История компании Airbnb началась в 2008 году в Сан-Франциско. Чтобы осилить арендную плату, основатели сервиса Брайан Чески и Джо Геббиа превратили свою квартиру в мини-гостиницу, где останавливались посетители расположенной по соседству популярной торговой выставки.
Буквально в считанные сроки им удалось развиться во всемирно известную интернет-площадку, предлагающую сдать и забронировать жилье в любой точке мира. Немалую роль в их успехе сыграло активное использование науки о данных (data science). Как объясняет Райли Ньюман (Riley Newman), бывший глава отдела обработки данных в Airbnb: «Данные — это голос клиента, а наука о данных — интерпретация этого голоса».
Улучшение поиска с помощью данных
Центральным элементом сайта Airbnb является функция поиска. Первоначально компания использовала простую модель, выдававшую в результатах объявления в порядке их удаленности от центра города в соответствии с поисковым запросом.
С увеличением числа пользователей сайта и получаемых от них данных Airbnb заменила базовый поиск алгоритмом на их основе. Обновленная система поиска использует информацию из прошлых похожих запросов и выдает наиболее релевантные результаты. Так, поисковый запрос «Сан-Франциско» в первую очередь покажет варианты в тех районах города, где чаще всего люди с таким же запросом бронируют жилье — например, в Мишен Дистрикт или Лоуэр Хейт.
Airbnb также задействует данные, чтобы адаптировать поисковый опыт пользователя в зависимости от его местоположения. В 2014 году было замечено, что в некоторых азиатских странах главная страница сервиса имела довольно высокий показатель отказов. Проанализировав данные, они обнаружили, что пользователи кликают по ссылке «Окрестности», начинают просматривать фотографии и после этого не возвращаются к бронированию места.
Airbnb изменила дизайн сайта для пользователей из этих стран, разместив вместо данной ссылки лучшие варианты размещения в Китае, Японии, Корее и Сингапуре. В результате изменений конверсия туристов из этих стран увеличилась на 10%.
Что такое Big Data в маркетинге: проблемы, алгоритмы, методы анализа
Использование данных для определения предпочтений хозяев
Основное назначение сервиса Airbnb достаточно простое: соединять тех, кто находится в поиске жилья, с теми, кто желает сдать свое помещение в аренду. Один из датологов Airbnb Бар Ифрах (Bar Ifrach) узнал о сайте от друга, сдававшего свою квартиру на время путешествий. Он старался увеличить число бронирований на период своего отсутствия и на основании этого принимал или отклонял заявки.
Ильфрах вспомнил этот конкретный случай и использовал его в своем небольшом исследовательском проекте, чтобы ответить на вопрос: «Что влияет на решение хозяина о принятии запроса?»
Конечно, не каждый будет использовать такой же подход, что и друг Ифраха, но те, кто будут, попытаются избежать пробелов в графике, как это показано ниже:
Оранжевые поля — нет запросов на бронирование, синие поля — есть запрос на бронирование
Ифрах обнаружил, что хозяева больше откликались на те запросы, которые вписывались в их календарь и минимизировали эти пробелы:
Шкала по вертикали — показатель принятых запросов
Шкала по горизонтали — количество незабронированных дней
Но ко всем ли относилась эта информация? Или были различия в предпочтениях между большими и малыми рынками? Результаты оказались весьма удивительными:
Большие рынки (красный график): хозяева предпочитают отсутствие пробелов в календаре. Малые рынки (желтый график): хозяева предпочитают иметь небольшие промежутки. Шкала по вертикали — показатель принятых запросов.
Шкала по горизонтали — количество незабронированных дней в календаре.
Ифрах создал алгоритм, персонализирующий результаты поиска на основании предпочтений и хозяина, и гостя для обеспечения большей совместимости.
Они использовали информацию о всех действиях владельца жилья, включая отказы и принятые запросы, его предпочтения, а также все детали поездки для подсчета вероятности принятия запроса на заселение. Они создали свой собственный набор фильтров и применили их, используя схему как на рисунке ниже:
Запросы на проживание → Предпочтения хозяина → Коэффициенты предпочтения
В результате применения этих новых фильтров показатель конверсии бронирования вырос почти на 4%, а также значительно увеличилось количество успешных совпадений предпочтений гостей и хозяев.
BIG DATA, или Почему пиво продается рядом с подгузниками?
Создание «опыта Airbnb»
Основная часть опыта Airbnb находится за пределами ее влияния: это пребывание гостей в забронированном ими месте. Качество поездки может как улучшить, так и, наоборот, испортить впечатления людей от сервиса.
Компания измеряет этот опыт с помощью индекса потребительской лояльности (Net Promoter Score, NPS). По сути дела, они проводят опрос среди воспользовавшихся сервисом пользователей: «Насколько вероятно, что Вы порекомендуете Airbnb?»
