostne podatke.
Notranji dejavniki:
- zgodovina cen,
- lokacija apartmaja,
- število in velikost sob,
- ponujene ugodnosti in storitve kot npr. parking, balkon, terasa, bazen...
- nihanja povpraševanja glede na sezono, praznike in drugo.
Zunanji dejavniki:
- cenovne strategije konkurentov,
- gospodarski in politični dejavniki
Dostopnost in kakovost podatkov
Natančnost napovedi hotelskih cen je odvisna od razpoložljivosti in kakovosti podatkov, npr. preteklih cen in podatkov o povpraševanju.
Če nekatere pomembne informacije manjkajo ali so nezanesljive, napovedi ne bodo po pričakovanjih. Na primer, če ste šele začeli oddajati, morda ne bo dovolj analitičnih podatkov za usposabljanje modelov in se bo programska koda učila le na podlagi primerljivih apartmajev.
Podatkovni viri
Obstajajo ponudniki podatkov, ki zberejo vse potrebne podatke o hotelih na enem mestu, kar vam prihrani čas in trud. PHP TRAVELS je na primer ponudnik podatkov. Key Data, je specializiran za kratkoročne najeme. AltexSoft sodeluje s Key Data, da bi umetna inteligenca povečala stopnja zasedenosti in povprečno dnevno ceno namestitve.
Seveda se lahko OTA, kot sta Airbnb in Booking.com, ter metaiskalniki, kot je Tripadvisor, uporabljajo kot viri podatkov za napovedovanje cen namestitve. Te platforme zagotavljajo veliko podatkov o cenah, rezervacijah in razpoložljivosti.
Pridobivanje podatkov s teh spletnih mest s spletnimi orodji ali API-ji je pravno vprašljivo. Legitimen pristop je nakup razpoložljivih naborov podatkov oziroma, da si zagotovite uradni dostop do informacij.
Uporabite lahko javno dostopne nabore podatkov iz Kaggle ali drugih platform, ki ponujajo informacije o rezervacijah hotelov.
Struktura nabora podatkov
Po izbiri vira podatkov je naslednji korak določitev spremenljivk, ki bodo tvorile parametre v modelu napovedovanja cene namestitve.
Podatke kategoriziramo po sledečih značilnostih:
- podatki o preteklih rezervacijah iz booking.com platforme
- podatki o rezervacijah konkurentov, ki se nahajajo v isti regiji
- lastnosti namestitve, kot so lokacija, vrsta nepremičnine, parking, število ležišč itd.
- oprema namestitve (gospodinjski aparati, balkon, terasa, bazen, pogled, oddaljenost od centra ali plaže...)
- sezona, počitnice in drugi zunanji dejavniki.
Poseben poudarek namenjamo podatkom o konkurentih. Razumevanje cen konkurentov je ključnega pomena pri določanju cenovne strategije. Z analizo cen konkurentov lahko razumemo, koliko dražji ali cenejši smo v primerjavi z njimi. Te informacije nam pomagajo določiti cene, ki bodo pritegnile stranke, hkrati pa vam bodo zagotovile dobičkonosnost.
Ko je nabor podatkov pripravljen, ga je potrebno razdeliti na nize za usposabljanje in testiranje umetne inteligence. Običajno uporabimo 80 odstotkov podatkov za usposabljanje modela umetne inteligence, preostalih 20 odstotkov pa ostane nevidnih za preizkus natančnosti.
Modeli strojnega učenja za napovedovanje cen namestitve
Napoved cene je mogoče oblikovati kot regresijsko nalogo. Regresijska analiza je statistična tehnika, ki se uporablja za napovedovanje neprekinjenih številčnih vrednosti (cen, stopnje zasedenosti) na podlagi nabora vhodnih parametrov (pretekle cene, lokacija, velikost sobe, oprema itd.). Z drugimi besedami, pomaga identificirati razmerje med odvisno ali ciljno spremenljivko (v našem primeru cena namestitve) in eno ali več neodvisnimi (soodvisnimi) spremenljivkami, napovedovalci, ki vplivajo na ciljno spremenljivko (cena namestitve).
Različni algoritmi lahko izvedejo regresijsko analizo za napovedovanje cen: od enostavnejših odločitvenih dreves do kompleksnejših nevronskih mrež z globokim učenjem. Najpogosteje uporabljene so linearna regresija, XGBoost in ponavljajoče se nevronske mreže (RNN).
Uvajanje AI modela
Zadnji korak je uvedba modela strojnega učenja, ki je bil prepoznan kot najuspešnejši.
Potrebno je poudariti, da je model napovedovanja cen, ki temelji na podatkih, dragoceno orodje, vendar to ni nadomestilo za človeško presojo. Koristno je združiti umetno inteligenco s človeškim strokovnim znanjem. Zato vsako ceno ali tržno strategijo, ki jo sugerira umetna inteligenca pregledamo, predno jo uporabimo na vaših booking platformah.
Zahtevaj testiranje na vaši namestitvi
Izpolnite spodnji obrazec, da vas lahko kontaktiramo.