본문 바로가기

빅데이터

가격 최적화를 위해 맞춤형 회귀 분석 모델을 활용한 airbnb

Intro

airbnb는 게스트와 호스트의 연결해주는 서비스이다. 호스트는 자신의 집의 전체 혹은 일부를 website에 올려놓으면 게스트는 호스트에게 연락하여 계약이 이루어지는 방식이다.


여기서 중요한 포인트는 airbnb는 제공자(호스트)/소비자(게스트)로 이루어진 two-sided marketplace이기 때문에, 가격이 적절하지 않으면 예약율이 떨어지게 된다. airbnb의 플랫폼 사업이라는 특성상 호스트, 게스트의 균형을 맞추는 것이 중요했다. 


airbnb는 위와 같은 문제를 풀기 위해 적절한 가격책정을 위해 빅데이터를 통한 분석을 사용하였고 해당 결과에 대한 논문(Customized Regression Model for Airbnb Dynamic Pricing)을 발표하였다.


관련 논문 - Customized Regression Model for Airbnb Dynamic Pricing.pdf



Host에게 제공된 두가지 제안

#1 Price Tips

호스트가 달력에 각 날짜별로 받고 싶은 금액을 적으면 airbnb는 그날 그날 예상 예약율을 color을 통해 보여주었다. 그리고 적정금액으로 변경하도록 제안하였다.


그림. host에게 제공되는 price tips 화면




#2 Smart Pricing

호스트가 자신이 받고싶은 금액대(min, max)를 설정하면, 설정한 날짜들에 대하여 자동으로 금액을 맞추도록 도와준다.


그림. host에게 제공되는 smart pricing 화면


상기와 같은 제안 금액은 시장상황에 따라 실시간 머신러닝 알고리즘을 활용하여 제공하였다.


Our price suggestions are generated by a machine learning algorithm and are updated every day according to our best understanding about the current status of market dynamics.


두가지 유동 가격 문제

airbnb는 유동적인 가격에 대해 두가지 문제를 해결해야 했다.

Demand Estimation

유동가격에 대한 연구는 일반적으로 특정 동일한 물건에 대해서만 집중했다. 많은수의 특정 동일한 물건에 대해 수요에 따른 적정 가격은 F(P) 라는 함수로 정의 될 수 있다. 같은 함수에서 최대의 수익을 내려면 price X Function(price) 를 통해 알아 낼 수 있다. 


수요 견적 = Function(price)

최대 수익 = price x Function(price)


하지만, airbnb에서의 유동가격은 상기와 같은 함수적용이 어렵다. 추가적인 변수로서 t(time-varying) id(listing-varing)이 들어가야한다.


airbnb의 수요 견적 = Function(price, t, id)


airbnb는 시즌특성을 많이 탄다. 여름에는 검색추이가 높아지고 겨울에는 다소 줄어드는 trend를 가진다. 이러한 계절에 따른 패턴때문에 time-varying 변수가 필요하다.


그림. 지난 5년간 airbnb의 worldwide google trend


호텔이나 기타 숙박업소와 다르게 airbnb에서는 성, 나무위의 집, 보트 기타 등 아주 다양한 형태의 집을 빌려준다. 나무위의 집의 수요는 일반적인 가족이 사는 집의 수요와 상당히 다르다. 또한, 리뷰에서 만점을 받고 평이 좋은 집은 리뷰가 없는 새로운 집보다 더 수요가 많을 것이며, 가격을 올려도 문제가 없다. 이러한 특성때문에 listing-varing 변수가 필요하다.


사진. airbnb에서 제공하는 숙박가능한 나무위의 집



Partial Price Adoption

숙박 가격은 결국 host가 정하는 것이기 때문에 호텔주인처럼 가격을 airbnb에서 full controll하는 것을 불가능하다. 결국 위에서 말한 "Price tips"나 "smart pricing"을 통해 한정적으로 제안을 줄 수 밖에 없다. 


Airbnb의 가격 최적화 시스템 


그림. 적정 가격 도출 시스템 순서도


가격 최적화 시스템은 3가지 단위로 나뉘어져 있다. 첫번째는 각 일자별 숙박예측모델이다. 두번째는 각 숙박일자별 적정가격을 회기모델로서 예측한다. 마지막으로 세번째는 개인화 로직을 통해 적정 가격을 제안했다.


결론

airbnb는 가격최적화 모델을 도출하여 호스트가 가격을 적절히 책정가능하도록 도와주었고, 온/오프라인 상으로 적합하다는 것을 증명하였다. airbnb는 적정가격 예측에서 끝나지 않고 수요곡선 추정모델 개발을 통해 미래의 직접 수익 극대화 전략도 가져갈 것이다.


의견

넷플릭스, 유튜브, airbnb, uber 등은 고객에게 훌륭한 가치를 제공한다. 가치를 제공하는 과정에서 나온 Log data를 활용하여 서비스 내부까지 데이터를 활용하는 기업이 시장 생태계를 장악하고 선두로 나아갈 수 있는 것은 분명한 사실이다. airbnb는 적정가격예측 모델을 자신들이 가지고 있는 data를 활용하였고 이를 통해 또다른 가치를 창출했다. 데이터와 비즈니스 insight를 통해 가치를 창출해내는 것이야 말로 big-data 와 data-science가 가고자 하는 방향이 아닐까 생각된다.



반응형