Dynamic Pricing mit Reinforcement Learning für Hotellerie

AI Quick Summary

In dieser Arbeit sollen ein Single-Agent und ein Multi-Agent Reinforcement Learning Ansatz implementiert werden, in welchen erlernte Preisstrategien analysiert werden können. Es soll beantwortet werden, wie plausible die erlernten Preisstrategien sind im Vergleich zu historischen Daten Ausgangslage und ProblemstellungFirmen im Tourismus setzen viel Hoffnung in Dynamic Pricing, um eine bessere Auslastung zu erreichen und damit ihren Gewinn zu verbessern. Im Hotelmanagement von grösseren Hotelbetrieben geschieht dies typischerweise durch einen Angestellten, welcher auf Basis von der aktuellen Auslastung, im Vergleich mit der letzt-jähriger Auslastung, und den Konkurrenz-Preisen eine Preisstrategie entwickeln.Mit Hilfe von Reinforcement Learning soll ein Model (Agent) eine Preisstrategie erlernen, welches den Gewinn eines Hotels maximiert, und gleichzeitig erklärbar bleibt. Ziel der Arbeit und erwartete ResultateIn dieser Arbeit soll ein Single-Agent Reinforcement Learning Ansatz für Dynamic Pricing eines Hotels implementiert werden, in welchem erlernte Preisstrategien analysiert werden können. Es soll beantwortet werden, wie plausible und wertvoll die erlernten Preisstrategien sind im Vergleich zu historischen Daten. Für die Arbeit steht ein Hotel-Reservations- und Konkurrenz-Preis-Datensatz zur Verfügung, aus welchen das Konsumenten- und Konkurrenz-Verhalten erlernt werden sollen (offline Reinforcement Learning). Das RL Setup kann folgende Vereinfachungen beinhalten:· Buchungszeitfenster 1 Tag· Keine Stornierungen · Keine (Gruppen-)Rabatte Gewünschte Methoden, VorgehenVorgehen: • Planung, Organisation, Risiko- und Ressourcenmanagement sind Teil der Aufgabe und werden von den Studierenden wahrgenommen• Während der Arbeit ist ein persönliches Arbeitsjournal zu führen. Ein Arbeitsjournaleintrag umfasst Datum, Anzahl Stunden und Arbeitsschritt/Thema. Für folgende Teile muss eine Abnahme durch den Betreuer in die Planung aufgenommen werden:Vor Implementation • Auswahl des RL-Verfahrens • Modellierung der Nachfrage und Konkurrenz • Modellierung des Agenten • Evaluation der Modelle Erwartetes Resultat:Ausführliches Study DocSchlussbericht gemäss Vorgaben des Bachelor-Studiengangs InformatikSchlusspräsentation nach Abgabe der Arbeit (20 Minuten)Implementation und Evaluation eine Konkurrenz-ModellesImplementation und Evaluation eines Nachfrage-ModellesRL Setup mit Parametrisierung für Nachfrage und KonkurrenzErweiterbarkeit der UmgebungsmodelleEvaluation des RL AgentenAnalyse Preisstrategie für zwei interessante Zeitspannen und Vergleich mit historischen DatenAusblick für grössere Buchungszeitfenster (>1 Tag) und Einbezug von Stornierungen Study Doc:Das Führen eines Study Docs soll ein systematisches, reproduzierbares Vorgehen, insb. für die Phase der Modellbildung und des Experimentierens fördern. Es enthält eine Problembeschreibung, einen Vorgehensplan, Ideen, Experimente, sowie deren Resultaten und Interpretationen. Für den Schlussbericht sollen idealerweise grosse Teile direkt aus dem Study Doc übernommen werden können. Zu verwendende Technologien: • Git, Python, Docker Empfohlene Frameworks:Ray Rllib, Tensorflow AbgrenzungDer Algorithmus zum Erlernen des Konkurrenz- und Nachfrage-Verhalten wird nach Absprache mit dem Betreuer festgesetzt. Dafür muss keine Evaluation zwischen verschiedenen Algorithmen gemacht werden.Die Analyse der Preisstrategie darf auf einzelnen Zeitspannen erfolgen (z.B. eine Woche/ Monat Hochsaison und eine Nebensaison).Vereinfachungen des Setups, wie z.B. wie weit im Voraus ein Kunde buchen darf, Anzahl Hotels, Attribute eines Hotels, Kundenpräferenzen, können nach Absprache mit dem Betreuer erfolgen. Kreativität, Varianten, InnovationRL-Verfahren, Setup, Modellierung, Implementation

Project Idea Metadata

• Project Idea Name: Dynamic Pricing mit Reinforcement Learning für Hotellerie
• Date: 12/7/2021 7:37:56 AM
• Administrators:
  • Transfer Services I

Project Idea Description

Ausgangslage und Problemstellung

Firmen im Tourismus setzen viel Hoffnung in Dynamic Pricing, um eine bessere Auslastung zu erreichen und damit ihren Gewinn zu verbessern. Im Hotelmanagement von grösseren Hotelbetrieben geschieht dies typischerweise durch einen Angestellten, welcher auf Basis von der aktuellen Auslastung, im Vergleich mit der letzt-jähriger Auslastung, und den Konkurrenz-Preisen eine Preisstrategie entwickeln.

