JP2019074988A - 客室料金設定装置、客室料金設定方法、およびプログラム - Google Patents

Abstract

【課題】様々な条件に対応した適正な宿泊料金を自動的に設定する。【解決手段】宿泊施設における適正な宿泊料金を設定するための宿泊料金設定装置であって、所定期間における、日毎の宿泊施設の供給量を示す供給指数と、日毎の宿泊施設に対する需要を示す需要指数とを推算する指数算出部と、将来の第１の日付における供給指数と需要指数の比に基づいて、宿泊料金のベース価格を設定するベース価格設定部と、機械学習モデルに、設定したベース価格を検証させることにより、将来の第１の日付における宿泊料金を設定する宿泊料金設定部とを備える。【選択図】図１

Description

本発明は、客室料金設定装置、客室料金設定方法、およびプログラムに関する。

宿泊施設では、収益を拡大するため、適正な宿泊料金の設定を支援するシステムが利用されるようになっている。（例えば、特許文献１及び特許文献２）

特開２０１６−０２７４６１号公報 特開２０１６−１６７３０５号公報

特許文献１，２には、過去の宿泊予約の傾向をグラフ化したブッキングカーブに基づいて宿泊料金を設定することが記載されている。しかし、特許文献１，２には、宿泊施設に対する需要と供給の比率や、競合する宿泊施設に対する競争力、季節要因など、様々な条件に応じて適正な宿泊料金を設定する方法については開示されていない。

そこで本発明の目的は、様々な条件に対応した適正な宿泊料金を自動的に設定することである。

本発明に係る宿泊料金設定装置は、宿泊施設における適正な宿泊料金を設定するための宿泊料金設定装置であって、
将来の第１の日付における宿泊施設の供給量と需要の比に基づいて、宿泊料金のベース価格を設定するベース価格設定部と、
機械学習モデルに設定したベース価格を検証させることにより、前記将来の第１の日付における宿泊料金を設定する宿泊料金設定部と、を備えたものである。

本発明に係る宿泊料金設定方法は、宿泊施設における適正な宿泊料金を設定するための宿泊料金設定方法であって、
将来の第１の日付における宿泊施設の供給量と需要の比に基づいて、宿泊料金のベース価格を設定する工程と、
機械学習モデルに設定したベース価格を検証させることにより、前記将来の第１の日付における宿泊料金を設定する工程と、を含むものである。

本発明に係るプログラムは、宿泊施設における適正な宿泊料金を設定するためのコンピュータを、
将来の第１の日付における宿泊施設の供給量と需要の比に基づいて、宿泊料金のベース価格を設定するベース価格設定部と、
機械学習モデルに設定したベース価格を検証させることにより、前記将来の第１の日付における宿泊料金を設定する宿泊料金設定部と、して機能させるものである。

本発明によれば、様々な条件に対応した適正な宿泊料金を自動的に設定することができる。

本発明の実施の形態による、客室料金設定装置１０の構成を示すブロック図。 本発明の実施の形態による、ブッキングカーブの例を示す図。 本発明の実施の形態による、機械学習モデルの訓練のフローチャート。 本発明の実施の形態による、ベース価格の算出方法のフローチャート。 本発明の実施の形態による、需要指数と供給指数の時系列変化を例示するグラフ。 本発明の実施の形態による、機械学習モデルによる宿泊料金設定処理のフローチャート。 本発明の実施の形態による、機械学習モデルによる宿泊料金の設定と検証の過程を例示する図。

