Intelligent Pricing Systems for Hotels: From Prediction to Optimization [Sistema di prezzi intelligente per hotel: dalla previsione all'ottimizzazione]

Dynamic pricing, initially successful in the airline industry, has become a cornerstone of revenue optimization in the hospitality sector. Traditionally, this strategy relies on manual interventions, where Revenue Managers (RMs) continuously monitor market conditions, key performance indicators (KPIs), and external factors to define optimal pricing for future days of stay (DOS). However, this process is increasingly time-consuming and difficult to scale. In this context, machine learning (ML) techniques offer promising opportunities to process the growing volume of data generated by accommodations and to enhance pricing decisions. This thesis proposes a structured approach to dynamic pricing prediction, starting with the design of a domain-specific dataset that reflects the informational context in which RMs operate. Due to the lack of publicly available datasets in this field, the proposed dataset is built from real-world hotel data, incorporates static, dynamic and engineered features, and is further enriched through experts annotations. Using this dataset, five ML models are benchmarked to predict the price that a Revenue Manager would assign to an entry-level room over a 90-day horizon. Since the system is intended to support non-expert users, who may struggle to trust the output of AI models, the framework also integrates Explainable Artificial Intelligence (XAI) techniques. In particular, SHapley Additive exPlanations (SHAP) are used to provide clear and accessible explanations of model predictions, both at the global and local level. Moreover, the thesis presents the architecture of the entire system, showing how the proposed solution can be integrated into a Revenue Management System. This work has already moved beyond the research phase: the system is currently in production within the RMS of the partner company, actively informing pricing decisions and driving innovation in operational practice. Building on this foundation, ongoing research explores a more ambitious direction: the development of an autonomous agent capable of suggesting optimal prices by interacting with the environment and learning from outcomes rather than past decisions. This transition from imitation to optimization aims to overcome the limitations of human heuristics and unlock more effective pricing strategies, particularly for small and medium-sized accommodations that lack access to dedicated revenue management expertise.

La tariffazione dinamica, inizialmente di successo nel settore del trasporto aereo, è diventata un pilastro dell'ottimizzazione dei ricavi nel settore alberghiero. Tradizionalmente, questa strategia si basa su interventi manuali, in cui i Revenue Manager (RM) monitorano costantemente le condizioni di mercato, gli indicatori chiave di prestazione (KPI) e i fattori esterni per definire la tariffazione ottimale per i futuri giorni di soggiorno (Days of Stay - DOS). Tuttavia, questo processo è sempre più dispendioso in termini di tempo e difficile da scalare. In questo contesto, le tecniche di apprendimento automatico (ML) offrono promettenti opportunità per elaborare il crescente volume di dati generati dalle strutture ricettive e per migliorare le decisioni di prezzo. Questa tesi propone un approccio strutturato per la previsione dinamica dei prezzi, partendo dalla progettazione di un set di dati specifico per il dominio che rifletta il contesto informativo in cui operano i Revenue Manager. A causa della mancanza di set di dati pubblicamente disponibili in questo campo, il set di dati proposto è costruito a partire da dati alberghieri reali, incorpora funzionalità statiche, dinamiche e ingegnerizzate ed è ulteriormente arricchito da annotazioni di esperti. Utilizzando il set di dati collezionato, vengono confrontati cinque modelli di ML per prevedere il prezzo che un Revenue Manager assegnerebbe a una camera entry-level in un orizzonte temporale di 90 giorni. Poiché il sistema è progettato per supportare utenti non esperti, che potrebbero avere difficoltà ad affidarsi ai risultati dei modelli di intelligenza artificiale, il framework integra anche tecniche di Intelligenza Artificiale Spiegabile (XAI). In particolare, gli SHapley Additive ExPlanations (SHAP) vengono utilizzati per fornire spiegazioni chiare e accessibili delle previsioni del modello, sia a livello globale che locale. Inoltre, la tesi presenta l'architettura dell'intero sistema, mostrando come la soluzione proposta possa essere integrata in un sistema di Revenue Management. Questo lavoro ha già superato la fase di ricerca: il sistema è attualmente in produzione all'interno dell'RMS dell'azienda partner, supportando attivamente le decisioni di prezzo e guidando l'innovazione nelle pratiche operative. Su questa base, la ricerca in corso esplora una direzione più ambiziosa: lo sviluppo di un agente autonomo in grado di suggerire prezzi ottimali interagendo con l'ambiente e imparando dai risultati piuttosto che dalle decisioni passate. Questa transizione dall'imitazione all'ottimizzazione mira a superare i limiti dell'euristica umana e a sbloccare strategie di prezzo più efficaci, in particolare per le strutture ricettive di piccole e medie dimensioni che non hanno accesso a competenze specifiche in materia di revenue management.