Dynamic Pricing Strategy in Accommodation

Abstract

This thesis addresses the problem of dynamic pricing for short-term accommodation providers. A two-stage data-driven pricing model is proposed that operates on historical reservation data routinely available to accommodation operators. In the first stage, fu- ture occupancy is forecast using a Seasonal AutoRegressive Integrated Moving Average (SARIMA) model. In the second stage, price recommendations are derived as quantiles of the conditional price distribution, estimated non-parametrically using kernel density estimation of historical occupancy-price pairs. The model is evaluated on a dataset of 3,787 anonymized reservation records from 13 Prague apartments spanning 394 days. The SARIMA component achieves a Mean Absolute Error of 7.29% on a held-out test period. The resulting price recommendations reflect historically observed pricing behavior under comparable demand conditions.

Tato práce se zabývá problémem dynamického oceňování pro poskytovatele krátko- dobého ubytování. Navrhuje se dvoustupňový model oceňování, který pracuje s daty historických rezervací běžně dostupnými provozovatelům ubytování. V prvním stupni se předpovídá budoucí obsazenost pomocí modelu SARIMA. Ve druhém stupni se doporu- čení cen odvozují jako kvantily podmíněného pravděpodobnostního rozdělení cen, odha- dovaného pomocí odhadu hustoty historických párů obsazenost-cena. Model je hodnocen na datové sadě 3,787 anonymizovaných záznamů rezervací z 13 pražských apartmánů v horizontu 394 dní. Komponenta SARIMA dosahuje střední absolutní chyby 7,29% na tes- tovacím období. Výsledná doporučení cen odrážejí historicky pozorované cenové chování za srovnatelných podmínek poptávky.