К Apple Pay подключились уже 9 российских банков
Previous
выбрать за меня
Как подобрать ключ к российскому онлайн-потребителю. Инфографика
Next
аналитика, продвижение, анализ данных, маркетинг, бренды, airbnb
Интернет-маркетинг

Секреты работы с данными от Airbnb

Автор: Ия Пфанштиль01.11.2016

Известные сегодня во всем мире Airbnb начинали очень необычно. У основателей компании Брайана Чески и Джо Джеббия не хватало денег на аренду лофта в Сан-Франциско, поэтому они превратили свою гостиную в мини-отель, принимая трех гостей с популярной местной торговой ярмарки, в районе которой было мало вариантов размещения. Оригинальная концепция AirBed and Breakfast включала в себя временное предоставление жилого помещения, завтрак и возможности ведения бизнеса для тех, кто не смог забронировать себе номер и задержаться на местном мероприятии.

Довольно быстро проект вырос из нишевого сайта, предлагающего размещение только для популярных мероприятий, и перевернул индустрию туризма и гостеприимства с ног на голову, в процессе значительно повысив узнаваемость своего бренда. С тех пор Airbnb не скрывают, что при создании нового предложения, а также для улучшения своего сервиса и реализации новых маркетинговых инициатив тщательно анализируют данные.

Ниже мы рассмотрим, как они это делают, и чему вы можете у них научиться.

1. Данные – это голос клиента, наука о данных – это интерпретация этого голоса

Райли Ньюман, бывший главный аналитик в Airbnb, объясняет, что компания относится к данным, как к голосу клиентов, а к науке о данных как к интерпретации этого голоса. В Airbnb специалисты по работе с данными не сидят на месте, погруженные в электронные таблицы. Они активно взаимодействуют и общаются с инженерами, дизайнерами, менеджерами по продукту и другими командами.

2. Данные могут применяться во всех сферах

Airbnb используют данные не только для улучшения своих сервисов, но и при поиске новых сотрудников и при работе с различными группами клиентов.

Например, компания активно принимает на должность аналитиков женщин, и это решение не основано на предубеждениях. Также как при оптимизации показателей конверсии, Airbnb проанализировали данные и обнаружили, что около 30% претендентов на должность были женщинами. А значит, появилась возможность сделать рабочую команду более разнообразной.

Но простого “нанимать больше женщин” было недостаточно. Обычно молодые девушки не мечтают о подобной профессии. Есть много женщин, которые работают инженерами или программистами, но мало специалистов по данным. Интерес к должности Airbnb создали, проведя несколько специальных мероприятий.

Женщины с самым разнообразным опытом работы в области данных были приглашены поговорить и обсудить возможное сотрудничество. Подобные мероприятия имели ошеломительный успех.

Но и это еще не все. Компания тщательно изучила процесс проведения интервью, чтобы убедиться, что кандидаты подходят не только по аналитически и коммуникационно, но и культурно. Реализована эта идея была в серии личных бесед, презентации и домашнем задании. При этом если беседы проходили в основном удачно, то результаты презентаций и домашнего задания оказывались очень разными.

Также как многие компании анализируют путешествие покупателя для увеличения конверсии, Airbnb изучает путешествие соискателя.

бренды, бизнес, аудитория, исследование, конверсия, стратегия, анализ данных, данные, информация, кейсы, бизнес-кейс, airbnb, Big Data, наука, пользовательский опыт

В итоге им удалось не только нанять больше специалистов по данным женского пола, но и повысить качество и опытность кандидатов.

3. Улучшение поиска при помощи данных

Сердце Airbnb – это его поиск. Он может вдохновлять и удивлять клиентов на каждом шагу. Но так было не всегда. Сначала в Airbnb не знали, какие данные нужны клиентам, поэтому остановились на модели, которая выдавала самые качественные варианты в заданном пользователем радиусе.

Чем больше посетителей заходило на сайт, тем больше данных получала компания, и со временем она заменила свой базовый поиск на более адаптированный под нужды пользователей. Ньюман объясняет:

“Мы решили дать нашему сообществу возможность решить проблему за нас. На основе внушительного сета данных о взаимодействии гостей и хозяев, мы создали модель, которая оценивала вероятность бронирования в том или ином районе по определенному поиску. Например, по запросу “Сан-Франциско”пользователю предлагались варианты размещения, которые чаще всего в Сан-Франциско выбирают гости: район Mission District или Lower Haight”.

Airbnb также использовали данные для демографической настройки поиска. Еще в 2014 они заметили, что у пользователей из некоторых азиатских стран высокие показатели отказов при посещении домашней страницы. Проанализировав данные, они обнаружили, что пользователи нажимали ссылку “Neighborhood”, начинали искать фото и после этого не возвращались для завершению бронирования.

