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。