Mit Hilfe von Reinforcement Learning soll ein Model (Agent) eine Preisstrategie erlernen, welches den Gewinn eines Hotels maximiert, und gleichzeitig erklärbar bleibt.

Ziel der Arbeit und erwartete Resultate

In dieser Arbeit soll ein Single-Agent Reinforcement Learning Ansatz für Dynamic Pricing eines Hotels implementiert werden, in welchem erlernte Preisstrategien analysiert werden können. Es soll beantwortet werden, wie plausible und wertvoll die erlernten Preisstrategien sind im Vergleich zu historischen Daten. Für die Arbeit steht ein Hotel-Reservations- und Konkurrenz-Preis-Datensatz zur Verfügung, aus welchen das Konsumenten- und Konkurrenz-Verhalten erlernt werden sollen (offline Reinforcement Learning).

Das RL Setup kann folgende Vereinfachungen beinhalten:

· Buchungszeitfenster 1 Tag

· Keine Stornierungen

· Keine (Gruppen-)Rabatte

Gewünschte Methoden, Vorgehen

Vorgehen:

• Planung, Organisation, Risiko- und Ressourcenmanagement sind Teil der Aufgabe und werden von den Studierenden wahrgenommen

• Während der Arbeit ist ein persönliches Arbeitsjournal zu führen. Ein Arbeitsjournaleintrag umfasst Datum, Anzahl Stunden und Arbeitsschritt/Thema.

Für folgende Teile muss eine Abnahme durch den Betreuer in die Planung aufgenommen werden:

Vor Implementation

• Auswahl des RL-Verfahrens

• Modellierung der Nachfrage und Konkurrenz

• Modellierung des Agenten

• Evaluation der Modelle

Erwartetes Resultat:

• Ausführliches Study Doc
• Schlussbericht gemäss Vorgaben des Bachelor-Studiengangs Informatik
• Schlusspräsentation nach Abgabe der Arbeit (20 Minuten)
• Implementation und Evaluation eine Konkurrenz-Modelles
• Implementation und Evaluation eines Nachfrage-Modelles
• RL Setup mit Parametrisierung für Nachfrage und Konkurrenz
• Erweiterbarkeit der Umgebungsmodelle
• Evaluation des RL Agenten
• Analyse Preisstrategie für zwei interessante Zeitspannen und Vergleich mit historischen Daten
• Ausblick für grössere Buchungszeitfenster (>1 Tag) und Einbezug von Stornierungen

Study Doc:

Das Führen eines Study Docs soll ein systematisches, reproduzierbares Vorgehen, insb. für die Phase der Modellbildung und des Experimentierens fördern. Es enthält eine Problembeschreibung, einen Vorgehensplan, Ideen, Experimente, sowie deren Resultaten und Interpretationen. Für den Schlussbericht sollen idealerweise grosse Teile direkt aus dem Study Doc übernommen werden können.

Zu verwendende Technologien:

• Git, Python, Docker

Empfohlene Frameworks:

Ray Rllib, Tensorflow

Abgrenzung

Der Algorithmus zum Erlernen des Konkurrenz- und Nachfrage-Verhalten wird nach Absprache mit dem Betreuer festgesetzt. Dafür muss keine Evaluation zwischen verschiedenen Algorithmen gemacht werden.

Die Analyse der Preisstrategie darf auf einzelnen Zeitspannen erfolgen (z.B. eine Woche/ Monat Hochsaison und eine Nebensaison).

Vereinfachungen des Setups, wie z.B. wie weit im Voraus ein Kunde buchen darf, Anzahl Hotels, Attribute eines Hotels, Kundenpräferenzen, können nach Absprache mit dem Betreuer erfolgen.

Kreativität, Varianten, Innovation

RL-Verfahren, Setup, Modellierung, Implementation

In dieser Arbeit sollen ein Single-Agent und ein Multi-Agent Reinforcement Learning Ansatz implementiert werden, in welchen erlernte Preisstrategien analysiert werden können. Es soll beantwortet werden, wie plausible die erlernten Preisstrategien sind im Vergleich zu historischen Daten