Dynamic pricing w turystyce: jak AI optymalizuje ceny wycieczek hoteli i lotów

Jeszcze dekadę temu cena wycieczki, biletu lotniczego czy noclegu w hotelu była w dużej mierze przewidywalna. Touroperatorzy drukowali katalogi z cennikami obowiązującymi przez cały sezon, hotele aktualizowały stawki raz na kwartał, a linie lotnicze operowały sztywnymi taryfami. Dzisiaj ten model praktycznie przestał istnieć. Ten sam pokój w hotelu w Krakowie potrafi kosztować 320 zł w poniedziałek rano i 690 zł kilka godzin później, kiedy w mieście zaczyna się duża konferencja. Bilet z Warszawy do Barcelony, który dziś rezerwujemy za 240 zł, jutro może być wyceniony na 380 zł, a pojutrze znowu spaść do 199 zł.

Za tą zmiennością nie stoi już intuicja revenue managera ani prosty arkusz kalkulacyjny. Za każdą zmianą ceny kryją się algorytmy sztucznej inteligencji, które w czasie rzeczywistym analizują dziesiątki, a często setki zmiennych jednocześnie. Dynamic pricing przestał być przewagą konkurencyjną największych graczy. Stał się standardem operacyjnym całej branży turystycznej, a firmy, które wciąż opierają strategię cenową na statycznych cennikach, tracą realne pieniądze przy każdej rezerwacji.

Czym jest dynamic pricing i skąd się wziął w turystyce?

Dynamic pricing, czyli dynamiczne ustalanie cen, to model, w którym cena produktu lub usługi nie jest stała, tylko dostosowuje się do bieżących warunków rynkowych. W praktyce oznacza to, że ta sama usługa może być sprzedawana po różnych cenach w zależności od popytu, dostępności, czasu zakupu, profilu klienta, a nawet pory dnia.

Choć dzisiaj kojarzymy to rozwiązanie głównie z aplikacjami typu Uber czy platformami e‑commerce, jego korzenie sięgają branży lotniczej. Pionierem była amerykańska linia American Airlines, która już w latach 80. wdrożyła system o nazwie SABRE i wprowadziła koncepcję yield managementu. Po deregulacji amerykańskiego rynku lotniczego przewoźnicy musieli nauczyć się zarządzać przychodem inaczej niż przez sztywny cennik. Kluczowe stało się pytanie nie o to, ile kosztuje fotel, tylko o to, ile maksymalnie jest w stanie zapłacić za niego konkretny pasażer w konkretnym momencie. Turystyka okazała się idealnym środowiskiem dla tego modelu z kilku powodów. Po pierwsze, sprzedawany produkt jest nietrwały. Niesprzedany fotel w samolocie czy pusty pokój hotelowy w danym dniu to przychód, którego nigdy nie odzyskamy. Po drugie, popyt jest bardzo zmienny i zależy od sezonu, wydarzeń, pogody, a nawet kursu walut. Po trzecie, konkurencja jest bezpośrednia i niemal w pełni transparentna, bo klient w kilka sekund porównuje dziesiątki ofert na metawyszukiwarkach. W takich warunkach statyczna cena to po prostu zostawianie pieniędzy na stole.

Czy szukasz wykonawcy projektów IT ?

Sprawdź case studies

Jak AI zmienia reguły gry w porównaniu z klasycznym revenue managementem?

Klasyczny revenue management opierał się na regułach i historii. Analityk patrzył na to, jak obłożenie kształtowało się w analogicznym okresie rok wcześniej, dokładał do tego znane wydarzenia w mieście, ręcznie korygował prognozę i ustalał ceny na najbliższe tygodnie. System działał, ale miał trzy poważne ograniczenia. Reagował wolno, opierał się na ograniczonej liczbie zmiennych i wymagał ludzkiej interwencji przy każdej istotniejszej decyzji. Sztuczna inteligencja rozbija ten model na kawałki. Modele uczenia maszynowego, w szczególności algorytmy z rodziny gradient boosting i sieci neuronowe, potrafią jednocześnie przetwarzać setki cech wejściowych i wychwytywać między nimi zależności, których człowiek po prostu nie zauważy. System nie pyta już tylko o to, ile pokoi sprzedaliśmy rok temu, ale o to, jak wygląda krzywa rezerwacji w tym tygodniu, jak zachowują się ceny konkurencji w promieniu pięciu kilometrów, ile osób wyszukuje hasło "hotel Wrocław" w Google Trends, jakie wydarzenia odbywają się w mieście i jaka jest prognoza pogody na weekend. Druga fundamentalna różnica to częstotliwość decyzji. Tradycyjny revenue manager aktualizował ceny raz dziennie, najwyżej kilka razy. Silnik AI robi to nawet co kilka minut, a w przypadku linii lotniczych praktycznie w czasie rzeczywistym, reagując na każdą zmianę po stronie konkurencji. Trzecia różnica dotyczy uczenia. Algorytm po każdej transakcji aktualizuje swoje przewidywania i sam zauważa, że dla tego konkretnego segmentu klientów cena 450 zł generuje wyższy przychód niż 499 zł, mimo że marża jednostkowa jest niższa. Człowiek doszedłby do tego wniosku po miesiącach, jeśli w ogóle.
 

