APP下载

Airbnb如何提高留客率?星等不准,靠AI分析4百万家民宿所有评论,才能找出值得推荐的好房东

消息来源:baojiabao.com 作者: 发布时间:2026-05-01

报价宝综合消息Airbnb如何提高留客率?星等不准,靠AI分析4百万家民宿所有评论,才能找出值得推荐的好房东

全球最大的民宿订房平台Airbnb,如何成为全球背包客的最爱,Airbnb首席经济学家暨资料科学团队主管Peter Coles于12日在台揭露了这个关键,Peter Coles指出,住房体验是影响房客回访率的主因之一,而房东则是决定民宿品质的关键,房客只要遇到好房东,就能吸引用户持续回来使用Airbnb平台租房,但Airbnb全球拥有超过400万间民宿,如何自动且快速判断出每一间民宿的房东评价,就成为Airbnb的挑战。Airbnb从PB级的用户资料中,用自然语言分析房客每一则评论,建立了一套评价房东品质的机制。

Airbnb在2008年创立,经过短短的两年,Airbnb开始意识到资料科学的重要性,在2010年成立资料科学团队,而目前资料科学团队已经具有超过百位的规模,甚至,为了在Airbnb企业内部建立以资料驱动决策的环境,去年成立了资料大学(Data University),鼓励内部“每位”员工参加资料分析课程,资料分析课程的认证机制相当特别,员工完成课程后则可得到一张贴纸,贴在自己的电脑上,就能够让大家知道自己已经完成课程,并取得认证。

如何提升留客率?从分析房东和房客行为特征资料挖掘关键

“用户持续回访能为Airbnb带来更多收益,”Airbnb首席经济学家暨资料科学团队主管Peter Coles表示,对Airbnb而言,留住用户是主要增加获利的方式,Airbnb的角色就是要媒合房东和房客,因此,如何改进平台上的用户体验,就变得相当重要。

Airbnb的订房服务散布于全球,超过191个国家、6.5万个城市,提供超过400万个房间的订房住宿服务,截至目前为止,Airbnb已经拥有PB级的资料量,且资料分析模型也相当复杂,需要交叉分析多个不同资料集,不能只单靠传统的分析方法,因此,Airbnb也加入机器学习技术来分析海量且复杂的资料。

Airbnb资料分析可分为3个面向:房东、房客和社群,从房东的面相来看,Airbnb分析了房东提供的住宿品质、房东如何借由短期出租负担房贷、房东的创业型态和房东行为与一般假设是否相符合等问题。

Peter Coles举例,Airbnb分析房东行为与一般假设是否相符合的问题,根据美国一家市调机构皮尤研究中心的研究指出,拥有较高收入的年轻男性,有较高的倾向采用新科技,而“Airbnb上的房东(旅宿创业家)特征却完全相反!”,Peter Coles兴奋地说,Airbnb的房东超过55%是女性,就连在台湾也有53%的房东是女性。

而房东提供住宿的品质,是Airbnb必须把关的重要关键,拥有高品质的房东,才能吸引更多新的用户到平台上订房,也能留住既有的用户持续使用平台服务,不过,如何有效且准确地量化房东的品质,不是一个简单的问题,因此,Airbnb与芝加哥大学合作,研究如何将品质量化,精准了解每位房东的品质,进而调整平台上推荐的策略,为平台带来更多收益。

Airbnb平台上有最常见的评分系统,透过房客给予房东星等的机制来得知房东品质,不过,“星等的评分机制很难真正量化品质!”Peter Coles指出,每个人对星等的评价也没有相同的标准,导致评分结果相对主观,不容易看出每个星等对应品质的真实意义,因此,Airbnb透过自然语言技术,撷取房客留下的评论资讯,将房客的评论加入评估的特征,建立出顾客回访倾向(Guest Return Propensity)分析模型,评估可能影响顾客回访的因素,在媒合房东与房客时,达到最大化使用现有资源的目的。

Peter Coles表示,拥有房东品质的分析资料,可以优化推荐房间的排序,进而提升用户体验,举例来说,新加入Airbnb平台的用户,第一次使用订房的经验,将会对日后是否回访产生很大的影响,因此,Airbnb就能将品质较好的房东推荐给新用户,确保新用户第一次的使用者体验是良好的。

另外,从旅客的层面来看,Airbnb也借由平台收集的资料,分析旅客的旅游模式(Travel Pattern),更了解用户来提供更贴近用户需求的服务,Peter Coles举例,Airbnb今年在搜寻条件的旅客字段上,加入小孩和婴儿的选项,为的就是要收集更细化的资料,以了解不同组成的旅客,会有哪些不同的旅宿行为特征。

台湾短期出租市场有什么不一样的特色?

根据Airbnb分析台湾地区去年在平台上的资料显示,台湾在Airbnb平台上的活跃房东数有超过8,000位,每年每位房东平均收入为12万7千元,房东的平均年龄为38岁,而房客是29岁,一位房客平均停留2.4个天,Peter Coles指出,台湾的分析结果与其他国家比较不同的是,房客平均停留的天数较短,他推测,这可能与台湾的旅游型态不同有关。

Airbnb资料科学的挑战

Peter Coles表示,Airbnb拥有相当大且复杂的资料量,光是房间数就有400万笔,订房数量的资料则是以亿级来计算,而使用者在平台上搜寻的行为资料量更达到10亿的规模,更不用说搜寻的过程中,用户设定不同的条件参数又更为复杂,“我们的资料复杂度是非常惊人的!”Peter Coles表示,从这些资料中要找出有意义的分析方法和结果,是非常困难的。

不过,Peter Coles认为,即使建立资料分析模型相当困难,需要交叉分析多个不同资料集,但是对他而言,更大的挑战是,“确保资料分析的结果能够转化为真正可用的策略,”进而采取行动,为企业创造真正的价值,他指出,多数资料科学家比较少有机会与用户和内部其他部门的人沟通,要让分析结果与采取策略行动的人产生互动,是目前资料科学团队比较大的挑战。

在众多资料分析的计划中,其中,令Peter Coles自己最感兴趣的资料集,竟然是Airbnb内部人资的资料,他表示,这些资料能够展示不同的人才在企业内发展的途径,也能够找到一些有趣的规则,像是具备哪些特质的员工会是一个好的经理人,或是哪些人具有帮助同事成长的特质等。

另外,Peter Coles未来还想进一步分析Airbnb的房东与房贷之间的关联,他想更进一步了解房东如何透过Airbnb出租房间来解决房贷迟缴的问题,像是什么样的人和什么样的出租型式能够解决房贷问题,每个不同的特征之间又有什么样的关联等。

2018-01-09 11:25:00

相关文章