Der Leitfaden für eine data driven Nutzung von Airbnb

Seit 2008 ist Airbnb mit über 6 Millionen Angeboten und 4 Millionen Gastgebern weltweit enorm gewachsen und hat sich zu einer echten Alternative zu Hotels entwickelt.

Durch die Sammlung umfangreicher Informationen über Gastgeber, Gäste, Aufenthaltsdauer, Reiseziele usw. produziert Airbnb jeden Tag riesige Datenmengen! Um all diese Daten bereinigen, verarbeiten, verwalten und analysieren zu können, musste der führende Anbieter von Unterkünften eine solide und strenge Datenkultur in seiner Organisation einführen.

In diesem Artikel erfahren Sie, welche Best Practices bei Airbnb implementiert wurden, um ein data driven Unternehmen zu werden - basierend auf den Ausführungen von Claire Lebarz, Head of Data Science, auf der Big Data & AI Paris 2022.

Die 3 Stufen der Reife einer Datenorganisation nach Airbnb

Der Begriff data driven ist sehr bekannt und wird häufig verwendet, um ein Unternehmen zu beschreiben, das strategische Entscheidungen auf der Grundlage der Analyse und Interpretation von Daten trifft. In einem wirklich data driven Unternehmen nutzen alle Mitarbeiter und Führungskräfte die Daten auf natürliche Weise und integrieren sie in ihre täglichen Aufgaben.

Nach Ansicht von Claire Lebarz wird der Begriff "data driven" jedoch oft überstrapaziert: "Ich ziehe es vor, in drei Reifegraden zu denken, die eine Datenorganisation charakterisieren: Data Busy, Data Informed, Data Powered."

Bei der "Data Busy" hat ein Unternehmen datenorientierte Mitarbeiter wie Datenanalysten, Datenwissenschaftler oder Dateningenieure in der Organisation eingesetzt. Die Analysezeit ist jedoch nicht schnell genug, oder es gibt keinen Return on Investment für die Data Scientists.

"Auf dieser Ebene gibt es keine Regeln für die Qualität der Daten, den Daten wird nicht vertraut. Oder sie stellen einen Engpass für die Organisation dar", erklärt Claire.

Auf der "Dateninformierte" hat das Unternehmen data governance eingeführt, und strategische Entscheidungen basieren zunehmend auf den KPIs und Metriken des Unternehmens und nicht mehr auf dem Instinkt des Topmanagements.

Schließlich, auf der "Datengestützte", der höchsten Stufe der Reifegradmatrix, stehen die Daten im Mittelpunkt des Unternehmens und werden zu einem entscheidenden Faktor für das Unternehmenswachstum.

"Vor allem sind Daten nicht mehr für eine Gruppe von Datenexperten reserviert, sondern für die gesamte Organisation - alle Mitarbeiter beschäftigen sich feinabstimmen mit Daten", erklärt der Head of Data Science.

Die 6 Schritte zum data driven Arbeiten laut Airbnb

Schritt 1: Die wissenschaftliche Methode

Bei 'Data Science' geht es vor allem um 'Wissenschaft', erklärt Claire. Der erste Schritt besteht also darin, sich den wissenschaftlichen Ansatz in der Organisation zu eigen zu machen. "Die Idee ist nicht, ein großes Forschungs- und Entwicklungsteam aufzubauen, sondern vielmehr alle Hypothesen, mit denen wir arbeiten, zu Papier zu bringen und Wege zu finden, sie zu validieren oder nicht.

Dieser Ansatz beinhaltet Testen, Testen und... noch mehr Testen! Und einer dieser Hebel ist das A/B-Testing. Der Head of Data Science erklärt, dass es für Airbnb während der COVID-19-Krise entscheidend war, über verschiedene Annahmen über die Welt von heute und die von morgen nachzudenken, um die richtigen strategischen Weichen für das Unternehmen zu stellen.

Ein Beispiel, das die Bedeutung von A/B-Tests bei Airbnb unterstreicht, ist die Einführung eines Filtersystems für Höchst- und Mindestpreise auf der Buchungsseite. Claire erklärt, dass das Feedback Nutzer besser war, als die Reisenden ihr maximales Budget für die Buchung eines Aufenthalts angeben konnten. Ohne diesen kleinen Zusatz verbrachten die Reisenden viel Zeit auf durchschnittlichen Angeboten und entschieden sich, nicht zu buchen.

Schritt 2: Strategische Teamausrichtung

Für Claire L. ist die Festlegung von OKRs (Objectives & Key Results) unerlässlich, um die verschiedenen Teams intern aufeinander abzustimmen. In der Tat neigen die Datenteams eines Unternehmens oft dazu, sich nur auf ihre eigenen Datenmetriken zu konzentrieren. Es ist jedoch unerlässlich, gemeinsame Unternehmensziele festzulegen, um eine echte Datenkultur im Unternehmen zu schaffen: "Strategie muss vor Metriken kommen".