Чтобы данная метрика давала точные прогнозы, они также контролируют и другие параметры, включая:
- Общую оценку и оценки подкатегорий по шкале от 1-5
- Каналы захвата гостей (органические или маркетинговые кампании)
- Пункт назначения
- Место проживания гостя
- Предыдущие бронирования гостя на сайте Airbnb
- Длительность поездки
- Количество гостей
- Цена за ночь
- Месяц убытия (для учета сезонности)
- Тип комнаты (весь дом, отдельная комната, общая комната) и т.д.
Airbnb признает, что решающую роль могут сыграть и другие факторы лояльности (например, «сарафанное радио»), которые они не могут учесть. Поскольку отзывы сами по себе чрезвычайно важны для общего опыта Airbnb, компания захотела определить, что увеличивает количество повторных бронирований больше — вероятность рекомендации или отзывы:
Слева — категории:
Вероятность рекомендации
Информация о поездке
Информация о поездке + Вероятность рекомендации
Информация о поездке + Другие категории отзыва
Информация о поездке + Вероятность рекомендации + Другие категории отзыва
Справа — точность в %
В результате проведенного исследования Airbnb обнаружили, что отзывы (включая вероятность рекомендации) лишь незначительно улучшают вероятность повторного бронирования.
Это еще один пример того, как наука о данных может помочь сберечь время и деньги, даже если что-то, в конечном счете, не работает так, как это было задумано.
7 уроков клиентского опыта от гуру маркетинга
Сплит-тестирование для настройки процесса
Как и все передовые компании, Airbnb регулярно проводит сплит-тесты. Они называют их «экспериментами» и тестируют каждое, даже малейшее изменение на сайте.
Airbnb использует свой собственный тестовый фреймворк вместо решения в коробке, поскольку некоторые аспекты их бизнес-модели и клиентского опыта требуют более сложного подхода, нежели, к примеру, простое изменение цвета кнопки и измерение того, что происходит.
К примеру, люди могут совершать поиск на сайте Airbnb независимо от того, зашли они в личный кабинет или нет, что может затруднить привязку действий к определенному пользователю. Они также могут выполнять поиск со своего мобильного телефона, затем прийти домой и завершить процесс бронирования на домашнем компьютере.
Кроме того, успешное бронирование зависит от запроса гостя и от того, насколько оперативно ответит на его запрос хозяин жилья — все это находится вне контроля Airbnb.
И хотя они и немного упростили его, процесс бронирования по-прежнему довольно сложен. Airbnb в основном смотрит на показатель конверсии между поиском и конечным бронированием, хотя между этими действиями есть еще несколько шагов:
Поиск — Контакт — Принятие — Бронирование
Конверсия в данном случае состоит из следующих этапов: гость ищет жилье в определенной местности, хозяин устанавливает свою цену, они находят друг друга и обговаривают детали. На протяжении всего этого пути возможны различные препятствия, поэтому эксперименты столь важны.
Или возьмем другой пример: Airbnb предположил, что пользователи будут иметь более лучший опыт, если объявления в списках результатов поиска будут представлять из себя красивые, цветные фотографии:
До и после
При тестировании нового дизайна они обнаружили, что он нарушал важное действие (клик) в некоторых старых версиях Internet Explorer. Решив эту проблему, они смогли продолжить тестирование и открыть для себя много важного в плане влияния на различные группы пользователей.
Наука сплит-тестирования: правила и рекомендации от Ян Райт
Алгоритм ценообразования
Чуть более года назад Airbnb выпустила новую функцию «Рекомендации по ценам». С ее помощью хозяин может взглянуть на календарь и посмотреть, какие даты скорее всего будут забронированы по текущей цене, а какие нет, и сформировать предложение.
Система высчитывает рекомендуемую стоимость жилья на основании сотен параметров. Некоторые из тенденций легко распознать, например, такое крупное событие, как ежегодный фестиваль SXSW, может повлиять на повышение цен по всему городу. Другие факторы — наличие тех или иных удобств и даже определенные районы — могут также влиять на спрос.
Данный сервис ценовых рекомендаций построен на платформе Aerosolve (система машинного обучения с открытым кодом), определяющая шаблоны и затем использующая их, чтобы понять, почему определенные предложения требуют более высоких цен.
Вместо заключения
Приведенные в данной статье примеры иллюстрируют важность использования науки о данных. При грамотном подходе к ней она может быть применена в качестве трамплина для создания гипотез, тестирования новых идей и улучшения уже существующих. История Airbnb — это пример того, что успешная компания никогда не довольствуется тем, что имеет, — она постоянно учится, адаптируется и растет, подпитываясь данными и наукой.
Высоких вам конверсий!
По материалам: blog.kissmetrics.com, image source juicevillanueva