次に、本発明を実施するための形態について、図面を参照して詳細に説明する。
図１は、本発明の実施の形態による客室料金設定装置１０の構成を示すブロック図である。図１に示すように、客室料金設定装置１０は、制御装置１１と、外部記憶装置１２を備えている。制御装置１１は、ハードウェアとして、ＣＰＵ、ＲＯＭやＲＡＭ等のメモリ、入力インタフェース、出力インタフェース、通信インタフェース及びこれらを結ぶバス等を備えている。制御装置１１は、ＣＰＵがＲＯＭ等に格納されたプログラムを実行することにより各種機能を実現する。制御装置１１によって実現される機能モジュールには、ブッキングカーブ抽出部１１１、機械学習モデル訓練部１１２、宿泊料金設定部１１３、外的要因特定部１１４、ベース価格設定部１１５、指数算出部１１６が含まれる。外部記憶装置１２は、ハードディスクドライブ等であり、ブッキングカーブ作成データ記憶部１２１、ベース価格設定情報記憶部１２２を備えている。客室料金設定装置１０は、１台のコンピュータで構成される必要はなく、通信ネットワーク上に分散する複数のコンピュータや外部記憶装置から構成されてもよい。本実施形態では、客室料金設定装置１０は、例えばSaaS（Software as a Service）等のクラウドサービスによって実現される。この場合、ブッキングカーブ作成データ記憶部１２１はクラウドサーバー上で管理され、各機能モジュール（ブッキングカーブ抽出部１１１、機械学習モデル訓練部１１２、宿泊料金設定部１１３、外的要因特定部１１４、ベース価格設定部１１５、指数算出部１１６）はクラウドサーバー上で実行される。

ブッキングカーブ作成データ記憶部１２１には、複数の宿泊施設における、過去の日付（過去の第３の日付）に対して設定された宿泊料金の時系列変化の情報（過去の日付の宿泊料金の、過去の日付に至るまでの所定期間における変化の情報）と、過去の日付に至るまでの所定期間における客室予約数の時系列変化の情報と、過去の日付に至るまでの所定期間における外的要因に関する情報とが保持されている。過去の日付に至るまでの所定期間における過去の日付の客室予約数の時系列変化の情報はブッキングカーブを形成する情報である。

ベース価格設定情報記憶部１２２には、ベース価格を設定するために収集されたビッグデータを元に生成された情報が記憶されている。ビッグデータには、施設系データとマクロ系データが含まれる。施設系データには、宿泊施設の価格や客室在庫に関する情報の他、ＯＴＡ（Online Travel Agent）のサイト上でのレヴュー情報、ＯＴＡサイトに掲載されている宿泊施設の写真、施設や客室の設備の情報等が含まれる。マクロ系データには、イベント情報（祭りや、スポーツ大会、その他のイベントの開催時期等の情報）、季節要因（海外の休暇シーズン、桜の開花時期等の情報）、気象、経済統計（訪日客数、為替等）、宿泊施設の建設データ、民泊物件に関するデータ、モバイル端末から収集された行動データなどが含まれる。ベース価格設定情報記憶部１２２には、上記のような様々なビッグデータ（ＮｏｎＳＱＬデータ）を処理して定型化したデータ（例えば、リレーショナルデータベース形式のデータ）が記憶されている。

客室料金設定装置１０は、ホテルや旅館等の宿泊施設の宿泊料金の設定に利用するブッキングカーブを提供する。ブッキングカーブとは、特定の日付における予約件数の増加（客室在庫数の減少）の傾向を表す曲線である。具体的には、例えば図２に示すように、直交座標の横軸を特定の日付（当日）までの日数、縦軸を予約件数（客室在庫減少量）として作成されるグラフである。一般的に、宿泊料金が適正料金より安い場合には曲線の傾きは急になり、高い場合には緩やかになる傾向がある。また、宿泊施設への需要に影響を与える各種の外的要因（利用客による評価スコア、気象状況、経済状況、イベントの有無、競合する宿泊施設の宿泊料金、競合する宿泊施設の予約状況（客室在庫数）等）もブッキングカーブの傾きに影響を与える。

本実施形態では、まず過去の理想的なブッキングカーブが再現できるように機械学習モデルを訓練する。次に、過去のデータを用いて訓練した機械学習モデルによって未来の宿泊料金を設定し、その結果、実際に得られたブッキングカーブと、過去の理想的なブッキングカーブを比較して検証する。

（過去データを用いた機械学習モデルの訓練）
まず、客室料金設定装置１０による、過去のデータを用いた機械学習モデルの訓練について図３のフローチャートを用いて説明する。

まず、客室料金設定装置１０は、理想的なブッキングカーブBC(n)を抽出する（ステップＳ１０１）。具体的には、ブッキングカーブ作成データ記憶部１２１に記憶されている複数の宿泊施設のブッキングカーブ（過去の日付に至るまでの所定期間における過去の日付の客室予約数の時系列変化の情報）の中から、所定の基準を満たすブッキングカーブを抽出する。