Und der weltweit führende Anbieter von Kurzzeitvermietungen musste eine mangelnde Anpassung hinnehmen. Im folgenden Beispiel sehen wir die negativen Auswirkungen auf die Sucherfahrung der Airbnb-Website im Jahr 2017. In dieser Abbildung lieferte die Anfrage "los angeles" Ergebnisse in mehreren Kategorien, ohne dass sie für den Nutzer wirklich Sinn machten.

Hier war jedes Team für einen bestimmten KPI zuständig. Das "Erlebnis"-Team war für die Unternehmensziele zuständig, um Vorschläge für Unternehmungen in der Stadt zu machen, während ein anderes Team für die Städte zuständig war, die der Suche am nächsten lagen, usw. Alle Teams gaben mehrere Informationen weiter, um ihre eigene Leistung zu steigern und die Besucherzahlen in ihrem Bereich der Website zu erhöhen.

Die Nutzer würden sich verirren und am Ende nichts buchen, weil die Teams nicht am selben Strang ziehen.

Schritt 3: Messung der Ungewissheit

Für Claire L. ist "Ungewissheit ein fester Bestandteil der Unternehmensführung und der Entscheidungsfindung". Manchmal ist die beste Analyse nicht gleich die beste Entscheidung. Wir müssen organisatorische Diskussionen führen, wie zum Beispiel: Welchen Grad an Vertrauen brauchen wir, um Entscheidungen zu treffen? Welche Signale müssen wir berücksichtigen, um Entscheidungen zu ändern?

Im Zusammenhang mit den OKRs besteht oft die Versuchung, Initiativen zu vermeiden, deren ROI schwer zu messen ist. Doch nur weil eine Kennzahl schwer zu messen ist, bedeutet das nicht, dass die Initiative, die davon abhängt, nicht die beste ist. Ein Beispiel, das uns der Head of Data Science nennt, sind die Branding-Kampagnen, die Airbnb während des Super Bowls zwischen 2017 und 2021 durchgeführt hat.

"Branding-Kampagnen sind am schwersten zu messen, man kann ihren ROI fast nie feststellen. Aber angesichts unserer indirekten Ergebnisse war der Aufbau einer großartigen Branding-Strategie und die Abkehr von der Abhängigkeit von bezahlten Kanälen wie SEM vielleicht die beste Marketingstrategie, um den organischen und direkten Traffic zu steigern."

Schritt 4: Zentralisierte Verwaltung

Nach Ansicht von Claire L. muss die Governance zentralisiert sein. In der Tat hat sie bei Airbnb festgestellt, dass die Objektivität der Daten im Unternehmen schnell verloren geht, sobald man die Datenteams dezentralisiert und sie an das Unternehmen berichten. Sie erklärt: "Daten müssen als gemeinsamer Vermögenswert im Unternehmen betrachtet werden, und es ist wichtig, Investitionen zentral und auf höchster Ebene des Unternehmens zu tätigen. Daten sollten wie ein Produkt verwaltet werden, bei dem die Mitarbeiter die Kunden sind.

Das Conway'sche Gesetz gilt auch für Daten: "Organisationen, die Systeme entwerfen, neigen unweigerlich dazu, Entwürfe zu produzieren, die Kopien der Kommunikationsstruktur ihrer Organisation sind." Übertragen auf Daten bedeutet dies, dass die verschiedenen Abteilungen des Unternehmens ihre eigenen Tabellen, Analysen und Funktionen erstellen, die auf ihren eigenen Definitionen basieren und nicht immer mit denen anderer Abteilungen übereinstimmen.

Schritt 5: Die richtige Kommunikation

Claire L. berichtet über eine der besten Entscheidungen, die Airbnb getroffen hat - die Einstellung von Data Scientists, die nicht nur technisch sehr gut sind, sondern auch gut kommunizieren können. In der Tat ist das Unternehmen 2017-2018 sehr schnell gewachsen. Und um sich mit der Funktionsweise von Airbnb vertraut zu machen, musste man manchmal zwischen 15 und 20 Analysen für Wissenschaftler lesen oder sich viel Zeit nehmen, um sich über die Positionierung des Unternehmens für Designteams zu informieren - was alles schnell teuer werden konnte.

Also änderte Airbnb seine Herangehensweise an die Analytik. Anstatt herkömmliche Memos zu erstellen, die mit der Zeit veralten und ständig aktualisiert werden müssen, begann das Unternehmen mit der Erstellung "lebendiger Dokumente". "Wir haben "Wissensstände" erstellt, die das gesamte Wissen eines Teams zu einem Thema zusammenfassen und je nach Häufigkeit der Nachforschungen zu einer bestimmten Frage aktualisiert werden", erläutert Claire.

