Analyse du marché Airbnb Montréal

#python #pandas #tableau #personnel

Contexte du projet

À partir d’un scénario d’affaires axé sur les besoins des parties prenantes, j’ai analysé les données Airbnb de Montréal afin d’identifier des opportunités permettant aux hôtes d’améliorer leur taux d’occupation, leur stratégie tarifaire et la visibilité de leurs annonces. À l’aide de Python, Pandas et Tableau, j’ai transformé des données brutes de calendriers et d’annonces en recommandations concrètes adaptées à différents types de propriétés et quartiers.

Exigences d’affaires

L’analyse devait fournir :

• Une vue de la performance du marché d’une année à l’autre
• Le prix moyen des locations Airbnb
• L’offre et la demande selon le nombre de chambres
• L’impact de la fonctionnalité Réservation instantanée (Instant Book)

Le livrable final visait à fournir des recommandations actionnables permettant aux hôtes d’augmenter leur taux d’occupation, d’optimiser leur tarification et de renforcer leur position sur le marché local.

Méthodologie

• Nettoyage et validation des ensembles de données de calendriers et d’annonces avec Pandas.
• Standardisation des formats de données, notamment les devises et les caractéristiques des propriétés.
• Retrait des annonces inactives afin de mieux représenter le marché actif.
• Agrégation des données calendaires en indicateurs quotidiens de réservation et d’occupation.
• Création de métriques annuelles de réservation pour l’analyse des tendances.
• Développement d’indicateurs liés à la tarification, à la demande et à la performance de la fonctionnalité Réservation instantanée.

Point technique : Calcul du taux d’occupation

# Agréger la disponibilité par date
bookings1 = df1.groupby('date')['available'].agg(['sum', 'count'])

# Calculer le nombre d'annonces réservées
bookings1['sum_booked25'] = bookings1['count'] - bookings1['sum']

# Calculer les taux de disponibilité et de réservation
bookings1['perc_avail25'] = (bookings1['sum'] / bookings1['count']) * 100
bookings1['perc_booked25'] = (bookings1['sum_booked25'] / bookings1['count']) * 100

Les disponibilités des annonces ont été agrégées par date afin de créer des indicateurs d’occupation permettant d’estimer la demande et de comparer la performance du marché d’une année à l’autre.

Sommaire exécutif

• Les réservations ont diminué de 15 % d’une année à l’autre, principalement en raison d’une faible demande au printemps 2025.
• Les annonces utilisant la fonctionnalité Réservation instantanée ont enregistré un taux d’occupation environ 6 % plus élevé ainsi que 4 % plus d’avis, tout en maintenant une note similaire.
• Les propriétés comptant une à trois chambres représentent 94 % de l’offre du marché, les logements de trois chambres affichant une demande légèrement supérieure.
• L’analyse tarifaire suggère que les propriétés plus grandes deviennent progressivement plus coûteuses par chambre au-delà du segment des trois chambres.

Fonctionnalité Réservation instantanée

Les annonces ayant activé la fonctionnalité Réservation instantanée ont obtenu un taux d’occupation environ 6 % supérieur et 4 % plus d’avis, tout en conservant des évaluations pratiquement identiques. Malgré ces avantages, cette fonctionnalité demeure sous-utilisée : il y a 1,24 fois plus d’hôtes qui choisissent de ne pas l’activer. Cela représente une occasion intéressante pour les hôtes souhaitant accroître leurs réservations sans compromettre la satisfaction des voyageurs.

Évolution annuelle des réservations

Les réservations ont diminué de 18 % entre mars et mai 2025 comparativement à la même période de l’année précédente, avril ayant enregistré la plus faible performance. Toutefois, la demande s’est graduellement rétablie au cours du reste de l’année, avec une augmentation des réservations de 4 à 5 % en septembre et en décembre, ce qui laisse entrevoir une meilleure performance pour la deuxième moitié de l’année.

Nombre de chambres

Les propriétés comptant une à trois chambres représentent 94 % de l’offre du marché. Bien que les logements d’une chambre soient de loin les plus nombreux, les propriétés de trois chambres affichent un taux d’occupation légèrement supérieur malgré une disponibilité moindre.

Les logements de six chambres ou plus représentent moins de 1 % de l’inventaire et ont été exclus de l’analyse principale en raison d’un échantillon limité.

Tarification

Les logements d’une chambre affichent un tarif moyen de 99 $ par nuit. Le coût par chambre diminue à mesure que la taille de la propriété augmente, atteignant son niveau le plus bas dans la catégorie des logements de trois chambres, soit environ 30 % sous le coût par chambre des logements d’une chambre.

Au-delà de trois chambres, le coût par chambre augmente de nouveau et se situe entre 12 % et 21 % au-dessus du coût par chambre des logements d’une chambre pour les propriétés de six à sept chambres.

Recommendations

• Aider les hôtes à augmenter rapidement leur taux d’occupation : Encourager l’activation de la fonctionnalité Réservation instantanée. Les annonces qui l’utilisent présentent un meilleur taux d’occupation ainsi qu’un plus grand volume d’avis, avec peu ou pas d’impact sur les évaluations des voyageurs.

• Mettre en valeur les propriétés les plus recherchées : Souligner la forte demande pour les logements de trois chambres et encourager les hôtes admissibles à mettre en marché une capacité d’hébergement supplémentaire lorsque cela est possible.

• Raffiner l’information financière mise à la disposition des hôtes: Offrir des données comparatives sur les prix selon le nombre de chambres, à l’échelle du quartier et du Grand Montréal. Cela permettrait aux hôtes de mieux comprendre leur marché et d’optimiser leurs annonces afin d’augmenter à la fois leurs réservations et leur rentabilité.

Limitations et pistes d’amélioration

• Les données de calendrier Airbnb ne permettent pas de distinguer les nuits réellement réservées des dates bloquées manuellement par les hôtes. Le taux d’occupation constitue donc une estimation plutôt qu’une mesure directe.
• Les deux extractions de données se chevauchent sur une période de 16 jours et les données de mars 2026 sont incomplètes, ce qui pourrait légèrement influencer les comparaisons annuelles. De plus, l’analyse repose sur environ deux années de données et doit être interprétée comme un reflet des tendances récentes du marché plutôt que comme une tendance à long terme.
• Les propriétés de six chambres ou plus représentent moins de 1 % de l’inventaire et ont été exclues de l’analyse principale en raison de la taille limitée de l’échantillon.

Source de données

Inside Airbnb (https://insideairbnb.com/get-the-data/)

• extraits des données Montréal:
  • 23 mars, 2024
  • 6 mars, 2025

Compétences utilisées

Python · Pandas · Nettoyage des données · Exploration des données (EDA) · Tableau · Intelligence d’affaire