Сегодня онлайн-площадка Airbnb известна во всем мире, но ведь так было не всегда. История компании началась, когда у ее основателей, Брайна Чески и Джо Геббиа, возникли проблемы с оплатой своего лофта. Тогда они, недолго думая, превратили свою гостиную в некое подобие мини-отеля, разместив там трех человек, приехавших на местную выставку. Изначально их проект «AirBed and Breakfast» (дословно: матрас и завтрак) представлял собой временное жилье + завтрак для тех, кто приехал на мероприятия, но не забронировал номер в гостинице.

Компания быстро разрослась и стала важным игроком на рынке, перевернув все представление о туристических услугах.

Airbnb никогда не скрывала, что часто использовала data science (науку о данных) для привлечения клиентов, развития и оптимизации бизнеса и создания новых предложений. Давайте остановимся на этом вопросе.

---

Наука о данных (англ. data science, иногда «даталогия» — datalogy^[1]) — раздел информатики, изучающий проблемы анализа, обработки и представления данных в цифровой форме. Объединяет методы по обработке данных в условиях больших объёмов и высокого уровня параллелизма, статистические методы, методы интеллектуального анализа данных и приложения искусственного интеллекта для работы с данными, а также методы проектирования и разработки баз данных.

Wikipedia

---

Если данные – это мнение покупателя, то наука о данных – его интерпретация

Это слова Райли Ньюмана – бывшего главы отдела data science в Airbnb, где используется такой подход. Он подчеркивает, что исследователи этого отдела тесно вовлечены во все процессы компании и активно взаимодействуют с дизайнерами, продакт менеджерами и др.

Разностороннее использование данных

Airbnb использует полученную информацию не только для улучшения сервиса, но и для работы с группами покупателей, а также при приеме на работу. К примеру, компания с удовольствием ищет и берет на работу аналитиков-женщин. Изучив соискателей, отправляющих резюме в Airbnb, стало ясно, что около 30% заявлений подавали женщины. Компания не преминула воспользоваться этой возможностью, чтобы разнообразить штат сотрудников.

Однако задача состояла не только в том, чтобы брать на работу больше женщин. Изначально профессия информационного аналитика была не очень популярна среди представительниц слабого пола. К примеру, в сфере программирования карьерных возможностей гораздо больше. Поэтому Airbnb запустила целую серию успешных проектов, направленных на популяризацию направления и улучшение взаимодействия женщин-аналитиков между собой.

Впрочем, Airbnb решила на этом не останавливаться. Компания продолжила пристально изучать процесс отбора подходящих сотрудников, обращая внимание не только на их аналитические способности, но и на образованность и коммуникабельность. Для этого был разработан ряд испытаний, в т.ч. в формате презентаций или бесед с глазу на глаз. Соискателей заветной должности ставили в некомфортные условия, вроде выступления перед группой мужчин-аналитиков, которые должны были подмечать все огрехи испытуемого.

 

Airbnb считает, что их подход к найму сотрудников – главный двигатель роста компании

Конечно, одно дело применять подобные практики по отношению к персоналу, совсем другое – использовать их с предоставляемыми услугами. Или все-таки разницы нет?

Использование данных для улучшения поиска

Ключевой инструмент сайта Airbnb – прекрасно настроенный и максимально удобный для посетителей поиск. Однако на заре создания он работал совершенно иначе, предоставляя по запросу список из подходящих запросу мест. Когда сайт стал популярнее, компания получила возможность улучшить работу своей поисковой системы, сделав ее более клиент-ориентированной.

«Мы решили, что клиенты, обращаясь к нашей платформе, сами решат эту проблему за нас. Используя пласт данных, которые собирались на основе их заявок, а также на основе мест, где в итоге останавливались приезжающие, к примеру, в Сан-Франциско, мы подбирали для них более точные рекомендации по жилью», — говорит Ньюман.

О том, как эволюционировал поиск Airbnb, можно прочитать в их собственном блоге здесь.

