A Two-Stage Optimization Algorithm for Booking Allocation in Short-Term Group Apartment Rentals: A Case Study

In de wereld van het zakenleven voelt het beheren van een hotel of een huurwoning vaak als een spel van hoogwaardig jongleren. Eigenaren moeten beslissen wie er mag blijven, wanneer ze aankomen en hoeveel ze moeten rekenen, terwijl ze proberen elk beschikbaar bed te vullen zonder lege ruimtes achter te laten die geld kosten. Decennialang hebben experts zich zwaar gericht op de prijs, waarbij ze complexe wiskunde gebruikten om het perfecte tarief te bepalen voor een kamer op een specifieke nacht. Er is echter een andere kant aan deze puzzel die net zo cruciaal maar vaak over het hoofd wordt gezien: de fysieke handeling van het mensen in kamers passen. Stel je een groot appartementencomplex voor met tientallen bedden verspreid over vele eenheden. Wanneer een groep reizigers arriveert, hebben ze misschien tien bedden nodig, maar die bedden kunnen verspreid zijn over drie verschillende appartementen. De uitdaging is niet alleen het bepalen van een prijs, maar het uitzoeken welke specifieke appartementen te gebruiken zijn, ervoor zorgen dat de groep in één gebouw blijft, en ervoor zorgen dat niet twee groepen tegelijkertijd hetzelfde ruimte worden toegewezen. Dit is een probleem van allocatie, een combinatorische puzzel waarbij het doel is om mensen zo compact en efficiënt mogelijk in de beschikbare ruimte te verpakken. Terwijl grote corporaties dure software hebben om deze puzzels op te lossen, worstelen kleinere bedrijven vaak met spreadsheets en handmatige gokwerk, waardoor ze geld laten liggen en waardevolle tijd verspillen.

Dit is het verhaal van een klein verhuurbedrijf in Tel Aviv genaamd "Our Place" en de onderzoekers die hen hielpen dit specifieke puzzelstukje op te lossen. Het bedrijf beheert gewoonlijk het hele jaar door een paar gebouwen, maar tijdens de zomer breiden ze uit naar ongeveer tien gebouwen om georganiseerde groepen jonge reizigers te huisvesten. In tegen afstelling tot standaard hotelboekingen hebben deze groepen geen vaste prijslijst. In plaats daarvan doet elke groep een eigen voorstel voor de prijs per bed voor hun verblijf, samen met hun specifieke data en het aantal personen in hun gezelschap. Jarenlang bracht de operationeel directeur van het bedrijf elke seizoensperiode wekenlang door met het handmatig sorteren van deze overlappende voorstellen, waarbij hij besliste welke groepen hij zou accepteren en welke appartementen hij aan hen zou toewijzen. Het was een traag, uitputtend proces dat vaak de reacties aan klanten vertraagde en volledig vertrouwde op menselijk oordeel onder druk. Om dit te verbeteren, werkte een onderzoeker genaamd Hana Tzur rechtstreeks met het bedrijf samen om een nieuw systeem te bouwen. In plaats van te proberen de prijzen te veranderen, richtte het systeem zich volledig op het allocatieprobleem: het selecteren van de beste mix van voorstellen en het passen van deze in de beschikbare appartementen om de totale inkomsten te maximaliseren.

De oplossing die zij bouwden is een tweestaps-proces dat nabootst hoe een mens zou kunnen denken, maar dan met de snelheid en precisie van een computer. De eerste stap is de zware krachtpatser. Deze kijkt naar alle binnenkomende verzoeken en de harde regels van het bedrijf — zoals het totale aantal beschikbare bedden in elk appartement en de regel dat een groep niet over verschillende gebouwen verspreid mag zijn. Het maakt gebruik van een wiskundige methode genaamd integer programmeren, wat in essentie een manier is om miljoenen mogelijke combinaties te testen om de enkelvoudige beste arrangement te vinden die aan alle regels voldoet. Deze stap bepaalt welke groepen worden geaccepteerd en welke worden afgewezen om ervoor te zorgen dat het bedrijf zoveel mogelijk geld verdient. Zodra de beste groepen zijn geselecteerd, neemt de tweede stap het over. Deze fase verandert niet wie er verblijft; in plaats daarvan verfijnt het waar zij slapen. Het zoekt naar kleine verbeteringen, zoals het plaatsen van een groep in appartementen die vlak naast elkaar liggen of het ervoor zorgen dat er zeer weinig lege tijd zit tussen het vertrek van de ene groep en de aankomst van de volgende groep. Deze tweede stap is ontworpen om de operatie soepeler te laten verlopen en minder ongemakkelijke gaten in de kalender te laten.