所定の基準を満たす理想的なブッキングカーブとは、宿泊施設の収益を最大化するブッキングカーブである。同時に、当該宿泊施設の固有特性、ホテルタイプによる特性、地域的特性などを考慮する必要もある。例えば、ラグジュアリーホテルはブランド価値の維持のため、仮に収益を最大化できるとしても、宿泊料金の値下げは行わない場合がある。また、沖縄の宿泊施設では客室在庫が早い段階で減る傾向があるため、ブッキングカーブの傾きが非常に急になるという特徴がある。また、予測と実際の需給状況が大きく乖離するリスクをヘッジするため、販売開始から当日まで予約が分散することが望ましい。客室料金設定装置１０は、予め設定された所定の基準を満たすブッキングカーブ、または、所定の基準を満たすブッキングカーブに最も近いブッキングカーブを形成するケースを抽出する。抽出の条件は、宿泊施設によって（地域やホテルタイプ等によって）異なっていてもよい。また、利用者が特定のケースを理想的なブッキングカーブBC(n)として指定するようにしてもよい。

次に、客室料金設定装置１０は、理想的なブッキングカーブBC(n)と対比するための理想的ではないブッキングカーブBC'(n)を抽出する（ステップＳ１０２）。具体的には、理想的なブッキングカーブBC(n)を形成した宿泊施設（ここでは、宿泊施設Ａ）と、所在地域、施設のタイプ（ホテル、民宿、旅館等）、部屋のタイプ（和室、洋室、シングル、ツイン等）、及び価格帯等が同一の他の宿泊施設のブッキングカーブの中から、理想的なブッキングカーブの基準を満たさないものを抽出する。例えば、客室料金設定装置１０は、理想的なブッキングカーブの基準から最も遠いものを抽出してもよい。また、抽出の条件は、宿泊施設によって（地域やホテルタイプ等によって）異なっていてもよい。また、利用者が特定のケースを理想的ではないブッキングカーブBC'(n)として指定するようにしてもよい。

次に、客室料金設定装置１０は、ブッキングカーブの形状に影響を与える外的要因を抽出する（ステップＳ１０３）。具体的には、例えば、以下の（ａ）〜（ｅ）の外的要因とブッキングカーブの傾きおよび傾きの変化との相関性を分析し、一定の相関関係（例えば、|0.7|以上）が認められた外的要因を抽出する。相関性の分析は、例えば、外的要因の発生と関係があるブッキングカーブ（例えば、特定のイベントが開催される時期の予約のブッキングカーブ）と、その外的要因とは関係が無いブッキングカーブの形状を比較することによって行うことができる。

（ａ）人工知能により算出した利用客による評価スコアの絶対値および変動率
（ｂ）競合する宿泊施設の宿泊料金、および客室在庫数の絶対値、相対水準、変動の幅、変動の速度等。
（ｃ）同じ所在地域の民泊施設の宿泊料金および部屋在庫数の絶対値、相対水準、変動の幅、変動の速度等。
（ｄ）所在地域内でのイベントの有無
（ｅ）季節や気象状況

次に、客室料金設定装置１０は、ステップＳ１０３で抽出された外的要因と関連がある訓練データにラベル付けをする（ステップＳ１０４）。訓練データは、ブッキングカーブ作成データ記憶部１２１に記憶されているデータ（特定の日の客室予約数の時系列変化）の中から抽出する。具体的には、例えば、桜の開花時期（外的要因Z(n)）とブッキングカーブの形状に相関性が認められた場合、桜の開花時期に当たる日の客室予約数の時系列変化のデータはラベル付けの対象となる。

次に、客室料金設定装置１０は、ステップＳ１０４でラベル付けした訓練データを用いて、外的要因に対し宿泊料金をどのように変化させるかを機械学習モデルに判定させる訓練を行う（ステップＳ１０５）。具体的には、例えば、機械学習モデルに、外的要因Z(n)が発生する日の宿泊料金を上げるか、維持するか、または下げるかを判断させる。判断の結果が理想的なブッキングカーブBC(n)と同様の場合には正解とし、それ以外の場合（理想的ではないブッキングカーブBC'(n) と同様の選択をした場合）は不正解とする。

