Airbnbがデータサイエンスを使用して製品とマーケティングを改善する方法

今日のようによく知られているように、Airbnbは古風な趣のある始まりを持っていました。サンフランシスコのロフトの家賃を払う余裕がなかったため、創設者のブライアン・チェスキーとジョー・ゲビアは、宿泊施設が不足していた地元の売り切れの見本市から3人のゲストを迎え、リビングルームをミニベッド&ブレックファーストに変えました。 AirBedとBreakfastのオリジナルのデザインは、需要のために地元のイベントのために滞在する場所を予約できなかった人々に、一時的な居住区、朝食、ビジネスネットワーキングの機会を提供しました。

Airbnbは、注目を集めるイベントの宿泊施設を提供するニッチなサイトから急速に成長し、ホスピタリティと旅行業界を真っ向から変え、その過程で多くの報道機関とブランドの認知度を生み出しました。 Airbnbは、その謙虚な始まり以来、データサイエンスを多用して新製品の提供を構築し、サービスを改善し、新しいマーケティングイニシアチブを活用してきました。彼らがそれをどのように行うか、そしてあなたが彼らから何を学ぶことができるかは次のとおりです。

データは顧客の声であり、データサイエンスはその声の解釈です
Airbnbの元データサイエンス責任者であるRileyNewmanは、同社はデータを顧客の声と見なし、データサイエンスをその声の解釈と見なしていると説明しています。さらに、Airbnbのデータサイエンティストは、スプレッドシートをじっと見つめている自分たちのキュービクルに閉じ込められて座っているわけではありません。代わりに、さまざまなチームのエンジニア、デザイナー、プロダクトマネージャーなどと直接提携するために、積極的に関与して組織化されています。

ニール・パテルとの協議
私の代理店があなたのウェブサイトへの大量のトラフィックをどのように促進できるかをご覧ください

SEO-大量のSEOトラフィックのロックを解除します。実際の結果をご覧ください。
コンテンツマーケティング-私たちのチームは、共有され、リンクを取得し、トラフィックを引き付ける壮大なコンテンツを作成します。
有料メディア-明確なROIを備えた効果的な有料戦略。
電話を予約する

データは多様性に取り組む
Airbnbはデータを使用して、サービスと検索を改善するだけでなく、雇用慣行と顧客グループも改善します。彼らは積極的に女性のデータサイエンティストを採用することを検討しており、採用慣行に無意識の偏見がないことを保証するために大きな進歩を遂げています。コンバージョンの最適化に取り組む方法と同じように、彼らは採用の目標到達プロセスの上部を見て、歴史的に、応募者の約30%が女性であることがわかりました。つまり、より多様な労働力を含める機会が熟していたということです。

しかし、単に「より多くの女性を雇う」だけでは十分ではありませんでした。伝統的に、「データサイエンティスト」の仕事は、若い女の子が夢見るようなものではありません。コーディングを行う女の子や女性エンジニアには多くの機会がありますが、データサイエンスの面ではほとんどありません。そこでAirbnbは、一連のコミュニティイベントやトークを通じてそれを作成しました。あらゆる種類のデータサイエンスのバックグラウンドを持つ女性が、話し、協力し、交流するよう招待されました。イベントは完売いたしました。

しかし、それでもまだ完了していません。彼らは引き続き面接プロセスを精査し、応募者が分析的かつコミュニケーション的に一致するだけでなく、文化的にも一致するようにしました。彼らは、一連の1対1の会話、プレゼンテーション、および持ち帰りの課題を通じてこれを行います。会話のポイントについては、会話は強力でしたが、プレゼンテーションと持ち帰りの課題の両方で非常に異なっていました。

企業がコンバージョンを改善するためにカスタマージャーニーを分析するのと同じように、Airbnbは、すべて男性のデータサイエンティストのパネルの前でコミュニケーションが不十分または「ジュニア」である候補者から、採用ジャーニーのすべてのポイントを調査しました。 「成功」の主観的な見方のために、持ち帰りの課題を評価する際の潜在的なバイアスにアプローチし、彼らを緊張させます。

airbnb-女性
Airbnbは、製品成長の主な動機として多様な採用を認めています
その結果、女性のデータサイエンティストを名簿に追加できるだけでなく、応募者の質と経験も大幅に向上しました。

もちろん、コンバージョン最適化の手法を人々に適用することと、それを製品に完全に適用することは別のことです。

それとも本当に違うのですか?

