История компании Airbnb началась в 2008 году в Сан-Франциско. Дабы осилить арендную плату, основатели сервиса Брайан Чески и Джо Геббиа перевоплотили собственную квартиру в мини-гостиницу, где останавливались визитёры расположенной по соседству популярной торговой выставки.
Практически в считанные сроки им удалось развиться во широко известную интернет-площадку, предлагающую сдать и забронировать жилье в любой точке мира. Большую роль в их успехе сыграло активное применение науки о данных (data science). Как растолковывает Райли Ньюман (Riley Newman), занимаюший ранее пост главы отдела обработки данных в Airbnb: «Эти — это голос клиента, а наука о данных — интерпретация этого голоса».
Улучшение поиска посредством данных
Центральным элементом сайта Airbnb есть функция поиска. Первоначально компания применяла несложную модель, выдававшую в итогах объявления в порядке их удаленности от центра города в соответствии с поисковым запросом.
С повышением числа пользователей сайта и приобретаемых от них данных Airbnb заменила базисный поиск методом на их базе. Обновленная совокупность поиска применяет данные из прошлых похожих запросов и выдает самые релевантные результаты. Так, поисковый запрос «Сан-Франциско» прежде всего продемонстрирует варианты в тех районах города, где значительно чаще люди с таким же запросом бронируют жилье — к примеру, в Мишен Дистрикт либо Лоуэр Хейт.
Airbnb кроме этого задействует эти, дабы приспособить поисковый опыт пользователя в зависимости от его расположения. В 2014 году было увидено, что в некоторых азиатских государствах основная страница сервиса имела высокий показатель отказов. Проанализировав эти, они поняли, что пользователи кликают по ссылке «Окрестности», начинают просматривать фотографии и затем не возвращаются к бронированию места.
Airbnb поменяла дизайн сайта для пользователей из этих государств, разместив вместо данной ссылки лучшие варианты размещения в Китае, Японии, Корее и Сингапуре. В следствии трансформаций конверсия туристов из этих государств возросла на 10%.
Что такое Big Data в маркетинге: неприятности, методы, способы анализа
Применение данных для определения предпочтений хозяев
Главное назначение сервиса Airbnb достаточно простое: соединять тех, кто находится в поиске жилья, с теми, кто хочет сдать собственный помещение в аренду. Один из датологов Airbnb Бар Ифрах (Bar Ifrach) определил о сайте от приятеля, сдававшего собственную квартиру на время путешествий. Он старался повысить колличество бронирований на период собственного отсутствия и на основании этого принимал либо отклонял заявки.
Ильфрах отыскал в памяти данный конкретный случай и применял его в собственном маленьком исследовательском проекте, дабы ответить на вопрос: «Что воздействует на решение хозяина о принятии запроса?»
Само собой разумеется, не каждый будет применять такой же подход, что и приятель Ифраха, но те, кто будут, постараются избежать пробелов в графике, как это продемонстрировано ниже:
Оранжевые поля — нет запросов на бронирование, светло синий поля — имеется запрос на бронирование
Ифрах понял, что хозяева больше откликались на те запросы, каковые 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? Либо были различия в предпочтениях между громадными и малыми рынками? Результаты были очень необычными:
Громадные рынки (красный график): хозяева предпочитают отсутствие пробелов в календаре. Малые рынки (желтый график): хозяева предпочитают иметь маленькие промежутки. Шкала по вертикали — показатель принятых запросов.
Шкала по горизонтали — количество незабронированных дней в календаре.
Ифрах создал метод, персонализирующий результаты поиска на основании хозяина и предпочтений, и гостя для обеспечения большей совместимости.
Они применяли данные о всех действиях обладателя жилья, включая принятые запросы и отказы, его предпочтения, и все подробности поездки для подсчета возможности принятия запроса на заселение. Они создали собственный личный комплект фильтров и применили их, применяя схему как на рисунке ниже:
Предпочтения хозяинаКоэффициенты предпочтения src=images/Kak_Airbnb_ispolzuet_nauku_o_dannih_dlya_optimizacii_marketinga_4.jpg /
Запросы на проживаниеПредпочтения хозяинаКоэффициенты предпочтения
В следствии применения этих новых фильтров показатель конверсии бронирования вырос практически на 4%, и существенно увеличилось количество успешных хозяев предпочтений и совпадений гостей.
BIG DATA, либо Из-за чего пиво продается рядом с подгузниками?
Создание «опыта Airbnb»
Главная часть опыта Airbnb находится за пределами ее влияния: это нахождение гостей в забронированном ими месте. Уровень качества поездки может как улучшить, так и, напротив, сломать впечатления людей от сервиса.
Компания измеряет данный опыт посредством индекса потребительской лояльности (Net Promoter Score, NPS). По сути дела, они выполняют опрос среди воспользовавшихся сервисом пользователей: «Как возможно, что Вы порекомендуете Airbnb?»
Дабы эта метрика давала правильные прогнозы, они кроме этого осуществляют контроль и другие параметры, включая:
- оценки и Общую оценку подкатегорий по шкале от 1-5
- Каналы захвата гостей (органические либо маркетинговые кампании)
- Пункт назначения
- Место проживания гостя
- Прошлые бронирования гостя на сайте Airbnb
- Продолжительность поездки
- Количество гостей
- Цена за ночь
- Месяц убытия (для учета сезонности)
- Тип помещения (целый дом, отдельная помещение, неспециализированная помещение) и т.д.
