Rate management for home holiday rentals: A data analytics approach

Abstract

Home holiday rentals is a growing industry in the city of Lisbon, following the increase of the tourism volume, yet very little explored and with a great lack of studies and information about it. This leads to a need of research, in order to find new patterns in the guest’s and host’s behavior that allow the property’s owners to maximize their profits, by increasing their monthly occupancy rates. This study was made using several Data Mining techniques. This dissertation used the data from the property management company FeelsLikeHome, namely the properties information and reservations’ historical data from January 2017 to May 2019. The relationship between the monthly average rate per night and the monthly occupancy rate was studied, to understand if they affect or explain one another. After this, there was a need to understand which are the variables that better explain and predict the occupancy rate. Finally, with this information, a set of matrices were built based on the most important predictors, displaying the corresponding occupancy rate, with the objective of proposing changes to the rates per nigh currently implemented. A predictive model was obtained for the occupancy rate, through the interpretation of patterns in the properties’ occupancy. With this, properties’ profiles with high and low occupancy were identified and coefficients of rate change were proposed. These models offered useful knowledge for FLH and for the industry professionals, since it allowed them to develop marketing strategies to improve profits.

O aluguer de casas de férias é uma indústria em crescimento na cidade de Lisboa, que tem acompanhado o aumento do volume do turismo, no entanto, é ainda muito pouco explorada, verificando-se uma grande falta de estudos e informação sobre esta. Isto leva a uma necessidade de investigação, a fim de encontrar padrões no comportamento dos hóspedes e dos anfitriões que permitam ao dono da propriedade maximizar os seus lucros, aumentando a taxa de ocupação mensal da propriedade. Este estudo foi feito com recurso a diversas técnicas de Data Mining. Esta dissertação utilizou dados da empresa de gestão de propriedades FeelsLikeHome, nomeadamente informação das propriedades e dados históricos das reservas de Janeiro de 2017 a Maio de 2019. A relação entre o preço por noite médio mensal e a ocupação média mensal foi estudada, a fim de entender se eles se afetam ou explicam mutuamente. Depois disto, houve uma necessidade de entender quais as variáveis que melhor explicam e preveem a taxa de ocupação. Finalmente, com esta informação, um conjunto de matrizes foi construído com base nos preditores mais importantes, exibindo a taxa de ocupação correspondente, com o objetivo de propor alterações aos preços por noite praticados atualmente. Foi obtido um modelo preditivo para a taxa de ocupação, através da interpretação de padrões na taxa de ocupação das propriedades. Com isto, foram identificados perfis de propriedades com predições de taxas de ocupação altas e baixas e foram propostos coeficientes de alteração do preço. Estes modelos oferecem conhecimento útil para a FLH e para os profissionais da indústria, uma vez que lhes permite desenvolver estratégias de marketing para aumentar os seus lucros.