データを使用した検索の改善
Airbnbサイトの中心はその検索です。慎重に調整されたその検索は、あらゆる段階で顧客を刺激し、驚かせ、喜ばせるように設計されています。しかし、それはいつも公園を散歩したわけではありませんでした。当初、Airbnbは顧客に提供するデータの種類を知らなかったため、ユーザーの検索に基づいて特定の半径内で最高品質のリストを返すモデルに落ち着きました。

より多くのユーザーがサイトにアクセスし、Airbnbがより多くのデータを取得するにつれて、基本的な検索をよりユーザーデータ主導の検索に置き換えることができました。ニューマンは説明します:

「…[W]eは私たちのコミュニティに私たちのために問題を解決させることに決めました。ゲストとホストの相互作用で構成される豊富なデータセットを使用して、人が検索した場所を指定して、その場所での予約の条件付き確率を推定するモデルを構築します。したがって、「サンフランシスコ」の検索は、サンフランシスコも検索する人々がいる地域に偏ります。

 

o通常、ミッション地区やローワーハイトなどの予約を締めくくります。」

彼らの検索モデルがどのように進化したかは、Airbnb自身のブログで読むことができます。

Airbnbはまた、データを使用して、人口統計学的に検索エクスペリエンスを調整しました。 2014年に、特定のアジア諸国のユーザーがホームページにアクセスしたときのバウンス率が高いことに気づきました。データをさらに分析すると、ユーザーが[近所]リンクをクリックして写真の閲覧を開始した後、場所を予約するために戻ってこないことがわかりました。

問題を発見したデータサイエンティストは、それらの国のユーザー向けに再設計されたバージョンを作成したエンジニアリングチームに問題を示しました。ネイバーフッドリンクを、中国、日本、韓国、シンガポールの主要な旅行先に置き換えます。その結果、これらの国のユーザーからのコンバージョンが10%増加しました。

データを使用したホスト設定の決定
Airbnbの背後にある前提は、十分に単純です。宿泊施設を探している人と、自分の場所を借りたい人を一致させることです。 Airbnbで働くデータサイエンティストの1人であるBarIfrachは、友人を通じてこのサイトを発見しました。彼の友人は、彼が大学院の休憩中に旅行している間、人々が滞在するための素敵なアパートを提供しました。友人は、彼が留守の間、1〜2週間の間にできるだけ多くの予約に合わせたいと考えていました。彼は、それが彼の占有率を最大化するのにどれだけ役立つかに基づいて、申請者を受け入れるか拒否するでしょう。

Ifrachはこの特定のシナリオを思い出し、それを使用して彼自身のミニチュア研究プロジェクトを作成しました。

ホストの受け入れ決定に影響を与えるものは何ですか?

明らかに、すべてのホストがIfrachの友人と同じアプローチを取りたいとは限りませんが、そうするホストは、以下に示すように、チェックインとチェックアウトのギャップを回避しようとします。

チェックインギャップ
Ifrachが友人から学んだことを全体としてホストベースに適用する際に、Ifrachは、ホストがそれらのギャップを最小限に抑えながら、カレンダーに適合する要求をより受け入れていることを発見しました。

ホストギャップ
しかし、この種の情報はすべての市場に当てはまりましたか?それとも、大小の市場は異なっていましたか?結果は非常に驚くべきものでした。

好みの違い
直前の通知と十分な通知の通知に対するホストの特定の(個人的な)好みを投入し、小さな研究プロジェクトとして始まったものが本格的な機械学習アルゴリズムに変わりました。 IfrachはAirbnbエンジニアと提携して、ホストとゲストの両方の好みに基づいて結果を本質的にパーソナライズするアプリケーションを作成し、より正確な適合を保証しました。

ここでは、Airbnbのデータサイエンティストが、ホストの事前の承認と拒否の決定から、旅行自体の詳細まで、あらゆるものを調べました。あまりにも多くのノイズでアルゴリズムを乱雑にするのではなく、彼らは独自のフィルターのセットを作成し、以下のようなフローチャートを使用してそれらを適用しました。