Инженеры разработали измененную версию сервиса для пользователей из этих стран, заменив ссылку “Neighborhood” на самые популярные направления в Китае, Японии, Корее и Сингапуре. В результате показатели конверсии пользователей из этих стран выросли на 10%.

4. Использование данных для определения предпочтений хозяев

Цель Airbnb очень проста – соединить тех, кто ищет жилье и тех, кто хочет сдавать свою недвижимость в аренду.

Один из ученых по данным Бар Ифрах впервые узнал о сайте благодаря другу. Во время путешествия он сдавал в аренду свои апартаменты. При этом за 1-2 недели его отсутствия он хотел сдавать жилье максимальное число дней. Друг принимал и отклонял заявки, основываясь на том, как они помогут ему обеспечить полное заселение.

Позже, став сотрудником Airbnb, Бар использовал этот сценарий при создании миниатюрного исследовательского проекта. В его рамках он попытался ответить на вопрос:

Что влияет на решение хозяина о принятии заявки?

Конечно, не все хозяева используют тот же подход, что и друг Бар, но те, которые предпочитают именно его, стараются избежать перерывов между заселениями, как показано ниже:

бренды, бизнес, аудитория, исследование, конверсия, стратегия, анализ данных, данные, информация, кейсы, бизнес-кейс, airbnb, Big Data, наука, пользовательский опыт

Ифрах обнаружил, что хозяева чаще принимали заявку, если она помогала свести к минимуму перерывы в календаре:

бренды, бизнес, аудитория, исследование, конверсия, стратегия, анализ данных, данные, информация, кейсы, бизнес-кейс, airbnb, Big Data, наука, пользовательский опыт

Но применима ли эта информация к любому рынку? Или большие и маленькие рынки отличаются?

Результаты оказались удивительными:

бренды, бизнес, аудитория, исследование, конверсия, стратегия, анализ данных, данные, информация, кейсы, бизнес-кейс, airbnb, Big Data, наука, пользовательский опыт

То, что началось как маленький проект, превратилось в алгоритм на базе машинного обучения. Ifrach в сотрудничестве с инженерами Airbnb создали приложение, которое персонализировало результаты выдачи на основе предпочтений гостей и хозяев.

Здесь учёные по данным обращали внимание на все: от прошлых принятых заявок хозяина и отказов до особенностей самой поездки. Airbnb создали собственный набор фильтров и применили их, используя следующую схему:

бренды, бизнес, аудитория, исследование, конверсия, стратегия, анализ данных, данные, информация, кейсы, бизнес-кейс, airbnb, Big Data, наука, пользовательский опыт
Чтобы протестировать, как это сработало, компания провела эксперимент, в рамках которого использовались вероятности и алгоритм ранжирования, учитывающий другие предпочтения. Основной целью было оценить вероятность, с которой будет принята заявка гостя. В результате применения новых фильтров и предпочтений число заказов увеличилось на 4% и значительно выросло количество удачных контактов гостей и хозяев.

5. Создание Airbnb опыта

Вся сила науки о данных реализуется в опыте от Airbnb – когда гости прибывают к хозяевам, их принимают и заселяют. Именно эти этапы пользовательского пути могут украсить или разрушить опыт взаимодействия с сайтом, что очень важно для Airbnb в оценке качества путешествия.

Они измеряют опыт, используя NPS – метрику лояльности клиентов, которая была введена еще в 2003. Это ответ на вопрос “Какова вероятность того, что вы порекомендуете Airbnb?”

Так как Airbnb хотят, чтобы эта “вероятность” давала точный прогноз, они контролируют и другие параметры, включая общую оценку отзыва и ответы на подкатегории отзыва по шкале от 1 до 5.

  • Канал привлечения гостя (органический или маркетинговые кампании)
  • Направление путешествия
  • Страна гостя
  • Предыдущие заказы гостя в Airbnb
  • Продолжительность путешествия
  • Число гостей
  • Цена за ночь
  • Месяц заезда (для определения сезонности)
  • Тип комнаты (весь дом, отдельная комната или совместное проживание)
  • Другие пункты относились к хозяину

Airbnb понимают, что другие виды лояльности также могут быть важны (например, рекомендации друзей). Но так как отзывы очень важны для опыта Airbnb, компания захотела определить, способствует ли NPS росту заказов больше, чем отзывы.

В этом случае точность предсказания, вероятность рекомендации и подкатегории отзывов были протестированы для определения их точности. Результаты оказались следующие:

бренды, бизнес, аудитория, исследование, конверсия, стратегия, анализ данных, данные, информация, кейсы, бизнес-кейс, airbnb, Big Data, наука, пользовательский опыт

В результате этого исследования Airbnb обнаружили, что отзывы после путешествия (включая вероятность рекомендации) только незначительно улучшали их возможность предсказать, когда пользователь сделает повторный заказ.

