🤖 Inteligencia artificial, para tomar decisiones y predecir precio 🤖
Ai para predecir precios, menor valor por metro cuadrado, mayor valor por noche rentada, y mayor tasa de ocupación.
Last updated
Ai para predecir precios, menor valor por metro cuadrado, mayor valor por noche rentada, y mayor tasa de ocupación.
Last updated
Con nuestro modelo de represión, Buscamos tomar datos del mercado para poder tomar decisiones sobre el mejor lugar para realizar un proyecto de rentas cortas .
Tomaremos en consideración:
El menor costo del terreno, y el mayor espacio construido
El menor valor por m2
las noches rentadas por año
el precio por cada noche
La tasa de ocupación mensual
La tasa de ocupación por año
la tasa promedio de turismo por año
La tasa de ocupación con destino turismo por año a nivel Estatal
Arquitectura de optimización de precios por noche.
Arquitectura de la tasa de ocupación basada en calificaciones
Inicialmente, planeamos tener dos modelos separados para predecir el precio de lista y la demanda. Uno de esos modelos utilizaba k-Means para agrupar todos los listados de Airbnb dentro de un radio de 3 millas para encontrar grupos de propiedades similares cercanas, y tomaba la tasa promedio de ocupación para estimar la demanda mensual esperada dentro de cada grupo.
Luego, teníamos otro modelo de regresión independiente de k , para pronosticar el precio diario de las listas en función de los atributos del listado, comparando las mejores amenities (comodidades, seguridad, etc). Finalmente, estimamos las ganancias mensuales esperadas tomando el precio promedio diario de lista de cada mes y multiplicándolo por la demanda mensual predicha (el número predicho de días que se reserva una propiedad en un mes).
Sin embargo, después de muchos intentos de mejorar la precisión de este modelo, descubrimos que no era razonable predecir la demanda y el precio de lista por separado, principalmente porque estas dos cantidades están muy correlacionadas entre sí.
Por ejemplo, es probable que la demanda disminuya si aumenta el precio de lista, ya que se puede esperar que los clientes tomen decisiones inteligentes y cambien su reserva a una propiedad más barata con características similares.
Por lo tanto, decidimos modelar primero la demanda y luego incorporarla en nuestra función de precio. Esto significaba que necesitábamos construir una función de demanda que capturara factores competitivos, características de listado y fluctuaciones de tiempo.
Modelamos el factor competitivo utilizando el mismo enfoque que inicialmente planeábamos aplicar para nuestra estimación de demanda mensual.
Los clientes tienden a elegir su Airbnb con una ubicación específica en mente, por lo que todas las listas que están ubicadas muy cerca (dentro de un radio de 3 millas) tendrán más probabilidades de competir entre sí. Más allá de esto, las características y la calidad del listado deberían tener un impacto casi igual, y ocasionalmente mayor, en la determinación de las tasas de ocupación en relación con las propiedades que compiten entre sí. A partir de estas pautas, elegimos utilizar k-Means para agrupar propiedades similares dentro de una distancia de radio de 3 millas (figura 2 y 3).
Para cada grupo, tenemos un conjunto de datos con la variable X siendo el precio de lista y la variable Y siendo la demanda representada por la tasa de ocupación.
A partir de esto, ajustaremos un modelo de regresión lineal o polinomial en este conjunto de datos para encontrar la mejor función de demanda ajustada. Luego ponemos esta función de demanda en el modelo de optimización.
El objetivo es maximizar las ganancias en un año, por lo que la fórmula para calcular las ganancias por día es el precio de lista de ese día multiplicado por la función de demanda de ese día, representado como .
Vale la pena señalar que en este punto del análisis, la demanda en nuestro conjunto de datos es la tasa de ocupación, que representa la probabilidad de que una propiedad esté reservada en un día determinado.
Mencionaremos los detalles de cómo calcular las ganancias anuales óptimas en el Modelo de Decisión más adelante.
Después de varios intentos, determinamos que la relación entre la demanda y el precio no siempre está inversamente correlacionada de manera lineal y simple; los casos atípicos en particular no encajan en nuestro modelo, lo que significa que los listados extremadamente caros parecen tener diferentes reglas de demanda que los gobiernan, lo cual es razonable pero no se tiene en cuenta en nuestro modelo limitado.
Contamos con 5 años de experiencia modelando data para el negocio de las rentas cortas, basado en toma de decisiones
Aquí podrás tener acceso a la version 1 de nuestro libro jupyter