次に、客室料金設定装置１０は、検証用のテストデータを用いて、ステップＳ１０５で訓練した機械学習モデルの評価・検証を行う（ステップＳ１０６）。テストデータは、ブッキングカーブ作成データ記憶部１２１に記憶されているデータ（特定の日の客室予約数の時系列変化）の中から抽出する。

（ベース価格の設定）
次に、ステップＳ１０１〜Ｓ１０６で訓練した機械学習モデル（以下、訓練後の機械学習モデルと記す。）を用いて、宿泊料金を設定する際、初期値として適用するベース価格の算出方法について、図４のフローチャートを用いて説明する。

まず、客室料金設定装置１０は、ベース価格設定情報記憶部１２２に記憶されているデータを用いて、各種の指数を算出する（ステップＳ１１１）。指数の算出は、各種人工知能やアルゴリズムを用いて行うことができる。ここでは、指数として、需要指数（所定期間における、日毎の宿泊施設に対する需要を示す。）、供給指数（所定期間における、日毎の宿泊施設の供給量を示す。）、競争力指数（各宿泊施設固有の競争力を示す。）を算出する。

需要指数は、イベント情報（イベントのタイプ、開催地域、観客動員数等）、季節要因、気象、経済統計、行動データなどから、日毎の客室需要数が人工知能やアルゴリズムを用いて算出される。

供給指数は、既存の宿泊施設のデータ（ＯＴＡ上で提示されている価格や客室在庫数）、新規宿泊施設の建設データ（開業時期、価格、客室数等）、民泊物件データ（所在地、価格、客室数等）などのデータに基づいて日毎の客室供給数が推算される。

競争力指数は、ＯＴＡサイトなどでのレヴュー情報に基づくスコアや、ＯＴＡサイトに掲載されている宿泊施設の写真や、施設や客室の設備に基づくスコアを総合的に判断して決定される。レヴュー情報にスコア（評価点など）が含まれている場合には、そのスコアを用いてもよい。また、文章などによる評価のみの場合は、例えば、自然言語処理によるポジネガ分析を行うことによりスコアを算出するようにしてもよい。また、写真については、画像認識ＡＩで分析し、スコアを付与するようにしてもよい。

次に、客室料金設定装置１０は、算出した指数を用いて、客室料金のベース価格を算出する。まず、客室料金設定装置１０は、需要指数と供給指数の比率（ＳＤＲ）が、客室料金を設定する日付（第１の日付、以下、当該日と記す。）と最も近い過去の日付（第２の日付）を特定する（ステップＳ１１２）。図５は、需要指数と供給指数の時系列変化（日毎の推移）を例示するグラフである。

客室料金設定装置１０は、ＳＤＲが近似する日付（Ｄ１）を特定すると、その日付における、各競合宿泊施設の客室単価を各施設の施設競争力指数で重みづけした値の平均に、自らの施設競争力指数を乗算することにより、当該日のベース価格を算出する（ステップＳ１１３）。例えば、競合施設Ａの日付Ｄ１における客室単価をａ、競合施設Ｂの日付Ｄ１における客室単価をｂ、競合施設Ｃの日付Ｄ１における客室単価をｃとし、施設Ａ，Ｂ，Ｃ、および自身の競争力指数をそれぞれ、０．９、０．７、１．３、１．１とすると、ベース価格は下記のように算出することができる。

ベース価格＝（ａ×０．９＋ｂ×０．７＋ｃ×１．３）／３×１．１

（機械学習モデルによる未来の予測と検証）
次に、ステップＳ１０１〜Ｓ１０６で訓練した機械学習モデル（以下、訓練後の機械学習モデルと記す。）と、ステップＳ１１１〜Ｓ１１３で算出したベース価格を用いて、将来の宿泊料金を設定し、さらに検証する処理について、図６のフローチャートを用いて説明する。

まず、客室料金設定装置１０は、訓練後の機械学習モデルに、将来の特定の日付（第１の日付）の宿泊料金を設定させる（ステップＳ２０１）。具体的には、現状のデータ（算出したベース価格、現在の客室在庫数、ブッキングカーブに影響を与える外的要因の有無）に基づいて、機械学習モデルが当該日付の宿泊料金を設定する。特に、ブッキングカーブの形状と相関性の高い外的要因が発生する場合には、機械学習モデルに宿泊料金を上げるか、維持するか、または下げるかを判断させる。