Так Airbnb смогли определить, представляют ли эти предсказания ценность для пользователей и повлияют ли они на доход. Так данные помогли компании сэкономить время и деньги.

6. Сплит-тестирование для настройки процесса

Airbnb, как любая другая небольшая передовая компания, использует сплит-тестирования. Они называют их “экспериментами” и регулярно проводят на каждом этапе разработки от создания концепта до реализации и после нее. Однако часто бывает сложно определить, какое влияние имеет то или иное изменение.

бренды, бизнес, аудитория, исследование, конверсия, стратегия, анализ данных, данные, информация, кейсы, бизнес-кейс, airbnb, Big Data, наука, пользовательский опыт

У Airbnb есть собственное решение для A/B тестирования которое позволяет проводить более глубокое сравнение, чем просто смена цвета кнопки. Например, пользователи могут искать варианты размещения на Airbnb и войдя и не войдя в свой аккаунт. Поэтому бывает сложно привязать действия к определенному пользователю. Также они могут изучать варианты с мобильного устройства, а оформить заказ с домашнего компьютера. К тому же успех заказа зависит не только от заявки гостя, но и того, как ответить на нее хозяин, на что Airbnb никак не могут повлиять.

И хотя они немного упростили процесс, оформление заказа все равно осталось довольно запутанным. Airbnb в основном обращает внимание на показатель конверсии между поиском и окончательным заказом, даже если между ними есть несколько шагов.

бренды, бизнес, аудитория, исследование, конверсия, стратегия, анализ данных, данные, информация, кейсы, бизнес-кейс, airbnb, Big Data, наука, пользовательский опыт

Составными элементами в данном случае выступают гость, который ищет жилье в определенной области, и хозяин, который устанавливает цену. Оба они объединяются, чтобы обсудить сотрудничество и уладить формальности. В путешествии пользователей возникает множество подобных неровностей, поэтому эксперименты очень важны.

Так, например, Airbnb (которые предлагают хозяевам услуги профессиональной фотосъемки) подумали, что пользовательский опыт улучшиться, если список вариантов в результатах поиска будет состоять из качественных красочных фото:

бренды, бизнес, аудитория, исследование, конверсия, стратегия, анализ данных, данные, информация, кейсы, бизнес-кейс, airbnb, Big Data, наука, пользовательский опыт

Тестируя этот новый дизайн, они обнаружили, что он нарушает важное действие в старых версиях Internet Explorer. Исправив эту ошибку, они смогли продолжить тестирование и определить, как изменения повлияли на разные группы пользователей.

7. Глядя будущее

Так как Airbnb использует данные для постоянного совершенствования, они часто попадают на новые территории, которые нужно осваивать.

Например, чуть больше года назад на сайте появилась функция Price Tips,благодаря которой хозяева могут увидеть в календаре, на какие даты они более вероятно получать заявку по указанной цене, а на какие менее вероятно. Кажется, все просто. Но Price Tips использует 5 миллиардов источников данных, машинное обучение и личные данные, чтобы предоставить эту информацию. Многие тренды легко определить, например, большие мероприятия. Но и множество других факторов (удобства, особенности района) влияют на спрос.

Чтобы быть в курсе всех изменений и помочь хозяевам заработать больше денег, Airbnb разработала Aerosolve – открытую систему машинного обучения, которая помогает определить, почему на определенные результаты цены выше.

8. Чему можно научиться у Airbnb

Все эти примеры иллюстрируют важность информации для совершения значимых открытий. Если использовать ее правильно и в сотрудничестве с другими отделами компании, можно создавать гипотезы, тестировать новые идеи и улучшать существующие предложения.

Освоить науку о данных – значит не бояться пойти еще дальше, задавать вопросы и не отступать перед трудностями. Успешные компании никогда не почивают на лаврах, они всегда учатся, постоянно адаптируются и растут, опираясь на данные и науку.

Реакция на статью
поделюсь
0%
интересно
150%
полезно
0%
не уверен
0%
скучно
0%
где автор?
0%
Ия Пфанштиль
Переводчик, копирайтер, редактор. Больше трех лет пишу о digital-маркетинге. Делюсь открытиями. Мои статьи в telegram: @iyapfanshtil.
1Комментарии
Оставить отзыв

You must log in to post a comment

ПОДПИШИТЕСЬ НА НАШУ РАССЫЛКУ!
Уведомления о новостях, статьях и инфографике будут приходить раз в неделю.
ПОДПИШИТЕСЬ НА НАШУ РАССЫЛКУ!
Позвольте нам обновлять ваши знания раз в неделю.