W praktyce nie oznacza to, że revenue manager znika z procesu. Jego rola zmienia się raczej z operatora na nadzorcę modelu. Zamiast ustawiać ceny, definiuje strategię, granice działania algorytmu i interpretuje sytuacje, w których system zachowuje się nietypowo.

Dane, które napędzają algorytmy

Skuteczność każdego silnika dynamic pricingu zależy od jakości i różnorodności danych, którymi go karmimy. W zaawansowanych wdrożeniach źródła danych dzielą się na kilka warstw:

• Dane historyczne własne - pełna historia rezerwacji, anulacji, długości pobytu, średniej ceny transakcyjnej, kanałów sprzedaży i profili klientów z systemów PMS, CRS lub GDS.
• Dane o popycie w czasie rzeczywistym - liczba wyszukiwań na stronie, współczynnik konwersji, porzucone koszyki, czas spędzony na stronie produktu, źródło ruchu.
• Dane konkurencji - stawki konkurencyjnych hoteli, linii lotniczych i touroperatorów, pobierane z rate shopperów typu OTA Insight, RateGain, Lighthouse czy Kayak API.
• Dane kontekstowe - pogoda, kalendarz lokalnych i międzynarodowych wydarzeń, święta państwowe, ferie szkolne, mecze, koncerty, targi branżowe.
• Dane makroekonomiczne - kursy walut, ceny paliwa, indeks zaufania konsumentów, sytuacja geopolityczna w regionie docelowym.
• Dane behawioralne - wzorce wyszukiwania w Google Trends, ruch na portalach społecznościowych, sentyment w recenzjach, popularność destynacji na TikToku i Instagramie.
• Dane sygnałowe od użytkownika - typ urządzenia, lokalizacja IP, historia interakcji z marką, przynależność do programu lojalnościowego, kanał, którym klient trafił na stronę.

Same dane to jednak dopiero pierwszy krok. Prawdziwa wartość pojawia się dopiero wtedy, kiedy są one poprawnie ze sobą powiązane, oczyszczone i podane modelowi w odpowiednim formacie. W wielu firmach turystycznych największą barierą wdrożeniową nie jest sam algorytm, tylko rozproszona infrastruktura danych: PMS w jednym systemie, dane sprzedażowe w drugim, dane marketingowe w trzecim, a analityka konkurencji w czwartym. Dlatego projekty dynamic pricingu w branży travel zaczynają się dziś najczęściej nie od modelu predykcyjnego, lecz od budowy hurtowni danych i warstwy integracyjnej.

Dynamic pricing w liniach lotniczych

Linie lotnicze są kolebką dynamic pricingu i do dzisiaj pozostają najbardziej wymagającym poligonem dla tej technologii. Średniej wielkości przewoźnik europejski przeprowadza w ciągu doby od kilkuset tysięcy do kilku milionów aktualizacji cenowych. Każdy fotel w każdym samolocie ma przypisaną tak zwaną fare class, czyli pulę miejsc dostępną w określonym przedziale cenowym. Algorytm decyduje, ile foteli udostępnić w niższych klasach, a ile zarezerwować dla pasażerów, którzy kupią bilet w ostatniej chwili i zapłacą znacznie więcej. W praktyce wygląda to tak, że model predykcyjny prognozuje krzywą popytu dla każdego pojedynczego lotu, czasem nawet na rok do przodu. Im bliżej daty wylotu, tym mocniej system reaguje na realne dane sprzedażowe. Jeżeli rezerwacje idą wolniej niż prognozowano, algorytm otwiera tańsze klasy taryfowe, żeby pobudzić popyt. Jeżeli szybciej, zamyka je i przesuwa cenę w górę. Do tego dochodzi monitorowanie konkurencji w czasie niemal rzeczywistym. Kiedy Ryanair obniża cenę na trasie Warszawa Londyn o 30 zł, Wizz Air potrafi zareagować w ciągu kilku minut, ale algorytm wcale nie musi obniżyć ceny lustrzanie. Czasem korzystniejsze jest utrzymanie wyższej stawki i zaakceptowanie niższej konwersji, jeżeli model przewiduje, że i tak wypełni samolot pasażerami biznesowymi.

