AI任せにするな。ホテル収益最大化のための「自作」ダイナミックプライシング入門【Excel×ChatGPT実践】

AIは決して「魔法の杖」ではありません。しかし、宿泊業界の経営層や現場のレベニューマネージャーがAI導入を検討する際、過度な期待を抱くか、あるいは「中身がブラックボックスで怖い」と過度な警戒心を持つ傾向が、業界全体でよく見受けられます。

実務の現場では、ダイナミックプライシング（変動料金制）の導入において、ベンダーの売上向上予測を信じてシステムを導入したものの、価格算出の根拠を現場が説明できず混乱を招き、結局は従来の手動調整に戻ってしまうケースが数多く報告されています。

ここで、長年システム開発に携わってきたエンジニアの視点から断言します。ロジックを理解していないAIツールは、決してビジネスの武器にはなりません。

そこで本記事では、「まず動くものを作る」というプロトタイプ思考に基づき、いきなり高額な専用AIツールを契約する前に、手元にあるExcelとChatGPTを活用して「自家製ダイナミックプライシング・モデル」を作ってみませんか？という実践的なアプローチを解説します。

OpenAIの公式情報（2026年時点）によると、ChatGPTはGPT-4oなどの旧モデルが廃止され、より高度な長い文脈理解やツール実行能力を備えたGPT-5.2等の新世代モデルへと移行しています。この進化により、複雑な指示の追従性や汎用的な推論能力が大幅に向上しました。こうした最新のChatGPTの強力な分析能力と、使い慣れたExcelを組み合わせることで、専門的なプログラミング知識がなくても、高度な価格予測モデルのプロトタイプを構築することが可能になっています。

自らの手でデータを扱い、高速でプロトタイプを組み立てることで、AIがどのような基準で価格を決定しているのか、その「思考回路」を肌で感じることができます。ブラックボックスを自ら解き明かし、自社に本当に必要なAIツールの要件を見極めるための第一歩を、共に踏み出してみませんか？

本チュートリアルのゴール：AIの「思考回路」を理解する

このチュートリアルを通して目指すのは、実用レベルの完璧な自動価格設定システムを作ることではありません（それは餅は餅屋、専門ベンダーに任せるべき領域です）。真の目的は、「価格弾力性」という概念を、自社のデータで実感することにあります。

なぜ導入前に自作シミュレーションが必要なのか

多くのホテルで導入されているレベニューマネジメントシステム（RMS）やダイナミックプライシングツールは、高度なアルゴリズムを持っています。しかし、その根幹にあるのは「需要予測」と「価格最適化」の2つです。

これらがブラックボックスのままだと、以下のような事態に陥ります。

• 説明責任の欠如: フロントスタッフから「なぜ今日はこんなに高いのですか？」と聞かれても、「AIが決めたから」としか答えられない。
• 異常値への対応遅れ: 台風直撃でキャンセルが続出しているのに、AIが過去の同時期のデータに基づいて強気の価格を出し続ける。
• ベンダー依存: ツールの精度が悪くなった時、それが市場の変化によるものなのか、アルゴリズムの問題なのか判断できない。

本記事で作成する成果物のイメージ

今回は以下のステップで進めます。

1. データ整備: PMS（宿泊管理システム）からデータを抽出し、分析用に整える。
2. 分析: ChatGPTを使って、価格と稼働率の関係（需要曲線）を可視化する。
3. 構築: Excelで「もし稼働率がX%なら価格をY円にする」というロジックを組む。
4. 検証: 過去データを使って、そのロジックで運用していたら売上がどう変わったかをシミュレーションする。

エンジニアである必要はありません。普段使っているExcelの関数（IFやVLOOKUP程度）と、ChatGPTへの日本語での指示ができれば十分です。

Step 1: 分析環境の準備とデータセットの整備

AIプロジェクトの成否は、データの質で8割決まります。これは高度な機械学習モデルの構築でも、今回の簡易的な分析モデルの作成でも変わりません。まずは自社のPMS（宿泊管理システム）から、分析の土台となる「使えるデータ」を抽出する作業から始めます。

必要なデータ項目

過去1年分（特異な市場変動の影響を排除するなら2年分）の日別データをCSV形式でエクスポートします。最低限必要なカラム（列）は以下の通りです。

• Date (日付): YYYY-MM-DD 形式
• RoomType (部屋タイプ): シングル、ツインなど（分析を単純化するため、まずは主力の1タイプに絞るアプローチが有効です）
• ADR (平均客室単価): 実際に販売された平均単価
• Occupancy (稼働率): その日の最終的な稼働率（%）
• RevPAR (販売可能客室数あたり客室売上): ADR × Occupancy で算出可能ですが、あらかじめ項目として存在すると分析がスムーズになります
• DayOfWeek (曜日): 曜日の傾向を掴むため必須（Excelの関数で後から追加可能です）