例えば、桜の開花時期（外的要因Z(n)）に当たる場合には、その期間（例えば、４月１日〜４月１０日）の宿泊料金を上げるという判断をする。また、上げる幅については、ステップＳ１０３で分析した相関係数に基づいて決定してもよい。また、同期間の前後のブッキングデータにも影響があると判明している場合には、前後の期間についても宿泊料金を上げるようにしてもよい。

次に、客室料金設定装置１０は、ステップＳ２０１で宿泊料金を設定した後、その後の実際の客室在庫数の変化の状況に基づいて、機械学習モデルによる料金設定の検証を行う（ステップＳ２０２）。具体的には、宿泊料金を設定した日付についての実際に得られたリアルタイムのブッキングカーブBC(r)が、理想的なブッキングカーブBC(n)に近似していれば判断は正解とする。一方、BC(r)の傾きがBC(n)に比べて急になった場合は、宿泊料金の上げ幅が不十分と判定する。また、BC(r)の傾きがBC(n)を下回る領域まで平坦化した場合は、上げ幅が過大と判定する。なお、上げ幅が過大と判定された場合でも、宿泊料金は少なくとも維持することとし、下げることは行わないようにしてもよい。

客室料金設定装置１０は、ステップＳ２０１〜Ｓ２０２を繰り返すことにより、機械学習モデルの精度を高め、BC(r)をBC(n)にできるだけ近づけるようにする。

図７は、機械学習モデルによる客室料金の設定と検証の過程を例示する図である。図７の例では、宿泊料金を設定する日（当該日）の９０日前に、最初の価格（ベース価格）を設定して、予約受付を開始している。図中、Ｃで示されるポイントは、実際のブッキングカーブBC(r)の予約件数が理想的なブッキングカーブBC(n)の値から一定以上外れたため、機械学習モデルによって宿泊料金が変更されたポイントである。

以上のように、本実施形態によれば、将来のある日における宿泊施設の供給指数と需要指数の比に基づいて、宿泊料金のベース価格を設定し、機械学習モデルを用いて設定したベース価格を検証することにより、将来のある日における適正な宿泊料金を設定するようにしたので、様々な条件に対応した適正な宿泊料金を自動的に設定することができる。

また、宿泊施設の供給指数と需要指数の比が、将来のある日と近似する過去のある日を特定し、過去のある日における競合宿泊施設の宿泊料金に基づいて、ベース価格を設定するようにしたので、簡易で汎用的な方法でベース価格を設定することができる。

また、各宿泊施設固有の競争力指数も考慮して、宿泊料金のベース価格を設定するようにしたので、より正確で実効性のあるベース価格を設定することができる。

また、客室料金設定装置１０が、まず過去の理想的なブッキングカーブが再現できるように機械学習モデルを訓練し、訓練した機械学習モデルによって未来の宿泊料金を設定するようにしたので、様々な条件に対応した適正な宿泊料金を自動的に設定することができる。

また、客室料金設定装置１０は、訓練した機械学習モデルによって設定された宿泊料金によって実際に得られたブッキングカーブと、過去の理想的なブッキングカーブを比較して検証を行うようにしたので、機械学習モデルの精度をさらに高くすることができる。

また、客室料金設定装置１０は、客室予約数の時系列変化に影響を与える外的要因を特定し、機械学習モデルに、外的要因を考慮した宿泊料金を設定させ、理想的なブッキングカーブと同じ結果が得られるように機械学習モデルを訓練するようにしたので、様々な外的要因の発生を考慮した適切な宿泊料金を自動的に設定することができる。

なお、本発明は、上述した実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲内において、他の様々な形で実施することができる。このため、上記実施形態はあらゆる点で単なる例示にすぎず、限定的に解釈されるものではない。例えば、上述した各処理ステップは処理内容に矛盾を生じない範囲で任意に順番を変更し、または並列に実行することができる。