Airbnb признает, что решающую роль смогут сыграть и другие факторы лояльности (к примеру, «сарафанное радио»), каковые они не смогут учесть. Потому, что отзывы сами по себе очень серьёзны для неспециализированного опыта Airbnb, компания захотела выяснить, что увеличивает количество повторных бронирований больше — возможность советы либо отзывы:
Слева — категории:
Возможность советы
Информация о поездке
Информация о поездке + Возможность советы
Информация о поездке + Другие категории отзыва
Информация о поездке + Возможность советы + Другие категории отзыва
Справа — точность в %
В следствии исследования Airbnb поняли, что отзывы (включая возможность советы) только незначительно улучшают возможность повторного бронирования.
Это еще один пример того, как наука о данных может оказать помощь сберечь деньги и время, даже в том случае, если что-то, в конечном итоге, 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 систематично проводит сплит-тесты. Они именуют их «опытами» и тестируют каждое, кроме того мельчайшее изменение на сайте.
Airbnb применяет собственный личный тестовый фреймворк вместо решения в коробке, потому, что кое-какие нюансы их бизнес-клиентского опыта и модели требуют более сложного подхода, нежели, например, простое изменение измерение и цвета кнопки того, что происходит.
К примеру, люди смогут выполнять поиск на сайте Airbnb независимо от того, зашли они в персональный кабинет либо нет, что может затруднить привязку действий к определенному пользователю. Они также будут делать поиск со собственного сотового телефона, после этого прийти к себе и завершить процесс бронирования на домашнем компьютере.
Помимо этого, успешное бронирование зависит от запроса гостя и от того, как оперативно ответит на его запрос хозяин жилья — все это находится вне контроля Airbnb.
И не смотря на то, что они и мало упростили его, процесс бронирования так же, как и прежде достаточно сложен. Airbnb по большей части наблюдает на показатель конверсии между конечным бронированием и поиском, не смотря на то, что между этими действиями имеется еще пара шагов:
Поиск — Контакт — Принятие — Бронирование
Конверсия в этом случае складывается из следующих этапов: гость ищет жилье в определенной местности, хозяин устанавливает собственную цену, они находят друг друга и обговаривают подробности. в течении всего этого пути вероятны разные препятствия, исходя из этого опыты столь серьёзны.
Либо заберём второй пример: Airbnb высказал предположение, что пользователи будут иметь более лучший опыт, в случае если объявления в перечнях результатов поиска будут воображать из себя прекрасные, цветные фотографии:
До и по окончании
При тестировании нового дизайна они поняли, что он нарушал ответственное воздействие (клик) в некоторых ветхих предположениях MSIE. Решив эту проблему, они смогли продолжить тестирование и открыть для себя большое количество серьёзного в плане влияния на разные группы пользователей.
Наука рекомендации-тестирования: и сплит правила от Ян Райт
Метод ценообразования
Чуть более года назад Airbnb выпустила новую функцию «Советы по стоимостям». С ее помощью хозяин может посмотреть на календарь и взглянуть, какие конкретно даты вероятнее будут забронированы по текущей цене, а какие конкретно нет, и организовать предложение.
Совокупность высчитывает рекомендуемую цена жилья на основании сотен параметров. Кое-какие из тенденций легко выявить, к примеру, такое большое событие, как ежегодный фестиваль SXSW, может оказать влияние на увеличение стоимостей по всему городу. Другие факторы — наличие тех либо иных удобств а также определенные районы — смогут кроме этого оказывать влияние на спрос.
Этот сервис ценовых рекомендаций выстроен на платформе Aerosolve (совокупность машинного обучения с открытым кодом), определяющая шаблоны и после этого применяющая их, чтобы выяснить, из-за чего определенные предложения требуют более больших стоимостей.
Вместо заключения
Приведенные в данной статье примеры иллюстрируют важность применения науки о данных. При грамотном подходе к ней она возможно применена в качестве трамплина для догадок, улучшения новых и тестирования идей уже существующих. История Airbnb — это пример того, что успешная компания ни при каких обстоятельствах не ограничивается тем, что имеет, — она всегда учится, адаптируется и растет, подпитываясь данными и наукой.
Высоких вам конверсий!
По данным: blog.kissmetrics.com, image source juicevillanueva
Случайные статьи:
- 6 Психологических триггеров чалдини для успешных продаж
- Проектирование пользовательского опыта: стратегия task flows
Jeff Feng: Head of Machine Learning and Analytics Product, Airbnb
Подборка похожих статей:
-
Как использовать данные для принятия лучших решений по продукту?
В данной статье мы предоставим вам подробное управление по применению бизнес-аналитики для вашего продукта. Вы определите, какими задачами ваша компания…
-
Как использовать данные, накопленные по клиентам, для улучшения маркетинга?
В прошлом материале Автоматизация маркетинга для вебмагазинов мы разобрались как возможно автоматизировать маркетинговые процессы на сайте, настроить…
-
Бизнес-модель Airbnb непременно стала прорывом для гостиничной индустрии всей земли, но главный фактор успеха проекта — это ориентация на пользователя. В…
-
Как использовать дифференциацию товара для оптимизации ценовой стратегии?
Источник изображения Всегда незадолго до очередного релиза технической новинки обсуждаются не только ее функциональные, но и предполагаемые стоимостные…