[논문 리뷰] Unravelling Airbnb Predicting Price for New Listing

Paridhi Choudhary, Aniket Jain외 1명|arXiv (Cornell University)|2018. 05. 25.

Sharing Economy and Platforms인용 수 4

한 줄 요약

이 논문은 샌프란시스코의 신규 에어비앤비 숙소에 대한 최적의 정가를 예측하기 위한 머신러닝 모델을 개발한다. 위치, 침실 수, 숙소 유형 등의 특징을 활용하며, 호스트의 수익성과 게스트의 접근 가능성 사이의 균형을 유지하면서 정확한 가격 예측을 달성한다. 또한 예약 가능성을 분석한다.

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.

연구 동기 및 목표

• 에어비앤비 호스트가 신규 등록된 숙소의 최적의 가격을 설정할 수 있도록 데이터 기반의 가격 정책 모델을 개발하는 것.
• 예측된 가격이 잠재적 게스트에게 접근 가능하고 경쟁력 있는지 확보하는 것.
• 예약 가능성이 있는지의 가능성을 분석하고 예측함으로써 게스트의 의사결정을 향상시키는 것.
• 실제 데이터와 머신러닝 기법을 활용해 모델을 검증함으로써 기존 내부 가격 정책 도구를 개선하는 것.
• 호스트 및 플랫폼 운영자에게 가격 및 가용성 동적 변화에 대한 실행 가능한 통찰을 제공하는 것.

제안 방법

• 샌프란시스코의 에어비앤비 등록 정보에 대한 탐색적 데이터 분석을 수행하여 가격에 영향을 미치는 핵심 특징을 규명했다.
• 기본적인 데이터 전처리 및 특징 공학을 수행하였으며, 범주형 및 수치형 변수에 대한 변환을 포함했다.
• 침실 수, 위치, 주택 유형 등의 특성 기반으로 가격을 예측하기 위해 여러 머신러닝 모델(예: XGBoost, 랜덤 포레스트)을 훈련시켰다.
• 모델 성능 및 일반화 능력을 최적화하기 위해 교차 검증 및 하이퍼파라미터 튜닝을 수행했다.
• 예약 행동 데이터를 기반으로 분류 모델을 활용해 가용성 예측을 보조 과제로 통합했다.
• 모델의 해석 가능성과 실용적 사용성을 검증하여 에어비앤비의 호스트 가격 설정 도구에의 통합 가능성을 확보했다.

실험 결과

연구 질문

• RQ1 샌프란시스코의 신규 에어비앤비 숙소 가격에 가장 크게 영향을 미치는 부동산 특성은 무엇인가?
• RQ2 머신러닝 모델은 어떻게 호스트의 수익성과 게스트의 접근 가능성 사이의 균형을 유지하면서 가격을 예측할 수 있는가?
• RQ3 예약 가능성이 있는지의 가능성을 결정짓는 요소는 무엇인가?
• RQ4 기존 내부 가격 정책 도구에 비해 모델은 정확성과 사용성 측면에서 어느 정도 뛰어나게 성능을 발휘할 수 있는가?
• RQ5 데이터 변환 및 특징 선택은 모델 성능과 해석 가능성에 어떤 영향을 미치는가?

주요 결과

• 위치, 침실 수, 숙소 유형이 가격 예측에 가장 영향을 미치는 특징들 중 하나였다.
• 모델은 높은 예측 정확도를 달성하였으며, 테스트 세트에서 R² 스코어가 0.85 이상으로 보고되어 강한 적합도를 나타냈다.
• 특징 중요도 분석을 통해 주요 도시 랜드마크 및 대중교통 허브에 가까운 거리가 가격 예측을 크게 높이는 것으로 드러났다.
• 가용성 예측 모델은 예약 행동 패턴을 효과적으로 식별하여, 예약 가능성이 높은 숙소를 선별할 가능성을 향상시켰다.
• SHAP 값을 활용한 모델의 해석 가능성 향상으로 호스트가 가격 결정 요인을 이해할 수 있게 되었다.
• 최종 모델는 뛰어난 일반화 능력과 실용적 사용성을 입증하여 호스트 중심의 가격 설정 도구에의 통합에 적합한 것으로 나타났다.