プリファレンスフロー
それがどのように機能するかをテストするために、彼らは確率と他の好みを考慮したランキングアルゴリズムを使用した実験を行いました。この場合の主な目標は、宿泊施設をリクエストするゲストが予約を取得する可能性を確認することでした。これらの新しいフィルターと設定を適用した結果、予約のコンバージョンが4%近く増加し、ゲストとホストの成功した試合の数が大幅に増加しました。これは、誰にとってもメリットがあります。

Airbnbエクスペリエンス」の作成
データサイエンスの本当の「肉とジャガイモ」は、「Airbnbエクスペリエンス」の一部として収束します。ゲストがホストに旅行し、歓迎され、落ち着き、探索するときです。これらは、サイトのユーザーエクスペリエンスを左右する可能性のあるものであり、旅行の質を理解するという点でAirbnb自体にとって非常に価値があります。

彼らは、2003年に導入された顧客ロイヤルティ指標であるネットプロモータースコアまたはNPSを使用してこの経験を測定します。ネットプロモータースコアは、本質的に、「Airbnbを推奨する可能性はどのくらいありますか?」と尋ねます。

Airbnbは、正確な予測を行うために「推奨する可能性」を望んでいるため、次のような他のパラメータも制御します。

全体的なレビュースコアと、1〜5のスケールでのレビューサブカテゴリへの回答。
ゲスト獲得チャネル(オーガニックまたはマーケティングキャンペーン)
旅行先
ゲストの出身
Airbnbのゲストからの以前の予約
旅行の長さ
客数
1泊あたりの料金
チェックアウトの月(季節性を考慮して)
部屋タイプ(家全体、個室、シェアルーム)
ホストが所有するその他のリスト
Airbnbは、説明できない他の種類の忠誠心(口コミの紹介など)が働いている可能性があることを認めています。レビュー自体はAirbnbの全体的な体験にとって非常に重要であるため、同社はネットプロモータースコア(「推奨する可能性」)がレビューよりも再予約を増やしたかどうかを判断したいと考えていました。

この場合、予測精度、推奨の可能性、およびレビューサブカテゴリをテストして、それらがどれほど正確であるかを確認しました。結果は次のとおりです。

予測分析
この調査の結果、Airbnb

 

リップレビュー(推奨する可能性を含む)は、ユーザーがいつ再予約するかを予測する能力をわずかに改善しただけです。レビューは再予約数を予測するだけではなく、ネットプロモータースコアからここに記載されていない他の要因もありますが、データサイエンスでは、これらのカテゴリとネットプロモータースコアを使用した再予約の予測は、せいぜいわずかにしか改善されていないことがわかりました。

この特定のケースでは、データサイエンティストや他のチームメンバーがレビューとネットプロモータースコアを使用して将来の予約を予測する精度について調査していなかったとしたら、Airbnbは予測が彼らのゲストエクスペリエンスが向上し、その結果、収益が向上しました。データサイエンスのさらに別の例は、最終的に意図したとおりに機能しない場合でも、時間とお金を節約するのに役立ちます。

プロセスを微調整するための分割テスト
すべてのスマートで最先端の企業と同様に、Airbnbも分割テストを自由に利用しています。彼らはこれらを「実験」と呼び、概念化から完成まで、そしてそれ以降の開発のすべての段階で定期的に実施します。ただし、多くの場合、特定の製品または製品の変更がどの程度の影響を及ぼしたかを正確に把握することは困難です。

airbnb-実験
Airbnbには、すぐに使えるソリューションを使用するのではなく、独自の内部A / Bテストフレームワークがあります。これは、ボタンの色を変更して何が起こるかを測定するだけでなく、ビジネスモデルとカスタマーエクスペリエンスに複雑な側面があるためです。

たとえば、ユーザーはログインしているかどうかに関係なくAirbnbを閲覧できます。これにより、アクションを特定のユーザーに結び付けることが困難になる可能性があります。また、モバイルデバイスで閲覧してから帰宅し、自宅のパソコンで予約プロセスを完了することもできます。