１０…宿泊料金設定装置
１１…制御装置
１２…外部記憶装置
１１１…ブッキングカーブ抽出部
１１２…機械学習モデル訓練部
１１３…宿泊料金設定部
１１４…外的要因特定部
１１５…ベース価格設定部
１１６…指数算出部
１２１…ブッキングカーブ作成データ記憶部
１２２…ベース価格設定情報記憶部

Claims (8)

1. 宿泊施設における適正な宿泊料金を設定するための宿泊料金設定装置であって、
   所定期間における、日毎の宿泊施設の供給量を示す供給指数と、日毎の宿泊施設に対する需要を示す需要指数とを推算する指数算出部と、
   将来の第１の日付における前記供給指数と前記需要指数の比に基づいて、宿泊料金のベース価格を設定するベース価格設定部と、
   機械学習モデルに、設定したベース価格を検証させることにより、前記将来の第１の日付における宿泊料金を設定する宿泊料金設定部と、を備えた宿泊料金設定装置。
2. 前記ベース価格設定部は、
   前記将来の第１の日付における前記供給指数と前記需要指数の比と、最も近い供給指数と需要指数の比を有する過去の第２の日付を特定し、前記過去の第２の日付における競合宿泊施設の宿泊料金に基づいて、前記ベース価格を設定する、請求項１に記載の宿泊料金設定装置。
3. 前記指数算出部は、
   宿泊施設固有の競争力を示す競争力指数を推算し、
   前記ベース価格設定部は、前記競争力指数に基づいて、宿泊料金のベース価格を設定する、請求項１または２に記載の宿泊料金設定装置。
4. 複数の施設における、過去の第３の日付に対して設定された宿泊料金の情報と、前記過去の第３の日付に至るまでの所定期間における前記過去の第３の日付の客室予約数の時系列変化の情報と、を保持するブッキングカーブ作成データ記憶部と、
   前記過去の第３の日付の客室予約数の時系列変化の情報に基づいて、理想的なブッキングカーブを抽出するブッキングカーブ抽出部と、
   機械学習モデルに、前記過去の第３の日付の宿泊料金を設定させ、前記理想的なブッキングカーブと同じ結果が得られるように前記機械学習モデルを訓練する機械学習モデル訓練部と、を備え、
   前記宿泊料金設定部は、
   訓練後の前記機械学習モデルに、前記将来の第１の日付の宿泊料金を設定させる、請求項１から３のいずれか１項に記載の宿泊料金設定装置。
5. 前記機械学習モデル訓練部は、
   前記将来の第１の日付に至るまでの期間における前記将来の第１の日付の客室予約数の時系列変化と、前記理想的なブッキングカーブの比較結果に基づいて、前記機械学習モデルをさらに訓練する、請求項１から４のいずれか１項に記載の宿泊料金設定装置。
6. 前記過去の第３の日付の客室予約数の時系列変化に影響を与える外的要因を特定する外的要因特定部を備え、
   前記機械学習モデル訓練部は、
   前記機械学習モデルに、前記外的要因を考慮した前記過去の第３の日付の宿泊料金を設定させ、前記理想的なブッキングカーブと同じ結果が得られるように前記機械学習モデルを訓練する、請求項１から５のいずれか１項に記載の宿泊料金設定装置。
7. 宿泊施設における適正な宿泊料金を設定するための宿泊料金設定方法であって、
   所定期間における、日毎の宿泊施設の供給量を示す供給指数と、日毎の宿泊施設に対する需要を示す需要指数とを推算する工程と、
   将来の第１の日付における前記供給指数と前記需要指数の比に基づいて、宿泊料金のベース価格を設定する工程と、
   機械学習モデルに、設定したベース価格を検証させることにより、前記将来の第１の日付における宿泊料金を設定する工程と、を含む宿泊料金設定方法。
8. 宿泊施設における適正な宿泊料金を設定するためのコンピュータを、
   所定期間における、日毎の宿泊施設の供給量を示す供給指数と、日毎の宿泊施設に対する需要を示す需要指数とを推算する指数算出部と、
   将来の第１の日付における前記供給指数と前記需要指数の比に基づいて、宿泊料金のベース価格を設定するベース価格設定部と、
   機械学習モデルに、設定したベース価格を検証させることにより、前記将来の第１の日付における宿泊料金を設定する宿泊料金設定部と、して機能させるプログラム。