De onderzoekers testten dit nieuwe systeem met behulp van de werkelijke boekingsgegevens van het bedrijf uit 2023. Ze draaiden het algoritme op dezelfde set verzoeken die de menselijke manager het voorgaande jaar had afgehandeld en vergeleken de resultaten. Het plan van de computer genereerde ongeveer 3,5% meer omzet dan de handmatige beslissingen. In echt geld betekende dit een extra 139.000 Israëlische shekels voor dat enkele seizoen. Naast het geld veranderde het systeem de workflow volledig. Wat er voorheen weken intensief werk van de manager kostte, werd teruggebracht tot een proces dat slechts een fractie van de tijd in beslag nam, waardoor de allocatietijd met ongeveer 90% werd verminderd. Dit stelde het bedrijf in staat om veel sneller op klanten te reageren en gaf de manager zijn tijd vrij voor andere taken. Het systeem werd gebouwd met een low-code platform, wat een type software is waarmee mensen applicaties kunnen bouwen zonder complexe code vanaf nul te schrijven, en het draaide op een cloudserver die alleen werd ingeschakeld wanneer dat nodig was. Dit hield de kosten extreem laag, op ongeveer 200 shekels per maand, waardoor geavanceerde optimalisatie toegankelijk werd voor een klein bedrijf dat nooit dure commerciële software zou kunnen betalen.

De onderzoekers waren echter zorgvuldig om te vermelden dat dit succes gepaard ging met specifieke afwegingen en beperkingen. Het systeem was niet perfect, en in één geval betekende een kleine fout in de manier waarop de software was geschreven dat één deel van de verfijningsstap niet daadwerkelijk werkte zoals bedoeld. Gelukkig, omdat het hoofddoel het maximaliseren van de omzet was en de fout alleen een minder belangrijke voorkeur beïnvloedde voor hoe dicht de appartementen bij elkaar lagen, bleef het algemene resultaat sterk. De onderzoekers voerden ook simulaties uit met fictieve gegevens om te zien hoe het systeem zou presteren onder verschillende omstandigheden. Ze ontdekten dat naarmate de vraag naar kamers hoger werd en de concurrentie om ruimte intensiever werd, het voordeel van het gebruik van de computer boven een mens aanzienlijk groeide. In de meest drukke scenario's leidde het vermogen van de computer om groepen efficiënt in te pakken tot omzetverbeteringen van meer dan 65% vergeleken met een eenvoudige, niet-geoptimaliseerde methode. Dit suggereert dat hoe drukker de markt is, hoe waardevoller deze vorm van slimme allocatie wordt.

De studie benadrukte ook een bredere les voor kleine bedrijven. Het bewees dat je geen team van data scientists of een enorm budget nodig hebt om complexe logistieke problemen op te lossen. Door gebruik te maken van open-source tools en eenvoudige cloud computing, kan een kleine exploitant resultaten behalen die voorheen alleen beschikbaar waren voor grote corporaties. De onderzoekers documenteerden het hele proces, inclusclusief de fouten en de oplossingen, om aan te tonen dat deze aanpak levensvatbaar is voor anderen. Ze ontdekten dat het belangrijkste deel van het systeem simpelweg het zo strak mogelijk in de beschikbare bedden passen van de groepen was. De andere luxe functies, zoals het zorgen dat groepen in aangrenzende kamers zijn, waren weliswaar prettig, maar niet strikt noodzakelijk voor de belangrijkste financiële winst. Dit betekent dat zelfs een zeer eenvoudige versie van het systeem de meeste voordelen zou bieden.

Uiteindelijk herformuleert dit artikel hoe we denken over het beheren van kortetermijnverhuur. Het laat zien dat voor bedrijven die te maken hebben met groepsboekingen, de grootste kans op groei vaak niet ligt in het veranderen van prijzen, maar in het beter worden in de fysieke toewijzing van ruimte. De menselijke manager bij "Our Place" was vaardig en ervaren, maar het enorme aantal variabelen betrokken bij overlappende data en variërende groepsgroottes maakte het voor een mens onmogelijk om elke mogelijke combinatie te overzien. De computer verving het oordeel van de manager niet; het gaf hem simpelweg een hulpmiddel om het volledige plaatje te zien. Het resultaat was een bedrijf dat meer geld verdiende, sneller reageerde op klanten en met minder stress opereerde. Voor andere kleine exploitanten die voor soortgelijke uitdagingen staan, biedt deze casestudy een duidelijk pad vooruit: begin met de harde randvoorwaarden, gebruik eenvoudige tools om de beste match te vinden, en laat de data de complexiteit afhandelen die het menselijk brein niet gemakkelijk kan bevatten.