神刀安全网

Airbnb 定价算法简单介绍

爬上来码点字,不然感觉太对不起这么多关注的大大们了。已经闭关了2个月在写书了,虽然写到想吐,明明一句话可以说清的要写的长篇大论,这篇写完了要休息个两个月,还有最后的一万多字就快结束了,也算是松了口气,稍微轻松点。

推荐本美剧《地狱神探第一季》,对于鬼神类题材感兴趣肯定很喜欢。

推荐几首歌,都是我听了1600首网易云音乐上的歌收藏的(4.4整天的时间呢)。 Airbnb 定价算法简单介绍 还有最近在复习Java,看来不写不行了,一堆jar包要写来对接Hbase、Jstorm、Hadoop的接口。推荐一本书《疯狂Java讲义》,看完可以离职了。

另外还有就是很多朋友同事要生孩子了,莫总、郭总、浅总、禾总、槐总…..哎,好多!

还有推荐一家淘宝上的苏州的一家店铺,米老头鸡蛋煎饼,太好吃了! =。=

还有推荐一个关于线下活动的公众号,智能立方,经常会在清华分享一些机器学习的活动!

废话就啰嗦到这里吧,聊点技术~

—————————————————————————————————————————

想了想,正好把前段时间刚用的airbnb介绍下,airbnb出国简直是必备神器,租房很方便。我觉得这个app以后国内应该也需要有。像airbnb上面各种各样的公寓,他们定价是怎么做的,特别好奇!

在Airbnb上,面临着一个异常复杂的问题。网站上的数百万房源都是独一无二的,它们有自己的地址、大小和装饰。顾客在接待、饮食或旅游引导方面的要求也不尽相同。一些规律的(如季节性天气变化)和不规律的(如本地的大型活动)因素都会让问题变得更加复杂。

定价算法的早期版本中,算法以房源为中心绘制一个不断扩大的圆圈,考虑在房源位置附件不同半径上与其特征相似的房源。这种方法有的时候工作的很好,但最终发现一个重要的缺陷。想象在巴黎有一套公寓,如果公寓是位于市中心,那么我们将圆圈不断扩大时,它会迅速开始覆盖塞纳河两侧非常不同的街区。在巴黎虽然在塞纳河两边的房子都不错,但仅仅相隔百米距离的公寓都会有非常大的价格差异。在其他的一些城市,有时这个问题会显得更加明显。在伦敦,举例来说,仅仅相隔一条泰晤士河,格林尼治地区的价格可以超过伦敦码头附近的两倍。所以让一个制图员在世界各地主要的一些大城市中为每一个街区绘制边界。这些信息的创建是非常准确的,通过使用相关的地理空间数据,如周围的河流、公路和运输线,能够对房源进行准确分类。现在,这些问题得到了解决。例如,在十月份的第一个周末,如果想在伦敦租住一个二人标间,泰晤士河边上格林尼治地区的价格提示是130美元一晚,而河对岸具有类似条件的房间的价格提示仅仅是60美元一晚。以前的算法让系统为很多新的房源给出一个99美元的价格提示,没有考虑它们的具体特征。虽然这不是长时间发生,也不是在每一个地区都这样。

影响房价的因素那么多,Airbnb 的推荐价格是新曝光的机器学习项目“Aerosolve”在后台对大量数据进行计算后得出的结果。计算的包括房型、地理位置、周边价格波动、房屋的紧缺性和现在距离入住时间的天数等等。Airbnb 表示这是一个每天都会在变的参考价格。

给出一个跟随市场行情变化的参考价格,也是想提高房东的活跃度。Airbnb 遇到的一个问题是,很多房东把房源挂在网上,之后由于工作繁忙等原因,就很少来打理,只有被客人联系的时候才上线看看。这个参考价格可以吸引房东时不时上来调调价,也“顺便”管理一下评论和描述。

更清晰的定价选择,还会让房东对自己挣到了还是赔掉了,有更清楚的认识。你可以选择性地保持低于推荐价格一个比例,以提高房间的出租率。或者故意提高一定比例价格,选择更“优质”的客人。根据 Airbnb 透露的数据,把房价调低到推荐价格的 5% 左右时,租出去的概率就提高了四倍。

好在Aerosolve现在是一个开源包, http:// airbnb.io/aerosolve/

有时间可以玩玩。不聊了,码字去了!

转载本站任何文章请注明:转载至神刀安全网,谢谢神刀安全网 » Airbnb 定价算法简单介绍

分享到:更多 ()

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址