当前位置:主页 > H惠生活 >Airbnb 如何利用大数据帮使用者确定房租价格?>内容

Airbnb 如何利用大数据帮使用者确定房租价格?

2020-06-06 03:29 来源于:shenmy 我要评论(483)

Airbnb 如何利用大数据帮使用者确定房租价格?

Airbnb 的数据科学团队领导人 Riley Newman 在 nerds.airbnb.com 的部落格上写道:「数据是一种行为或事件的纪录,通常情况下它可以代表出人们所做出的决定。如果你可以重现一个人做出决定的过程,你就可以从中学到很多东西;这是从人们那里知道他们喜欢或不喜欢什幺的不直接的办法──这个特性比那个更吸引我,我发现这个功能很好用但是那些……没有那幺好用。这样的反馈可以成为做出有关社群成长、产品开发或资源最佳化的决定时,非常有价值的资讯来源。我们可以把来自客户的资讯翻译成一种更适合指引我们做出决定的语言。」

正是这种从使用者回馈中获得资讯的洞察力,让 Airbnb 得以将他们的精力集中在发展高峰期时热门旅游景点的房东数量上,并且为价格制定出明确的结构标準,使得他们能最大化程度利用他们全球化属性而收集来的巨量数据。比如说,数据可以帮助 Airbnb 透过位置、出租时所在的时间段、床位的类型、交通的发达程度等数种变量,来决定一个房间或一间公寓的合适价格,Airbnb 现在可以利用演算法来帮助他们的客户做到这些。

如果你考虑到这些房间都是真正的「家」,而不是旅馆那种标準化的、可轻易用星级来评判好坏的房间,你就会发现要给出一个清晰的调价方式真的是件很有挑战性的事。毕竟那些在城市公寓中比较会让人满意的条件(比如 Wi-Fi、便捷的交通),对于一间古典、精緻的小农舍可能就没有那幺重要了(那里的房客可能会更渴望平静、浪漫的生活,而不是 Wi-Fi 覆盖或地铁直达)。

为了帮助房东们定价,Airbnb 开发了一套叫 「Aerosolve」的机器学习平台。这个平台会自动将城市划分成无数个由微型街区组成的小区域,并分析房东们拍摄的房间照片(展示一个温馨舒适的卧室会比展示一间时髦的客厅更加容易获得青睐!)Aerosolve 还模仿酒店和航空公司的定价模式搭建了一套动态定价策略。

Airbnb 还开源了一个叫「Airpal」的平台:这是一个使用者友好型的数据分析平台,能允许公司的任何员工──而不是只有那些受过专业训练的员工获得和分析公司的数据讯息,并且使用 Airpal 提供的工具对其进行质询。

应用的结果怎幺样?

就像 Newman 说的那样:「颇为讽刺的是,衡量一个数据科学团队给公司带来的影响反而是很难的,但是有一个明显的讯号是:现在不管是技术人员还是非技术人 员,都一致的希望能参考更多数据来做出决定。」这种现象在 Airpal 里得到了表现和证明。2014 年上线运行的 Airpal 系统至今已经被超过三分之一 的员工用来进行查询和质疑。这个让人印象深刻的数字表明了数据已经成为了 Airbnb 内部决定流程中非常重要的一环。

而 Airbnb 的不断成长也是另一个他们对数据的明智使用产生了回报的侧面体现。

有哪些数据被用上了?

被分析的数据主要是由格式化的和无固定格式的消息混合起来的内部资讯:屋主拍摄的房间照片、地理位置、居住条件(房间、床位的数量、Wi-Fi、热水浴缸等),使用者反馈和评分、事物处理数据之类。也有一些外部数据会被考虑进去。比如英国的爱丁堡有一个非常有名的节日「爱丁堡国际艺术节(The Edinburgh Festival)」,在节日期间,同一条件的房间的定价会比一年中的其余时段都要高一些。

可以说一些技术细节吗?

Airbnb 目前手握将近 1500TB 的数据,像蜂巢一样由 HDFS(Hadoop Distributed File System,一种用来管理大数据的文件系统)集群组织起来,託管在亚马逊的 EC2(Elastic Compute Cloud)云端服务中。Airbnb 曾经用亚马逊的 RedShift 服务做为数据查询工具,但后来换成了 Facebook 的 Presto。因为 Presto 是开源的,所以他们能及早的修复发现的漏洞并且附上相应的修补程式。

在未来,Airbnb 希望将数据处理的方式由现在的批量处理升级为即时处理,这能让他们更快发现和处理支付过程中出现的异常现象,并且提升房源匹配和个性化资讯的準确度。

有什幺需要克服的困难吗?

其实 Airbnb 的数据科学团队面临的一项巨大的挑战,反而是跟上公司梦幻般的发展速度。在 2011 年早些时候,这个团队仅由 3 名数据学家组成,因为那时候公司还很小,所以儘管只有 3 人,他们也能有足够的精力来处理每个员工遇到的数据问题。但在那一年年底,Airbnb 就已经有了 10 个国际分公司,公司的人数有了巨大的增长,这也意味着数据团队不可能再一对一的为公司的员工解决问题了。

就像 Newman 对此所说的那样:「我们需要找到一个让我们的工作变得更大众、通俗的做法,不仅是侷限于一对一的指导和帮助,我们需要允许工作组、全公司甚至我们的整个社群都了解使用这些数据的办法。」随着更快速和可靠的技术的购入,这个想法成为了可能。他们还把搜寻查询基础数据的工作也从科学家们手中交给了整个公司的团队们,在项目控制面板和 Airpal 提供工具的帮助下,这些数据让 Airbnb 的团队如虎添翼。并且由于数据科学家们从这些繁琐的一对一工作中解脱了出来,他们可以将精力集中在一些更酷、更有用的项目上。教会公司的团队如何使用这些工具是帮助他们获得对数据的洞察力的关键。

我们能从中学到什幺?

Airbnb 是一家对大数据的需求和应用随着公司的扩张而成长的完美例子。我想,他们随着公司成长而调整、转换自己以适应新节奏的能力是他们赖以成功的关键和精髓。这点更突出了大数据的「非静态」属性,你的数据处理策略可能需要随时变化来应对需求的改变。

而一个数据科学团队能与公司内的所有团队都配合的如此之好(即使他们不会再与每个员工面对面交流了),也是一件非常了不起的事。这不仅意味着数据团队能保证一直对公司的商业目标保持最贴切的理解,也强调了公司保持基于数据决定方式的重要性。毕竟如果没有人会依据它们来行动的话,你有再多的数据也没有用。

热门阅读
猜你喜欢
图文精选