Excelデータのクレンジング手順

データを取り出した後、そのまま使うのではなく「ノイズ」を除去する作業が必要です。これはAIモデルに誤ったパターンを学習させないための極めて重要な工程です。

1. 異常値の除外:

   • 休館日: 稼働率0%の日は実需を反映していないため削除します。
   • 貸切・団体利用: 特定の団体による全館貸切の日は、通常の市場原理（価格と需要のバランス）が働いていないため、分析対象から外します。
   • システム障害: 明らかに不自然な数値（ADRが0円や極端な高額など）が含まれる行を取り除きます。

2. フォーマットの統一:

   • 日付や数値のデータ形式を統一します。特に「円」や「%」といった記号が文字列として混入していると、後のプロセスで数値として計算できない原因になります。見た目を整えるセルの書式設定ではなく、データそのものから記号を削除しておくことがポイントです。

ChatGPT（Advanced Data Analysis）の準備

データの準備が整ったら、ChatGPTを開きます。ここで使用するのは、アップロードしたファイルをPython環境で直接処理・分析できる「Advanced Data Analysis（旧Code Interpreter）」機能です。

モデルの選択には注意が必要です。2026年2月中旬をもって、ChatGPT上でのGPT-4oなどのGPT-4系レガシーモデルは提供を終了しました。現在は、より高度な推論能力とデータ処理精度を備えたGPT-5.2が最新の標準モデルとして展開されています。そのため、分析を実行する際は最新のGPT-5.2を選択してください。旧モデルの維持コストを最新モデルの改善に集中させるというOpenAIの方針により、現在はこの新しいモデル群がデータサイエンスの強力なアシスタントとして機能します。

これでデータと分析環境の準備は完了です。次は、整えたデータの中に眠る需要の法則を抽出するプロセスに進みます。

Step 2: 需要曲線の可視化と価格弾力性の算出

ここからが面白いところです。経済学の教科書に出てくる「需要曲線」を、実際のデータを使って描いてみましょう。仮説が即座に形になる瞬間です。

ChatGPTにデータを読み込ませて散布図を描く

整備したCSVファイルをChatGPTにアップロードし、以下のプロンプトを入力してください。

【プロンプト例】
添付のCSVデータは、あるホテルの過去1年間の宿泊実績データです。
以下の分析を行ってください。

1. 横軸を「ADR（平均客室単価）」、縦軸を「Occupancy（稼働率）」とした散布図を作成してください。
2. データの傾向を可視化するため、回帰直線（トレンドライン）を追加してください。
3. 平日（月〜木）と週末（金・土）、休日（日・祝）で色分けしてプロットしてください。

これだけで、ChatGPTはPythonコードを生成・実行し、グラフを描画してくれます。

価格（ADR）と需要（稼働率）の相関関係を確認する

出力されたグラフを見てみましょう。一般的に、グラフは右肩下がりになっているはずです。つまり、「価格が高くなればなるほど、稼働率は下がる」という関係です。

ここで注目すべきは、その傾きです。

• 傾きが急: 価格を少し上げただけで、客足がガクンと落ちる（価格に敏感）。
• 傾きが緩やか: 価格を上げても、あまり客足が落ちない（価格に鈍感、ブランド力が強い）。

これが「価格弾力性」の正体です。

「価格弾力性」係数の簡易計算プロンプト

さらに踏み込んで、具体的な数値を算出してもらいましょう。

【プロンプト例】
このデータの「価格弾力性」について分析したいです。
ADRとOccupancyの相関係数を算出してください。
また、平日と週末それぞれの回帰分析を行い、決定係数（R-squared）と傾きを教えてください。

もし相関係数が -0.7 程度であれば、強い負の相関（価格と需要が連動している）があると言えます。逆に -0.2 程度であれば、価格以外要因（イベントや天気など）の影響が強く、単純な価格調整だけではコントロールが難しいことがわかります。

この数値を知っているだけで、AIツールのベンダーに対して「うちは週末の価格弾力性が低いから、強気のプライシングロジックを組みたいが可能か？」といった、専門的な質問ができるようになります。

Step 3: ルールベースの動的価格ロジックを構築する

データの傾向（クセ）がわかったところで、Excelに戻り、実際に価格を決める「ロジック（計算式）」を作ってみましょう。ここでは、AIのようなブラックボックスではなく、人間が完全に理解できる「ルールベース」のアプローチをとります。

リードタイムとブッキングカーブを考慮する

ダイナミックプライシングの基本変数は以下の3つです。

1. 基本価格 (Base Rate): その部屋の基準となる価格。
2. 残室数・稼働率 (Occupancy): 混んできたら高くする。
3. リードタイム (Lead Time): 宿泊日までの日数。直前か、早期か。

これらを組み合わせたシンプルなロジックを考えます。

「基本価格に対して、稼働率が高ければ割増し、さらに直前なら割増しする」

ExcelでのIF関数を使った簡易プライシング計算式の作成

新しいExcelシートを用意し、以下のカラムを作ってシミュレーションしてみましょう。

• A列: 基本価格（例: 10,000円）
• B列: 現在の稼働率（例: 70%）
• C列: リードタイム（例: 7日前）
• D列: 稼働率係数
• E列: リードタイム係数
• F列: 推奨販売価格