Najbardziej zaawansowani przewoźnicy, idą jeszcze dalej i wdrażają tak zwany continuous pricing oparty na NDC (New Distribution Capability). Zamiast operować dwudziestoma sztywnymi przedziałami cenowymi, system generuje cenę w sposób ciągły, dopasowując ją do konkretnego zapytania, kanału sprzedaży i profilu klienta. Efekt jest taki, że dwóch pasażerów siedzących obok siebie w tym samym samolocie może mieć w bilecie kwoty różniące się o kilkaset złotych, a żaden z nich nie zostanie oszukany.

Hotele: od obłożenia do personalizacji oferty

W hotelarstwie dynamic pricing rozwijał się wolniej niż w lotnictwie, ale w ciągu ostatnich pięciu lat nadrobił dystans. Współczesne systemy zarządzania przychodem, integrują się bezpośrednio z PMS i channel managerem hotelu i potrafią aktualizować stawki nawet kilkadziesiąt razy dziennie. To duża zmiana w stosunku do modelu sprzed dekady, kiedy ceny ustalało się raz w tygodniu na cotygodniowym revenue meetingu. Algorytm hotelowy bierze pod uwagę zestaw zmiennych dużo szerszy niż samo obłożenie. Patrzy na tempo rezerwacji w stosunku do tego samego okresu rok wcześniej, na długość pobytu, na strukturę kanałów (rezerwacja bezpośrednia jest bardziej dochodowa niż ta przez Booking, gdzie hotel płaci 15 do 18 procent prowizji), na ceny konkurencyjnych obiektów z podobnego segmentu w okolicy, a także na wydarzenia w mieście. System wie, że w tygodniu wydarzeń w danym mieście cena pokoju może spokojnie podskoczyć o 80 procent względem normalnego tygodnia czerwca.

Co ciekawe, dynamic pricing w hotelach coraz częściej przestaje dotyczyć wyłącznie ceny pokoju. Algorytmy optymalizują total revenue per available room, czyli przychód uwzględniający restaurację, spa, parking, late check‑out i upselling do wyższych kategorii pokoi. W praktyce oznacza to, że dla gościa, który najpewniej skorzysta z restauracji i SPA, system może zaproponować niższą stawkę za sam nocleg, bo wie, że marża zostanie wypracowana na usługach dodatkowych. To jest moment, w którym revenue management spotyka się z marketing automation i staje się elementem pełnej personalizacji oferty.

Biura podróży i pakiety wycieczkowe

W przypadku touroperatorów i biur podróży problem cenowy jest jeszcze bardziej złożony, ponieważ produktem nie jest pojedynczy fotel ani pojedynczy pokój, tylko cały pakiet składający się z kilku komponentów. Klasyczna wycieczka all inclusive na Kretę to lot czarterowy lub rejsowy, transfer z lotniska, kilka nocy w hotelu, wyżywienie, ubezpieczenie i często dodatkowe wycieczki fakultatywne. Algorytm musi optymalizować marżę na całym pakiecie, a nie na każdym elemencie z osobna, a do tego operuje na zasobach, które część operatorów zakontraktowała wcześniej w modelu gwarancyjnym, a część kupuje dopiero w momencie rezerwacji klienta. Tu właśnie pojawia się model dynamic packagingu, który zdominował sprzedaż w OTA. Cena pakietu nie jest sklejana z trzech statycznych cenników, tylko generowana w locie. System pyta linię lotniczą o aktualną cenę miejsca, hotel o cenę pokoju, transferowca o cenę transferu, dokłada marżę operatora i pokazuje klientowi finalną kwotę. Klasyczni touroperatorzy łączą oba podejścia. Część oferty mają zakontraktowaną z góry, a część dokupują dynamicznie w zależności od popytu. AI decyduje, kiedy lepiej sprzedać kontraktowane miejsce po niższej cenie, żeby nie stracić go zupełnie, a kiedy poczekać i zarobić więcej na rezerwacji last minute.

