[論文レビュー] Unravelling Airbnb Predicting Price for New Listing

Paridhi Choudhary, Aniket Jain+1 more|arXiv (Cornell University)|May 25, 2018

Sharing Economy and Platforms被引用数 4

ひとこと要約

本論文では、場所、ベッドルーム数、物件タイプなどの特徴を活用して、サンフランシスコの新規エアビーアンドバイの物件の最適な掲載価格を予測する機械学習モデルを開発した。このモデルは、ホストの利益とゲストの負担能力の両立を図りながら、正確な価格予測を実現し、予約可能期間の確率についての追加分析も行っている。

ABSTRACT

This paper analyzes Airbnb listings in the city of San Francisco to better understand how different attributes such as bedrooms, location, house type amongst others can be used to accurately predict the price of a new listing that optimal in terms of the host's profitability yet affordable to their guests. This model is intended to be helpful to the internal pricing tools that Airbnb provides to its hosts. Furthermore, additional analysis is performed to ascertain the likelihood of a listings availability for potential guests to consider while making a booking. The analysis begins with exploring and examining the data to make necessary transformations that can be conducive for a better understanding of the problem at large while helping us make hypothesis. Moving further, machine learning models are built that are intuitive to use to validate the hypothesis on pricing and availability and run experiments in that context to arrive at a viable solution. The paper then concludes with a discussion on the business implications, associated risks and future scope.

研究の動機と目的

• 新規掲載物件の最適価格を設定するのを支援するデータ駆動型の価格設定モデルを開発し、利益を最大化すること。
• 予測された価格が、潜在的なゲストにとって依然として手頃で、競争力があることを保証すること。
• 掲載物件が予約可能である確率を分析・予測し、ゲストの意思決定を支援すること。
• 実世界のデータと機械学習技術を用いてモデルを検証し、既存の内部価格設定ツールを上回る性能を実現すること。
• ホストおよびプラットフォーム運用者に対して、価格設定と予約可能期間のダイナミクスに関する実行可能なインサイトを提供すること。

提案手法

• サンフランシスコのエアビーアンドバイ物件のデータを用いて、価格に影響を与える主要な特徴を特定するための探索的データ分析を実施した。
• カテゴリカルおよび数値変数の変換を含む、データ前処理と特徴工学を実施した。
• ベッドルーム数、場所、住宅タイプなどの属性に基づいて、価格予測を目的とした複数の機械学習モデル（例：XGBoost、ランダムフォレスト）を訓練した。
• 交差検証とハイパーパramータチューニングを用いて、モデルの性能と一般化能力を最適化した。
• 予約行動データを用いた分類モデルを用いて、予約可能期間の予測を二次的タスクとして統合した。
• モデルの解釈可能性と実用性を検証し、エアビーアンドバイのホスト向け価格設定ツールへの統合を可能にした。

実験結果

リサーチクエスチョン

• RQ1 どの物件属性がサンフランシスコの新規エアビーアンドバイ掲載物件の価格に最も顕著に影響を与えるか？
• RQ2 機械学習モデルは、ホストの利益とゲストの負担能力の両立を図る価格をどのように予測できるか？
• RQ3 物件が予約可能である確率を決定づける要因は何であるか？
• RQ4 このモデルは、既存の内部価格設定ツールに比べて、どの程度高い正確性と実用性を示せるか？
• RQ5 データ変換と特徴選択は、モデルの性能と解釈可能性にどのように影響を与えるか？

主な発見

• 場所、ベッドルーム数、物件タイプが、掲載価格を予測する上で最も影響力のある特徴であった。
• モデルは高い予測精度を達成し、テストセットにおいてR²スコアが0.85を超えるという報告された結果を示し、良好な適合を示した。
• 特徴量の重要度分析から、主要な都市のランドマークや交通ハブへの近接性が、価格予測を顕著に上昇させることを明らかにした。
• 予約可能期間の予測モデルは、予約行動のパターンを的確に特定し、高頻度で予約可能な物件を選択する可能性を高めた。
• SHAP値を用いた解釈可能性の向上により、ホストが価格決定要因を理解できるようになった。
• 最終的なモデルは、一般化性能と実用性に優れ、ホスト向け価格設定ツールへの統合に適していた。