Private Rooms in Peer-to-Peer Accommodation: Employing Machine Learning to Determine Revenue Drivers
Tytuł
Prywatne pokoje w usługach noclegowych typu peer-to-peer: zastosowanie uczenia maszynowego do określenia determinantów przychodu
ORCID
Ewa E. Kiczmachowska: 0000-0002-7336-875X
Keywords
peer-to-peer accommodation, machine learning, revenue, performance determinants, Airbnb
Słowa kluczowe
usługi noclegowe typu peer-to-peer, uczenie maszynowe, przychody, determinanty wyników, Airbnb
Abstract
Purpose: The goal of this study was to identify the performance determinants of private rooms offered via peer-to-peer accommodation (P2PA) platforms.
Design/methodology/approach: Based on property level data of Airbnb, the applications of machine learning clustering and artificial neural networks methods were proposed to identify the performance determinants of private room performance defined as yearly revenue.
Findings: The results indicate that the most important revenue determinants were maximum number of guests, number of photos, number of bathrooms, location, and cancellation policy, as well as high availability of the property throughout the year. The highest revenues were achieved by 2–3 person rooms with at least two bathrooms, 4-person rooms, or rooms located around the Central Railway Station. However, properties with at least 2 bathrooms tend to deliver high revenue, regardless of location. Furthermore, a sufficient number of photos and a flexible cancellation policy could offset location disadvantages and deliver higher revenues in distant vs. central locations.
Research limitations/implications: The limitations of this study are that it covered only one destination during a 12-month period, which encompasses yearly seasonality, but might include some exceptional events. Replication for other destinations (urban or non-urban) or timeframes would be valuable future research recommendations.
Originality/value: This study adds threefold to the P2PA performance determinants stream. First, it offers an application of machine learning methods to identify property and host features and behaviours that contribute to high performance. Second, as opposite to the majority of available research, it defines performance as revenue rather than price. Third, building on the hedonic price theory, it sheds light on how to manage a complex offer for private rooms in P2PA, in contrast to entire homes/apartments that researchers have focused on to date.
Abstrakt
Cel: celem tego projektu było zidentyfikowanie determinantów wyników dla prywatnych pokoi oferowanych w ramach usług noclegowych typu peer-to-peer. Projekt/metodologia/podejście: bazując na danych Airbnb na poziomie pojedynczych lokali, projekt proponuje zastosowanie uczenia maszynowego i sztucznych sieci neuronowych do określenia determinantów wyników, zdefiniowanych jako roczne przychody, dla prywatnych pokoi oferowanych na platformie usług noclegowych typu peer-to-peer.
Wyniki: wyniki wskazują, że najważniejszymi determinantami przychodów były: maksymalna liczba gości, zdjęć, łazienek, lokalizacja nieruchomości i polityka odwołania rezerwacji, a także wysoka dostępność lokalu do wynajmu w ciągu roku. Najwyższe przychody zostały osiągnięte przez 2–3 osobowe pokoje wyposażone w co najmniej dwie łazienki, pokoje 4-osobowe, lub pokoje zlokalizowane najbliżej stacji kolejowej Warszawa Centralna. Jednakże nieruchomości wyposażone w co najmniej dwie łazienki wykazały tendencję do osiągania wyższych przychodów niezależnie od lokalizacji. Co więcej, wystarczająca liczba zdjęć i elastyczna polityka odwołania rezerwacji mogą zrównoważyć niedogodności lokalizacyjne i dostarczyć wyższych przychodów w porównaniu z centralnymi lokalizacjami.
Ograniczenia/implikacje badawcze: ograniczeniem tego projektu jest to, że badanie obejmowało tylko jedno miasto na przestrzeni 12 miesięcy, co wprawdzie umożliwia odzwierciedlenie rocznej sezonowości, jednak może zawierać zdarzenia wyjątkowe. Powtórzenie analizy na danych z innych lokalizacji (miejskich lub nie) lub innych okresów stanowi rekomendację dla przyszłych badań.
Oryginalność/wartość: projekt wzbogaca nurt literatury opisującej determinanty przychodów na trzy sposoby. Po pierwsze, oferuje zastosowanie metod uczenia maszynowego do określenia cech lokalu oraz cech i zachowań gospodarzy, które sprzyjają osiąganiu wysokich wyników. Po drugie, w odróżnieniu od większości istniejących badań, ten projekt definiuje wyniki jako przychody, a nie jako cenę. Po trzecie, budując na hedonicznej teorii cen, projekt ten rzuca światło na sposoby zarządzania kompleksową ofertą prywatnych pokoi oferowanych w usługach noclegowych typu peer-to-peer, w odróżnieniu od całych domów/mieszkań, na których badacze koncentrowali się do tej pory.
Acknowledgments
Funding
This work was supported by the Kozminski University Warsaw research support fund.
Declaration of Conflicting Interests
The author declare that there is no conflict of interest related to the research paper. The study was conducted without any financial or personal relationships that could be perceived as potentially influencing the research or its outcomes.
Declaration about the scope of AI utilization
The author did not use an AI tool in the preparation of the article.
Recommended Citation
Kiczmachowska, E. E. (2025). Private Rooms in Peer-to-Peer Accommodation: Employing Machine Learning to Determine Revenue Drivers. European Management Studies, 22(4), 33-58. https://doi.org/10.7172/2956-7602.106.2
First Page
33
Last Page
58
Page Count
26
Received Date
22.07.2024
Accepted Date
23.01.2025
Online Available Date
27.01.2025
DOI
10.7172/2956-7602.106.2
JEL Code
D22, L25, L83, M10, Z33
Publisher
University of Warsaw