Der Head of Data Science erklärt auch, wie wichtig die Kommunikation während der COVID-Krise war. Da die Airbnb-Teams in San Francisco nicht mehr von Angesicht zu Angesicht arbeiteten, war es unerlässlich, an neuen Kommunikationsformaten zu arbeiten: "Wir haben festgestellt, dass die E-Mail- und Bildschirm-Müdigkeit im Allgemeinen sehr groß ist. Also suchten wir nach effektiveren Kommunikationsmöglichkeiten, z. B. über Podcasts oder Videoformate, damit unsere Mitarbeiter Informationen auch abseits ihrer Bildschirme erhalten konnten. Wir mussten die Informationen vereinfachen und auf einfache und visuelle Weise zur Verfügung stellen, damit sich alle Mitarbeiter die Daten aneignen können."

Schritt 6: Ein menschenähnlicheres Maschinelles Lernen

Seit seinen Anfängen verwendet Airbnb Suchalgorithmen, die Gäste und Gastgeber zusammenbringen. Es hat jedoch einige Zeit gedauert, bis das Unternehmen diese Algorithmen in großem Umfang eingesetzt hat - zum einen, um die Nutzer zu verbessern, und zum anderen, um funktionsübergreifende Teams bei der Diskussion von Modellierungsentscheidungen zu unterstützen.

Claire Lebarz erklärt, dass man das Problem rückwärts betrachten muss, wenn man Algorithmen desMaschinelles Lernen ohne Fehler haben will: "Anstatt zu sagen, dass wir ein Problem durch Automatisierung und Maschinelles Lernen lösen müssen, wollten wir uns auf das Gegenteil konzentrieren: Welche Art von Nutzer wollen wir schaffen? Und dann gehen wir hin und setzen Maschinelles Lernen dort ein, wo es Sinn macht, diese Prozesse zu verbessern."

Die Einführung der kategoriebasierten Suche auf der Airbnb-Plattform veranschaulicht dies. In der Tat ging es darum, einen alternativen Weg für die Suche nach einer Unterkunft anzubieten: indem man den Reisenden fragt, was er gerne tun würde. "Wir bewegen uns hier weg von unserem Grundmodell, bei dem wir vorschlagen, Daten und den Ort, an den man gehen möchte, einzugeben. Jetzt können wir Sie fragen, was Sie tun oder haben möchten, z. B. Surfunterricht, einen schönen Blick auf den Strand oder sogar einen Pool."

Diese Algorithmen sind sehr arbeitsintensiv, da sie auf die von den Gastgebern zur Verfügung gestellten Unterlagen angewiesen sind. Um zu vermeiden, dass die Gastgeber mehrere Fragen pro Woche stellen müssen, "sucht" das Maschinelles Lernen nach diesen Informationen und ordnet sie über Algorithmen in die richtigen Kategorien auf der Website ein.

Schlussfolgerung: Die 3 data driven Talente laut Airbnb

Um eine echte Datenkultur zu gewährleisten, ist es entscheidend, die richtigen Talente einzustellen. Claire zufolge sind dies die drei wesentlichen Datenrollen eines data driven Unternehmens:

• Analytik-Ingenieure: Sie sind die Garanten für data governance und Qualität. Sie positionieren sich zwischen Data Engineering und Analytics, um sich auf Erkenntnisse und Fragen zu konzentrieren.
• Maschinelles Lernen Ops: Dies ist ein neuer Beruf, der sich auf den Betrieb und die Entwicklung von Algorithmen des Maschinelles Lernen konzentriert.
• Datenprodukt-Manager: Sie sind diejenigen, die den Weg zur verwalten Daten als Produkt vorgeben und den Datenansatz im Unternehmen professionalisieren. Sie sorgen für Transparenz bei Roadmaps und neuen Datenfunktionen und dienen als Bindeglied zu anderen Funktionen.

"Es ist von entscheidender Bedeutung, diese drei aufstrebenden Berufe in die Organisation einzubinden, um wirklich Data Powered" zu werden.

Über Actian Corporation

Actian macht Daten einfach. Unsere Datenplattform vereinfacht die Verbindung, Verwaltung und Analyse von Daten in Cloud-, Hybrid- und lokalen Umgebungen. Mit jahrzehntelanger Erfahrung in den Bereichen Datenmanagement und -analyse liefert Actian leistungsstarke Lösungen, die es Unternehmen ermöglichen, datengesteuerte Entscheidungen zu treffen. Actian wird von führenden Analysten anerkannt und wurde für seine Leistung und Innovation mit Branchenpreisen ausgezeichnet. Unsere Teams präsentieren bewährte Anwendungsfälle auf Konferenzen (z. B. Strata Data) und tragen zu Open-Source-Projekten bei. Im ActianBlog behandeln wir Themen wie Echtzeit-Dateneingabe, Datenanalyse, Data Governance, Datenmanagement, Datenqualität, Datenintelligenz und KI-gesteuerte Analysen.