Кроме того, поиск Airbnb использовал определенные демографические настройки. Все началось в 2014 году, когда один из аналитиков заметил, что пользователи из определенных азиатских стран, попадая на главную страницу портала, кликали на кнопку «Neighborhood» (окрестности), рассматривали размещенные там фотографии, но так и не возвращались к подбору жилья.

Когда эту информацию донесли до отдела проектировщиков, те перерисовали главную страницу для посетителей из указанных стран, заменив «отвлекающие ссылки» на перечень основных туристических направлений в Китае, Японии, Корее и Сингапуре. Конверсия выросла на 10%.

Использование данных для установления предпочтений арендодателей

Главная цель Airbnb заключалась в том, чтобы подобрать подходящих постояльцев подходящим хозяевам. Один из аналитиков компании, Бар Ифрак, узнал об Airbnb от своего друга. Тот, отправившись на каникулах путешествовать, хотел сдать свою квартиру постояльцам на все время своего отсутствия. Бар использовал этот опыт при создании проекта, смысл которого заключался в вопросе: «что влияет на решение арендодателя?»

Конечно же, не все собственники жилья имеют такие запросы как друг Бара Ифрака, однако некоторым пользователям действительно необходима более гибкая система подбора постояльцев, чтобы избежать простоя жилища.

v

Опираясь на имеющуюся информацию, Ифрак обнаружил, что арендодатели вероятнее всего примут предложение, которое минимизирует дни простоя, как на рисунке выше.

Разнятся ли подобные данные на разных рынках? Отличаются ли данные больших рынков от малых? Результаты оказались более чем неожиданными:

 

То, что начиналось как проект, в котором сравнивались и компоновались личные предпочтения арендодателей, вылилось в полномасштабный алгоритм, разработанный Ифраком вместе с одним из инженеров Airbnb. Проет помогает совместить желания хозяев жилья и потенциальных постояльцев в поисковом механизме.

Главным достижением являлось создание собственной системы фильтров, где запросы арендаторов совмещались с запросами арендодателей и выводились в коэффициент предпочтения.

Проведенные эксперименты, с использованием всех перечисленных наработок и продуманной системы фильтров должны были определить вероятность того, что на запрос клиента по поводу съема жилья, будет получен утвердительный ответ от арендодателя. Итоговый результат: 4% прибавки конверсии и значительное увеличение кол-ва успешных сделок.

Создание «опыта Airbnb»

Суть date science заключена в ее роли в «опыте Airbnb». Иначе говоря, в успешной сделке между клиентами, когда туристы приезжают к хозяевам жилья, обустраиваются на новом месте и занимаются запланированными делами. Для работы Airbnb итоговый результат этой цепочки чрезвычайно важен.

Для измерения «опыта» используется система Net Promoter Score или NPS, запущенная еще в 2003 году. Главный вопрос, который она ставит – «Какова вероятность, что вы порекомендуете Airbnb своим знакомым?»

Airbnb заинтересовано в положительном ответе. Для его определения используется целый ряд разных параметров:

• общая оценка по шкале от 1 до 5
• пункт назначения
• страна клиента
• история бронирования на Airbnb
• продолжительность поездки
• кол-во гостей
• тип жилья
• и многие другие.

Разумеется, NPS не лишена недостатков. Для Airbnb помимо влияния NPS на систему отзывов, важнее определить ее способность увеличить количество повторных заказов на сайте. Были протестированы различные категории и лояльность покупателей. Результаты получились следующими:

Таблица убедила Airbnb, что отзывы клиентов лишь косвенно определяют вероятность того, что пользователь обратится к услуге повторно. Несмотря на определенную помощь в изучении этого вопроса, значительного улучшения в «предсказании» повторных обращений добиться не удалось.

Если бы этим вопросом не занимались аналитики data science, даже подобными успехами Airbnb похвастаться не смогла, что доказывает, что с помощью этой науки можно сэкономить не только время, но и деньги.

