WiFi, bañeras y big data: cómo determina Airbnb el precio de un hogar

Airbnb es otra cosa. ¿Cuánto se debería cobrar por un alquiler? La respuesta resulta ser una lista mucho más larga de variables, más allá de cuántas casas están disponibles y quiénes las quieren. ¿Es una casa de pueblo, un penthouse, una cabaña, un castillo, una carpa o un iglú? ¿Un solo dormitorio o una casa entera? La cama, ¿doble o queen? La vista: ¿frente al río o urbana? ¿Qué tan gourmet es la cocina? ¿Hay alguna parada de tren cerca o parking privado? ¿Toca alguna banda en la ciudad en ese momento? ¿O es el florecimiento de los cerezos?

Qué vale más: ¿Un estudio en Adams Morgan en Washington con media docena de bares cerca, o un dormitorio en Capitol Hill Victorian con vistas a la cúpula del Capitolio?

La industria de bienes raíces y la industria hotelera luchan con preguntas similares para determinar el valor de una propiedad. Pero el puzle de Airbnb está ubicado en la intersección de estos dos, donde cada "cuasi habitación" de hotel tiene el carácter individual de un hogar, y cada hogar tiene las fluctuaciones estacionales de la industria turística.

Por supuesto, una forma de responder esta pregunta, si se alquila un hogar en Airbnb, es probar una gran cantidad de tarifas hasta finalmente darse cuenta qué deparará el mercado. Pero Airbnb, una raza de compañía tecnológica amante del big data, quiere ofrecer una orientación precisa a más de un millón de huéspedes. Y eso significa apretar todas estas preguntas en un algoritmo.

Hace unos meses, Airbnb lanzó una plataforma de aprendizaje automático llamada Aerosolve, que la compañía había construido para que otros desarrolladores experimentaran con ella. Hace un par de semanas, el gerente de producto de Airbnb, Dan Hill, publicó en IEEE Spectrum (una publicación del Instituto de Ingenieros Eléctricos y de Electrónica) su fascinante visión acerca de cómo funciona el algoritmo.

La plataforma realiza un análisis de las fotos que publican los anfitriones (los colores cálidos de una habitación influencian qué tan acogedora se ve). Automáticamente divide las ciudades en barrios y micro-barrios (Airbnb eventuamente se dio cuenta de que solamente la distancia es una medida falaz de similaridad; vecindarios en los lados opuestos del río Támesis de Londres requieren precios muy diferentes). La compañía también quería formular consejos dinámicos para poner precios que variaran de acuerdo con el día y simularan cómo fluctuaban los precios de los hoteles y las aerolíneas dependiendo del momento en que se realizaba la reserva.

El sistema, escribe Hill, considera cientos de atributos, calcula las probabilidades en los diferentes precios, da consejos a los anfitriones y luego chequea si el consejo funcionó: aquí es que entra el aprendizaje.

"Con conocimiento sobre el éxito de los consejos, nuestro sistema comenzó a ajustar el peso que le da a las diferentes características sobre una propiedad. Comenzamos con supuestos, como que la locación geográfica es muy importante pero que, generalmente, la presencia de una bañera lo es menos. Hemos mantenido algunos de los atributos de nuestro anterior sistema de precios, pero hemos añadido algunos nuevos. Por ejemplo, algunas de las nuevas señales, como el número de días de anticipación con el que se realizó la reserva, están relacionadas con nuestra capacidad de precios dinámicos. Otras fueron agregadas simplemente porque nuestro análisis de datos históricos indicaron que importan", explica Hill.

El algoritmo refleja todo tipo de cosas extravagantes que Airbnb aprendió sobre sus clientes, cosas que una persona razonable podría no imaginarse que influencian el precio de una propiedad. Las personas, por ejemplo, no quieren hogares en Seattle sin conexión WiFi (se puede asumir que esto difiere de las cabañas remotas de los bosques de Carolina del Norte). Los listados que muestran fotos de habitaciones acogedoras tienen mejores resultados que aquellos con salas de living elegantes. Los huéspedes están dispuestos a pagar más por un alquiler que tiene más reseñas.

Un humano muy, muy experto, en otras palabras, probablemente no sería tan preciso.