さらに、予約が成功するかどうかは、ゲストのリクエスト(および在庫)と、ホストの応答性に依存します。これは、Airbnbの制御が及ばないことです。

また、プロセスはかなり簡素化されていますが、予約プロセスは依然として非常に複雑です。 Airbnbは主に、検索と最終予約の間のコンバージョン率を調べます。ただし、その間にいくつかのステップがあります。

airbnb-予約
この場合の「コンバージョン」を構成するものの多くは、特定のエリアに滞在する場所を探しているゲストと、価格を設定するホストと2人が一緒になって必要な手続きに同意して世話をすることです。このようなプロセスには固有の小さな道路の隆起がたくさんあります。そのため、実験は非常に重要です。

別の例では、Airbnb(ホストにプロの写真サービスを提供)は、検索結果でリストが美しいフルカラー写真として利用可能になれば、ユーザーはより良い体験ができると感じました。

airbnb-before-after-location-listing
この新しいデザインをテストしたところ、古いバージョンのInternet Explorerでは重要なクリックスルーアクションが壊れていることがわかりました(誰も驚いたことではありません)。その問題を修正することで、彼らはテストを続行するだけでなく、変更がさまざまなユーザーグループにどのように影響するかについてのより多くの重要な教訓を明らかにすることができました。

このような場合、変更がない場合に変更を推測したり、結果の偏りが意思決定に悪影響を与えたりしないように細心の注意を払う必要があります。完全な設計実装のブログ投稿はここで読むことができます。

未来を見据えて
Airbnbは常にデータを使用して自らを改善しているため、法律や規制がまだ追いついていない新しいフロンティアにも進出しています。その好例として、その価格のヒントの発売は1年ちょっと前に機能します。価格のヒントを使用すると、ホストはカレンダーを見て、現在の価格で予約される可能性が高い日付とそうでない日付を確認し、提案を得ることができます。

簡単そうですね。しかし、Price Tipsは、50億のトレーニングポイントから情報を引き出し、機械学習と個人的な入力を活用してデータを作成します。 SXSWのように都市全体で価格が上がる可能性のある大きなイベントなど、多くのトレンドは簡単に認識できます。アメニティや特定の地域などの他の要因も需要に影響を与える可能性があります。

これらの変化に遅れずについていき、ホスト(およびAirbnb)自身により多くのお金を稼ぐために、同社はパターンを検出し、これらを使用して特定のリストがより高い価格を要求する理由を確認するオープンソース機械学習システムであるAerosolveを開発しました。

Forbesで共有された1つの例では、Aerosolveモデルは、特定の場所にあるリストを強調表示し、手頃な価格で、「sabbia」という単語も使用していました。特に場所はメキシコのリゾートタウンであるプラヤデルカルメンでした。「サビア」はイタリア語で「砂」を意味し、Airbnbが価格のヒントの形でホストに勧めることができます。

もちろん、価格を推奨することと、価格を完全に管理することは別のことです。 UberLyftなどの特定の「オンデマンド」マーケットプレイスでは、ホスト(この場合はドライバー)に価格が設定されています。これは、Airbnbが避けてきた曖昧な法的措置です。

 

この時点まで。しかし、Airbnbの戦略がリストからすべての可能性を絞り出したいと考えていなかった場合、知識のあるビジネスオーナーは誰でも失望するでしょう。

Airbnbのデータサイエンスから学べること
Airbnbがトレンドや驚くべき結果を証明、反証、またはその他の方法で発見したこれらの例はすべて、あなたを圧倒することを意図したものではありません。代わりに、この生の情報から学ぶことの重要性を説明することを目的としています。データサイエンスを正しく使用し、社内の他の多くの部門と連携して使用すると、新しい仮説を作成し、新しいアイデアをテストし、既存のアイデアを改善するための出発点として使用できます。

データの背後にある科学を受け入れるということは、通常のテストでは解決できない課題に直面したときに、深く掘り下げたり、自分自身の質問を偽造したりすることを恐れないことを意味します。しかし何よりも、それはあなたに刺激を与え、成功する企業がその栄光に満足することは決してないことを思い出させることを目的としています。データと科学に支えられて、常に学び、適応し、成長しています。

著者について:Sherice Jacobは、説得力のあるコピーライティング、ユーザーフレンドリーなデザイン、スマートな分析分析を通じて、ビジネスオーナーがウェブサイトのデザインを改善し、コンバージョン率を高めるのを支援します。 iElectrify.comで詳細を確認し、無料のWebコピーの調整と変換のチェックリストを今すぐダウンロードしてください。