D列（稼働率係数）の数式例:
稼働率が80%を超えたら1.2倍、50%〜80%なら1.0倍、50%未満なら0.9倍にするロジックです。

=IF(B2>=0.8, 1.2, IF(B2>=0.5, 1.0, 0.9))

E列（リードタイム係数）の数式例:
宿泊日が3日以内なら1.1倍、30日以上前（早割）なら0.9倍、それ以外は1.0倍。

=IF(C2<=3, 1.1, IF(C2>=30, 0.9, 1.0))

F列（推奨販売価格）の数式:
これらを掛け合わせます。

=A2 * D2 * E2

例えば、基本価格10,000円、稼働率85%、リードタイム2日の場合：
10,000 * 1.2 * 1.1 = 13,200円
となります。

非常に単純ですが、これがダイナミックプライシングの原型です。ここに、「競合ホテルの価格が自社より高ければ係数を上げる」といった条件をVLOOKUPなどで追加していくことで、ロジックはより精緻になります。

Step 4: 過去データを用いた収益シミュレーション（バックテスト）

ロジックができたら、それを過去のデータに当てはめて検証します。これを金融やAIの世界では「バックテスト」と呼びます。「もしあの時、このロジックを使っていたらどうなっていたか？」を確認する作業です。

固定価格だった場合 vs 変動価格モデルの場合

Step 1で用意した過去データ（実績）の横に、Step 3で作った計算式で算出した「推奨価格」の列を追加します。

そして、以下の仮説に基づいて売上を再計算します。

• ケース1（値上げ）: 推奨価格が実績ADRより高い場合。
  • 仮説: 価格弾力性（Step 2で分析）を考慮し、価格が10%上がれば需要（稼働率）が5%下がると仮定して売上を計算。
• ケース2（値下げ）: 推奨価格が実績ADRより安い場合。
  • 仮説: 価格を下げた分、需要を取り込めたと仮定（ただし満室以上にはならないよう上限設定）。

シミュレーション結果の評価方法

ChatGPTにこの計算を手伝わせることも可能です。

【プロンプト例】
以下の条件でバックテストを行ってください。
現在の「実績売上」に対し、もし価格を「推奨価格」に変更していた場合の「想定売上」を試算したいです。

条件：
- 価格が1%上がると、稼働率は0.5%下がると仮定（価格弾力性 -0.5）
- 稼働率の上限は100%
- 稼働率の下限は0%

月ごとの「実績売上」と「想定売上」の比較表を作成してください。

この結果、もし「想定売上」の方が高ければ、あなたの作った簡易ロジックには導入の価値がある可能性があります。逆に低ければ、ロジック（係数の設定など）を見直す必要があります。

この試行錯誤こそが、レベニューマネジメントの勘所を養う最高のトレーニングになります。

Step 5: 本格的なAIツール選定への接続

ここまで自作してみると、Excelと簡易ロジックの限界も見えてきたはずです。

自作モデル（Excel）の限界

1. 変数の限界: 天気、地域のイベント情報、航空券の予約状況など、外部データの取り込みを手動でやるのは不可能です。
2. 更新の限界: 競合価格は刻一刻と変わります。Excelを毎日手動更新するのは業務負荷が高すぎます。
3. 非線形性への対応: 「価格を上げても需要が落ちない特異日」のような複雑なパターンをIF関数だけで表現するのは困難です。

AIツールの優位性と選定基準

ここで初めて、商用AIツールの出番です。しかし、今のあなたはもう「AIに丸投げ」する素人ではありません。

ツール選定時には、以下の質問をベンダーにぶつけてみてください。

• 「このツールは、価格弾力性をどのように学習していますか？ 直近のデータと過去のデータの重み付けはどうなっていますか？」
• 「イベントなどで需要が急変した際、人間が介入してロジックを修正（オーバーライド）できる機能はありますか？」
• 「なぜその価格になったのか、寄与度の高い因子（天気なのか、残室数なのか）を表示する機能はありますか？」

これらは、自ら手を動かしてプロトタイプを作り、仮説検証を繰り返した経験があるからこそできる、本質的な質問です。技術の本質を見抜くことで、ビジネスへの最短距離を描くことが可能になります。

まとめ：AIを「魔法」から「道具」へ

ダイナミックプライシングは、単に価格を変動させて売上を最大化するだけの技術ではありません。それは、顧客の需要を深く理解し、適切な価値を適切なタイミングで提供するためのコミュニケーション手段でもあります。

今回ご紹介したステップを通じて、皆さんがAIのロジックの一端に触れ、「これなら制御できる」「ここは任せられる」という感覚を掴んでいただけたなら幸いです。ブラックボックスを恐れる必要はありません。中身を知り、まずは動くものを作ってみることで、AIはビジネスを加速させる最強のパートナーになります。