호텔 간 객실가격 경쟁을 고려한 강화학습 기반 동적가격결정 = Reinforcement Learning-based Dynamic Pricing under Hotel Competition

국문 초록 (Abstract)

본 연구는 제한된 객실 재고를 보유한 두 호텔이 동일한 고객 수요를 대상으로 가격 경쟁을 하는 문제에 대해 강화학습 알고리즘 기반의 동적가격결정 모형을 개발한다. 기존 연구는 주로 객실 가격의 결정 요인을 분석하거나 단일 호텔의 가격 정책 개발에 중점을 두어, 경쟁 호텔의 가격과 객실 재고 변화가 반복되는 경쟁 환경을 충분히 고려하지 못하였다. 이에 본 연구는 고객의 순차적 도착, 호텔의 가격 제안, 그에 따른 고객 선택과 객실 재고 변화가 반복되는 가격 경쟁 상황을 구성한다. 고객은 두 호텔 중 하나에서 객실을 예약하거나 예약을 포기하고 이탈하는 대안 중 하나를 선택하며, 강화학습 기반 가격결정 모형을 적용하는 호텔은 예약 리드타임, 잔여 객실, 직전 가격과 예약 결과, 누적매출, 예상 총 수요, 경쟁 호텔의 예상 잔여 객실 수를 상태로 사용한다. 행동은 경쟁 호텔의 직전 제안 가격을 일정 비율로 조정하는 것으로, 보상은 누적매출과 경쟁 호텔과의 매출 차이를 반영하도록 정의한다. 개발된 모형의 성과를 평가하기 위해 고정 가격 정책과 규칙 기반 가격 정책을 적용한 경쟁 호텔과의 가격 경쟁을 수요 수준별로 비교하였다. 분석 결과, 강화학습 기반 가격 정책은 고정 가격 정책과 규칙 기반 가격 정책보다 더 낮은 평균 가격을 제안하면서도 더 높은 누적매출을 달성하는 것으로 나타났다. 또한 수요 및 경쟁 호텔 가격 정책에 따라 호텔 간 평균 제안 가격과 누적매출의 차이가 다르게 나타났다. 본 연구는 호텔 간 가격 경쟁을 고객 선택과 재고 변화가 반복되는 순차적 의사결정 문제로 구성하였다는 점에서 의의가 있으며, 실무적으로는 수요, 예약 시점, 잔여 객실 재고, 경쟁 호텔의 가격을 반영한 가격 정책 수립의 필요성을 제시한다.

다국어 초록 (Multilingual Abstract)

This study develops a reinforcement learning-based dynamic pricing model for two hotels with limited room inventory competing for the same customer demand. Previous studies have mainly focused on the determinants of room prices or pricing policies for a single hotel, leaving competitive environments with repeatedly changing prices and inventories unexplored. This study constructs a sequential price competition setting in which customer arrivals, hotels' price offers, customer choices, and inventory changes occur repeatedly. Each customer either books one of the two hotels or leaves without booking. The hotel adopting the reinforcement learning-based model uses booking lead time, remaining rooms, its previous price and booking result, cumulative revenue, estimated total demand, and the competitor's estimated remaining rooms as its state. The action is defined as adjusting the competitor's previous offered price by a certain ratio, and the reward reflects booking revenue and the revenue difference from the competitor. To evaluate the developed model, a competitor adopting a fixed pricing policy or a rule-based pricing policy is compared across demand levels. The results show that the reinforcement learning-based pricing policy achieves higher cumulative revenue than both benchmark policies while offering lower average prices, and that the differences in average offered prices and cumulative revenue between hotels vary depending on demand levels and the competing hotel’s pricing policy. This study contributes by formulating hotel price competition as a sequential decision-making problem involving repeated customer choices and inventory changes and suggests pricing policies that account for demand, booking timing, remaining room inventory, and competitors' prices.