Pricing strategy on AirBnb based on the Spatial Influence of Touristic Attractions in New York

Autores

  • Carolina Mourão de Paula FGV EAESP
  • Claudia Pereira Ignacio Zuppo FGV Management
  • Eduardo Rezende Francisco FGV-EAESP

Resumo

This study evaluates variables supporting pricing strategies for hosts interested in competing on a sharing economy icon dominating markets in many cities, AirBnb. Data created by Airbnb worldwide offers a rich repository for insights on the real estate realm by crossing multiple variables, including some with geographical characteristics that can support the decision making process of millions of property owners looking for obtaining profit out of their properties. New York City (NYC) is one of the most visited cities in the world and data published by the Airbnb website contains variables that support deciding whether Airbnb can be an revenue stream option for property owners. The methodology consisted of exploratory quantitative analysis (spatial point pattern, density maps of listings, evaluation of block proximity to attractions in price using buffer analysis) followed by spatial dependence models: spatial auto-correlation and spatial regression models (SAR), using socio-economic-demographic variables and distances from NYC attractions to properties. The key results indicate important moderate spatial auto-correlation of rental prices (Moran´s I of 56.85%) and the consequent increase of explanation of rental prices in the models of 21.3 percentage points with the incorporation of variables of distance to NYC attactions and of the auto-regressive spatial term (R2 from 34.59% of OLS regression to 55.89% of the Spatial Autoregressive model).

Trilha Acadêmica: Big Data and Applied Retail Analytics

Biografia do Autor

Carolina Mourão de Paula, FGV EAESP

MBA em Business Analytics e Big Data pelo FGV Management. Mestranda do Mestrado Profissional em Gestão para a Competitividade (MPGC), na modalidade TI, pela FGV EAESP. Gerente de Desenvolvimento de Sistemas

Claudia Pereira Ignacio Zuppo, FGV Management

MBA em Business Analytics e Big Data pelo FGV Management. Diretora de Projetos Quantas Pesquisas e Estudos de Mercado.

Eduardo Rezende Francisco, FGV-EAESP

Doutor (2010) e Mestre (2006) em Administração de Empresas pela Fundação Getulio Vargas - EAESP e possui graduação em Bacharelado em Ciência da Computação pelo Instituto de Matemática e Estatística da Universidade de São Paulo (1999). É Professor do Departamento de Informática e Métodos Quantitativos da FGV-EAESP desde 2011. Foi pesquisador visitante do Departamento de Information Science da University of Otago, na Nova Zelândia. Atualmente é colunista da Revista InfoGEO (coluna GEOInsights) e Portal de Geoinformação Mundogeo, e Consultor em Geotecnologias, Estatística Aplicada e Modelos Preditivos para Renda e Microcrédito. É coordenador de Business Intelligence do GVcepe - Centro de Estudos em Private Equity e Venture Capital da FGV. Tem experiência na área de modelos preditivos para Microcrédito, Marketing, Estatística Aplicada, Geoestatística, Demografia e Geotecnologias de maneira geral, com ênfase em Data Mining, atuando principalmente nos seguintes temas: Microcrédito, Geomarketing, Business Intelligence, Satisfação de Clientes e Integração de Tecnologias de Informação.

Downloads

Publicado

2020-10-20

Conferência

CLAV 2020 - 13o. Congresso Latino Americano de Varejo e Consumo

Modalidade

Artigos - Científicos