Airbnb帮助人们发现世界各地的优质住宿和有趣活动，他们为房东提供各类房屋出租服务，为房客提供独特的旅行体验，让他们有机会感受当地的生活。
1. Airbnb的尝试
房东在网上投放房源时，大部分会查看邻居的定价，选择一个比较可靠的价格。有些房东会因为个人经济原因，在内心定一个价格锚点，在没有考虑房子真实市场价值时，会导致房屋出租率较低。
图片来自网络
因此，Airbnb想要提供一种更好的方式：自动化定价，帮助房东做出正确的决定。
Airbnb的定价比较复杂。网站上的数百万房源都独一无二，除了房屋基本信息，比如地址、大小、风格、装饰不尽相同，房东的态度、接待服务、饮食、文化和旅游引导不一样，就连天气变化和本地大型活动也很难预料。
2012年，Airbnb开始利用房源信息中最重要的部分特征：房间和床铺的数量、周围的环境、以及某些特殊的设施（停车位、游泳池等），构建一个为潜在用户提供价格提示的工具。
图片来自Airbnb官网
初始定价工具局限性非常明显：除了定价算法的工作方式不变，定价工具也不是动态的，不会根据业务进行调整，比如预订的时间或者人数对价格产生的影响。
另外还需要额外考虑其他因素，比如世界杯等大型赛事如何更实效地影响定价、房间独特的价值如何体现、动态调价之后需求变化的不确定性和因此带来的损失。
在South by Southwest（SXSW）和Austin City Limits festivals音乐节期间房租上涨
于是，Airbnb定位他们要提供的价值：易于使用，为房东提供有用的信息，同时为定价提示给出明确的理由。他们因此设计了Aerosolve，除了对租赁的房屋进行定价，在必要的时候，可以在房间空余时给出价格下降的提示，或根据需求增加给出价格增长的提示，在未来还足以提供更多的服务。
2. 动态定价简介
新房主在Airbnb添加一个房源的时候，系统会提取房源的关键属性，查看在区域中有相同或者相似属性的、且被成功预订的房源，同时考虑到需求要素和季节性特征，提供一个居中的价格提示。
对于高度发达的市场，数据获取比较容易；而在新兴市场数据信息较少时，Airbnb会按照市场大小、旅游业发展水平以及在Airbnb上所处的增长阶段，进行分类。这样，不仅可以将其与所在城市房源进行比较，还可以与其他具有相似特征的市场相比较。
Airbnb的动态定价系统有三个要素：
① 二元分类模型，预测某一晚上某个房间被预订的概率。
② 定价策略模型，对空闲日期提出价格建议。
③ 个性化逻辑，符合房东的目标、结合特殊事件，同时采集用户和房东数据。
特征提取时，关注用户预订最关心的、具有代表性的特征，包括房间大小，浴室数量，是否带车库，周围环境，地理位置等房屋基础信息；房屋装修，房屋环境，新旧程度，房屋结构，材质，光线等房源的照片特征。
图片来自Airbnb官网
另外，Airbnb还对街区进行了特殊处理，他们把某一地区具有相似特征的街区放在一起。一般来说同一小区或相似小区的房价是非常接近的。Airbnb最开始选择圆心画圆法，上线后发现价格表现非常粗糙，于是让制图员在世界各地主要的大城市中为每一个街区绘制边界，创建非常准确的地理空间数据，如房源周围的河流、公路和运输线，对房源进行准确分类。后续还依靠一个城市中房源的预订和价格的分布数据来描绘各种曲线，进而发现微街区，可以对价格进行精细预测。
当然，Airbnb还会参考一些场外因素。比如旅游淡季旺季、节假日、周围酒店价格等等。以此来动态调整房价范围。
考虑上述因素后，Airbnb就可以给出一个预测价格范围了，对于在容易租出去的价位标上绿色。可能出租的价位黄色，较难出租的价位为红色。可以让用户根据自己的需求进行选择。
3. 动态定价的其他应用
为了让房东利益最大化，Airbnb还设计了 Price Tips和 Smart Pricing 工具。
Price Tips 提供价格日历，根据房东目前的定价，显示该房间每天被预订出去的概率是多少。点击某一天，日历会显示推荐的价格以及其他信息。Smart Pricing 房东可以设置一个最低值和最高值，Airbnb自动生成不同日期的新价格。
在机器学习的过程中，Airbnb不断分析哪些房源属性需要被考虑，以及对应的权重是否需要调整。随着时间推移，各种信息的权重不断改进，提高价格提示的准确性。如果确认一些特征模型没有刻画清楚，可以通过其他方式参与和影响权重的设置。
同时，系统能够给每个定价提示产生一个各种因素及其相应权重的列表，提高工具的可解释性。
4. 二手车定价参考
基础特征的提取和足够的迭代，比如二手车本身的车源属性，包括品牌车型车系、等级、上牌时间、里程、详细的车况、新车价格，另外也可以考虑照片、额外配置、车内空间大小等纳入特征集。
市场信息特征的获取、抽象和定义，比如城市相似车源库存量、区域内的供给和需求、新车促销力度、政府政策和技术革新等。
另外，Airbnb似乎没有提到用户预订行为在动态定价中的影响，二手车对应可以考虑，用户对车源的关注程度和预订意愿。
在定价应用上，除了给用户提供动态的价格建议工具和个性化的设置，还应该参考，如何提高价格的可解释性，帮助用户更好的理解和使用价格建议，提高成交概率。
参考文献：
Ye et al., Customized regression model for Airbnb dynamic pricing.
Dan Hill,The Secret of Airbnb’s Pricing Algorithm - The sharing economy needs machine intelligence to set prices.
走南闯北小黑妞：离经不叛道、特立不独行。
欢迎关注同名公众号。