top of page
  • Immagine del redattoreNicola Massari

Dynamic pricing nel settore alberghiero: in che modo il machine learning può supportare le attività

L’utilizzo di machine learning e data analytics è un tema diventato fondamentale per business operanti in molteplici settori, trovando applicazioni anche nel settore alberghiero ed interessando argomenti come dynamic pricing, segmentazione, previsione della domanda e delle cancellazioni, analisi di recensioni e punteggi, e personalizzazione dei servizi tramite bot. Le operazioni di scelta dei prezzi sono fondamentali per il revenue management della maggior parte delle aziende, e come tali sono diventate un compito dispendioso in termini di tempo per i gestori, che devono essere costantemente aggiornati su tendenze, eventi e condizioni di mercato in estesi periodi di tempo.

Nel settore turistico, metodi di advanced analytics sono usati soprattutto da grandi aziende che hanno accesso a considerevoli quantità di dati, tuttavia questi modelli possono presentare un significante supporto anche ad attività più piccole, motivo per cui, l’analisi di come ciò può essere applicato è l’argomento principale di questa ricerca, focalizzandosi in particolare sul supporto che questi modelli possono dare durante le attività di pricing, verso un approccio dinamico.

In primo luogo, sono state analizzate le pratiche attuali per quanto riguarda dynamic pricing e previsione di domanda e cancellazioni nel settore alberghiero, con un focus specifico sulle possibilità di uso quotidiano di queste tecnologie per affitti a breve termine, raccogliendo dati anche tramite sondaggio delle attività locali operanti nella provincia di Verona. I risultati hanno mostrato l’approccio delle trentaquattro rilevazioni per quanto riguarda strategie di prezzo e politiche di cancellazione. In particolare, la maggior parte degli albergatori partecipanti ha dichiarato di modificare i prezzi più di una volta a settimana (59% delle rilevazioni) e di farlo attraverso cambi di prezzo manuali (77%) dimostrando l’aspetto dispendioso in termini di tempo di questa procedura che può impegnare una grande porzione delle attività dei gestori.

Il sondaggio ha anche esposto l’impatto negativo che le cancellazioni presentano regolarmente agli albergatori, così come ha aiutato ad ottenere dati approfonditi riguardanti le variabili che vengono considerate dalle attività del settore durante le operazioni di price setting, favorendo successivamente la sezione di modellazione.

Usando dati forniti da un property manager e attività di locazione turistica locale, un modello e framework per la previsione dei prezzi è stato creato, con l’obiettivo di comprendere le potenzialità di tecnologie di machine learning in questo settore. Il modello è stato sviluppato tramite Python e KNIME, con un dataset composto da 3992 osservazioni divise in un periodo di attività di 15 mesi tra il 2021 e il 2022. Dal dataset iniziale, nuove variabili sono state create seguendo le informazioni ottenute precedentemente, in modo da estrarre e sviluppare al meglio le informazioni possedute, unendo anche il dataset derivato dal PMS con i dati meteorologici del periodo di interesse, per includere così dei proxy e misure per la domanda di mercato.

Dopo analisi riguardanti multicollinearità, valori anomali e informatività delle variabili, il dataset finale è composto dal target, prezzo per notte, e le seguenti variabili dipendenti: numero di notti, numero di persone, giorno, settimana, mese e anno di check-in, tempo di anticipo della prenotazione, lingua, fonte di prenotazione, tipo di camera, temperature massime e minime al check-in, numero di prenotazioni durante i 5 giorni precedenti alla prenotazione di interesse, tasso di riempimento, media mobile dei prezzi nei 5 giorni precedenti alla prenotazione, soggiorno nel weekend (vero/falso), e dummies per pioggia, nebbia, e temporale.

Il dataset è stato analizzato usando tre algoritmi di regressione: Ordinary Least Squares (OLS), Random Forest (RF), e H2O Gradient Boosting (GB), il primo tramite Python e gli ultimi due in un ambiente KNIME. Il dataset è stato suddiviso in training and testing, con rispettivamente 70% e 30% delle osservazioni totali. OLS è stato usato principalmente per un’analisi esplorativa delle variabili, tramite backward stepwise selection, usando AIC (Akaike Information Criterion) come misura per questo passaggio, per valutare il potere predittivo del modello. Dopo aver ottenuto una comprensione più approfondita delle variabili più significative, KNIME è stato usato per i modelli RF e GB, eseguendo per entrambi un loop di ottimizzazione degli iperparametri per regolare gli algoritmi come mostrato in figura, usando qui RMSE come parametro da minimizzare.



Il modello più performante è stato GB, con un R2 di 0.80, tuttavia osservando altre misure come RMSE, 23.3, e MAE, 16.9, è evidente che non sarebbe ottimale creare un modello automatizzato usando questi dati e modello.



Questo problema potrebbe essere superato includendo altre variabili esterne che, come appreso dal sondaggio, sono spesso considerate dai gestori, come prezzi della competizione, offerta di camere, e calendari di eventi, dati che spesso possono essere ottenuti tramite API o altri servizi esterni. Inoltre, i modelli potrebbero essere implementati con algoritmi per la previsione delle cancellazioni, per permettere di considerare questi eventi durante le attività di pricing, che, come ha suggerito il sondaggio, possono provocare significativa incertezza per i business che operano in questo settore. Un altro aspetto che dovrebbe essere considerato è che questi modelli sono stati programmati usando dati di prenotazioni derivate da prezzi impostati manualmente, di conseguenza essi possono solo emularli, sicuramente risparmiando tempo prezioso degli albergatori, senza tuttavia migliorare le strategie presenti.




Nonostante le limitazioni menzionate, possibili modalità di implementazione possono essere discusse, in particolare in due applicazioni:

- Il modello può essere usato per fornire suggerimenti di prezzo ai manager, come realizzato durante la fase di testing, che possono poi correggerli in conformità alle loro considerazioni personali ed esperienza, riducendo significativamente i tempi per le operazioni di price setting.

- Il modello può essere implementato con l’aggiunta di segnali per notificare i gestori quando i prezzi attuali e quelli suggeriti differiscono significativamente, includendo anche avvertimenti per monitorare cambiamenti rapidi di specifiche variabili legate alla domanda. Ciò potrebbe migliorare la consapevolezza e sensibilità dei gestori nei confronti di prezzi e domanda, soprattutto considerando le prenotazioni con lungo anticipo.

Concludendo, nonostante il modello di per sé sia risultato non efficiente per un’implementazione diretta e automatizzata, la ricerca ha mostrato le potenzialità delle advanced analytics nel settore alberghiero. I risultati di ricerca e sondaggi hanno trasmesso l’importanza dell’introduzione di algoritmi per dynamic pricing, trovando possibili implementazioni vantaggiose a supporto delle operazioni di pricing, che potrebbero sia migliorare la sensibilità alle variazioni di domanda che migliorare la gestione del tempo.


29 visualizzazioni0 commenti
bottom of page