Personalizacja cen: ile naprawdę widzi użytkownik

Pytanie, czy algorytmy pokazują różnym osobom różne ceny tego samego produktu, wraca w mediach regularnie i budzi spore emocje. Odpowiedź jest mniej spektakularna, niż sugerują nagłówki, ale też nie tak niewinna, jak twierdzą firmy. W praktyce większość graczy w branży travel nie personalizuje cen pod konkretnego użytkownika, tylko pod segment, do którego użytkownik został zakwalifikowany. To istotna różnica, ponieważ z perspektywy algorytmu nie liczy się to, że jesteś Janem Kowalskim, tylko że wchodzisz z iPhone'a, masz włączoną lokalizację w Warszawie, jest piątek wieczór i już trzeci raz w tym tygodniu sprawdzasz ten sam lot do Rzymu.

Personalizacja przejawia się więc raczej w doborze ofert, kolejności wyników wyszukiwania, intensywności komunikatów typu "ostatnie dwa miejsca w tej cenie" oraz w decyzji o tym, czy danemu użytkownikowi zaproponować rabat lojalnościowy, czy nie. Sam mechanizm cenowy w większości systemów rezerwacyjnych nadal opiera się na klasie taryfowej, dostępności i czasie do wylotu, a nie na danych osobowych klienta. Wyjątkiem są niektóre OTA i hotele bezpośrednio sprzedające przez stronę, które testują tak zwane geo pricing oraz device based pricing, gdzie cena potrafi się różnić zależnie od kraju IP albo systemu operacyjnego.

Z perspektywy regulacyjnej granica jest cienka. Personalizacja oparta na kontekście (urządzenie, godzina, kanał) jest dopuszczalna i powszechna. Personalizacja oparta na danych osobowych, bez wyraźnej zgody i informacji, jest już problematyczna z punktu widzenia RODO i unijnej dyrektywy Omnibus, która od 2022 roku wymaga jasnego oznaczenia, kiedy cena została ustalona w sposób zautomatyzowany na podstawie profilowania. Firmy turystyczne, które chcą uniknąć kar i utraty zaufania, świadomie wybierają personalizację oferty zamiast personalizacji ceny.

Korzyści dla firm turystycznych

Wdrożenie dynamic pricingu opartego na AI daje firmom z branży travel mierzalne i powtarzalne efekty biznesowe. Najczęściej raportowane korzyści to:

• Wzrost przychodu na dostępną jednostkę - w hotelach RevPAR rośnie zazwyczaj o 6 do 15 procent w pierwszym roku po wdrożeniu, w liniach lotniczych RASK o 3 do 8 procent. Wartości pochodzą z case studies dostawców takich jak IDeaS, Duetto czy PROS i są potwierdzane w niezależnych badaniach branżowych.
• Poprawa współczynnika obłożenia bez kanibalizacji marży - algorytm precyzyjniej trafia z ceną w gotowość klienta do zapłaty, dzięki czemu firma nie musi wybierać między pełnym obłożeniem a wysoką średnią ceną transakcyjną.
• Skrócenie czasu reakcji na zmiany rynkowe - z kilku dni do kilku minut. W praktyce oznacza to, że hotel reaguje na ogłoszenie koncertu w okolicy zanim konkurencja w ogóle zauważy zmianę popytu.
• Automatyzacja decyzji cenowych - revenue manager zamiast ręcznie aktualizować stawki w kilkunastu kanałach dystrybucji, zatwierdza rekomendacje systemu lub definiuje strategie wysokopoziomowe. Czas zaoszczędzony na operacjach idzie w analitykę i planowanie
• Lepsza segmentacja klientów i kanałów - algorytm pokazuje, którzy klienci i które kanały dają realną marżę, a które tylko generują obrót. To często prowadzi do strategicznych decyzji o ograniczeniu współpracy z najdroższymi OTA na rzecz rozwoju sprzedaży bezpośredniej.
• Redukcja błędów ludzkich - ręczne ustawianie cen w kilkudziesięciu hotelach albo na setkach tras to praca, w której literówki i pomyłki kosztują realne pieniądze. AI po prostu nie wpisuje 99 zł zamiast 999 zł.
• Skalowalność - ten sam silnik cenowy obsługuje pięć hoteli i pięćset hoteli, dziesięć tras i tysiąc tras. Marginalny koszt obsługi kolejnego obiektu spada praktycznie do zera, co dla rosnących sieci ma fundamentalne znaczenie.

Trzeba jednak zaznaczyć, że te wyniki nie pojawiają się automatycznie. Pojawiają się tam, gdzie wdrożenie zostało dobrze zaprojektowane, dane są wysokiej jakości, a zespół rozumie, jak współpracować z systemem zamiast walczyć z jego rekomendacjami.