Раздельное тестирование для улучшения процесса

Как и все передовые компании, Airbnb прибегает к методу раздельного тестирования. Она называет это «экспериментами» и использует их повсеместно в своей работе. Впрочем, положительный эффект этого метода не всегда удается установить (как, к примеру, на графике ниже):

У Airbnb есть своя программа A/B тестирования, которую компания предпочитает использовать на постоянной основе, считая, что подобный системный подход предпочтительнее спонтанных решений по возникающим проблемам.

К примеру, многие пользователи заходят на сайт Airbnb не логинясь. В этом случае будет очень тяжело отследить действия клиента: он может найти услугу с телефона, а затем зайти с десктопа и под своим именем и оформить заявку.

Кроме того, успешное оформление сделки зависит во многом от ответа арендодателя – то, что Airbnb не может просчитать.

И хотя сотрудники Airbnb старались упростить процедуру, процесс бронирования по-прежнему достаточно сложен, ведь главная цель компании – конверсия между поиском и бронью, несмотря на то, что между двумя этими пунктами есть ряд других ступеней:

Человек ищет жилье, арендодатель выставляет свои условия, два человека находят друг друга, оговаривают условия сделки – вот и вся конверсия. Но на этом пути возникает множество мелких проблем, поэтому так важны тесты и эксперименты.

В другом примере Airbnb посчитали, что будет лучше, если пользователи будут видеть предложения в виде списка красивых профессиональных фото жилья:

Во время тестирования выяснилось, что возникли проблемы у пользователей старых версий Internet Explorer. Разобравшись с этой проблемой, компания смогла продолжить эксперимент, наблюдая за изменениями.

В подобных случаях очень важно не предпринимать изменений, когда они не требуются, и работать с их негативными последствиями, если таковые есть. Дополнительно об их дизайне можно почитать здесь.

Смотрим в будущее

Т.к. Airbnb использует информацию, чтобы постоянно расти и развиваться, зачастую, она вступает в области, где нет четких закономерностей и рамок. Можно привести пример запуска Price Tips около года тому назад. С помощью этого приложения, арендодатель мог получить информацию о днях, которые вероятнее всего будут забронированы по выставленной цене, а какие не будут пользоваться спросом.
Кажется, что все достаточно просто. Но Price Tips использует 5 миллиардов параметров и множество всякой другой информации для формирования результата. Некоторые тренды, связанные с повышением цен на жилье, к примеру, во время крупных мероприятий, может также наложить свой отпечаток на итоговый результат.

Чтобы реагировать на такие изменения, компания разработала систему Aerosolve, которая обнаруживает принципы, по которым выстраиваются цены и т.д.

В одной из статей на Forbes подчеркивался случай, когда Aerosolve рекомендовала выбрать несколько мест по хорошим ценам и, снабжала это все это итальянским словом sabbia, что в переводе значит «песок». Выяснилось, что жилье из списка рекомендованного расположено в одном из мексиканских курортов.

Конечно, есть большая разница между рекомендацией цен и контролем их формирования. К примеру, компании Lyft или Uber заставляют своих арендодателей (в данном случае, таксистов) выставлять фиксированные цены – ход, от которого Airbnb пока отказывается. Но очевидно одно: Airbnb пытается выжать максимум потенциала из своих списков рекомендаций.

Чему мы можем научиться у Airbnb?

Все рассмотренные примеры и случаи не должны вас отпугнуть. Вы должны понять, что эта информация иллюстрирует важность использования и оперирования данными. Data science может способствовать созданию новых гипотез, рождению новых идей или улучшения уже существующих процессов.

Подобная работа предполагает отсутствие страха перед открытием чего-то нового, более скрупулезным рассмотрением существующих вопросов, которые обыкновенные эксперименты и тестирования решить не в состоянии. Прежде всего, пример Airbnb должен вдохновлять и напоминать всем, что любая успешная компания никогда не останавливается на достигнутом, а постоянно работает над расширением, улучшением и продвижением вперед – и всегда в союзе с наукой и данными.