Airbnb如何提高留客率？星等不準，靠AI分析4百萬家民宿所有評論，才能找出值得推薦的好房東

全球最大的民宿訂房平臺Airbnb，如何成為全球背包客的最愛，Airbnb首席經濟學家暨資料科學團隊主管Peter Coles於12日在臺揭露了這個關鍵，Peter Coles指出，住房體驗是影響房客回訪率的主因之一，而房東則是決定民宿品質的關鍵，房客只要遇到好房東，就能吸引用戶持續回來使用Airbnb平臺租房，但Airbnb全球擁有超過400萬間民宿，如何自動且快速判斷出每一間民宿的房東評價，就成為Airbnb的挑戰。Airbnb從PB級的用戶資料中，用自然語言分析房客每一則評論，建立了一套評價房東品質的機制。

Airbnb在2008年創立，經過短短的兩年，Airbnb開始意識到資料科學的重要性，在2010年成立資料科學團隊，而目前資料科學團隊已經具有超過百位的規模，甚至，為了在Airbnb企業內部建立以資料驅動決策的環境，去年成立了資料大學（Data University），鼓勵內部「每位」員工參加資料分析課程，資料分析課程的認證機制相當特別，員工完成課程後則可得到一張貼紙，貼在自己的電腦上，就能夠讓大家知道自己已經完成課程，並取得認證。

如何提升留客率？從分析房東和房客行為特徵資料挖掘關鍵

「用戶持續回訪能為Airbnb帶來更多收益，」Airbnb首席經濟學家暨資料科學團隊主管Peter Coles表示，對Airbnb而言，留住用戶是主要增加獲利的方式，Airbnb的角色就是要媒合房東和房客，因此，如何改進平臺上的用戶體驗，就變得相當重要。

Airbnb的訂房服務散布於全球，超過191個國家、6.5萬個城市，提供超過400萬個房間的訂房住宿服務，截至目前為止，Airbnb已經擁有PB級的資料量，且資料分析模型也相當複雜，需要交叉分析多個不同資料集，不能只單靠傳統的分析方法，因此，Airbnb也加入機器學習技術來分析海量且複雜的資料。

Airbnb資料分析可分為3個面向：房東、房客和社群，從房東的面相來看，Airbnb分析了房東提供的住宿品質、房東如何藉由短期出租負擔房貸、房東的創業型態和房東行為與一般假設是否相符合等問題。

Peter Coles舉例，Airbnb分析房東行為與一般假設是否相符合的問題，根據美國一家市調機構皮尤研究中心的研究指出，擁有較高收入的年輕男性，有較高的傾向採用新科技，而「Airbnb上的房東（旅宿創業家）特徵卻完全相反！」，Peter Coles興奮地說，Airbnb的房東超過55%是女性，就連在臺灣也有53%的房東是女性。

而房東提供住宿的品質，是Airbnb必須把關的重要關鍵，擁有高品質的房東，才能吸引更多新的用戶到平臺上訂房，也能留住既有的用戶持續使用平臺服務，不過，如何有效且準確地量化房東的品質，不是一個簡單的問題，因此，Airbnb與芝加哥大學合作，研究如何將品質量化，精準了解每位房東的品質，進而調整平臺上推薦的策略，為平臺帶來更多收益。

Airbnb平臺上有最常見的評分系統，透過房客給予房東星等的機制來得知房東品質，不過，「星等的評分機制很難真正量化品質！」Peter Coles指出，每個人對星等的評價也沒有相同的標準，導致評分結果相對主觀，不容易看出每個星等對應品質的真實意義，因此，Airbnb透過自然語言技術，擷取房客留下的評論資訊，將房客的評論加入評估的特徵，建立出顧客回訪傾向（Guest Return Propensity）分析模型，評估可能影響顧客回訪的因素，在媒合房東與房客時，達到最大化使用現有資源的目的。

Peter Coles表示，擁有房東品質的分析資料，可以優化推薦房間的排序，進而提升用戶體驗，舉例來說，新加入Airbnb平臺的用戶，第一次使用訂房的經驗，將會對日後是否回訪產生很大的影響，因此，Airbnb就能將品質較好的房東推薦給新用戶，確保新用戶第一次的使用者體驗是良好的。

另外，從旅客的層面來看，Airbnb也藉由平臺收集的資料，分析旅客的旅遊模式（Travel Pattern），更了解用戶來提供更貼近用戶需求的服務，Peter Coles舉例，Airbnb今年在搜尋條件的旅客欄位上，加入小孩和嬰兒的選項，為的就是要收集更細化的資料，以了解不同組成的旅客，會有哪些不同的旅宿行為特徵。

臺灣短期出租市場有什麼不一樣的特色？

根據Airbnb分析臺灣地區去年在平臺上的資料顯示，臺灣在Airbnb平臺上的活躍房東數有超過8,000位，每年每位房東平均收入為12萬7千元，房東的平均年齡為38歲，而房客是29歲，一位房客平均停留2.4個天，Peter Coles指出，臺灣的分析結果與其他國家比較不同的是，房客平均停留的天數較短，他推測，這可能與臺灣的旅遊型態不同有關。

Airbnb資料科學的挑戰

Peter Coles表示，Airbnb擁有相當大且複雜的資料量，光是房間數就有400萬筆，訂房數量的資料則是以億級來計算，而使用者在平臺上搜尋的行為資料量更達到10億的規模，更不用說搜尋的過程中，用戶設定不同的條件參數又更為複雜，「我們的資料複雜度是非常驚人的！」Peter Coles表示，從這些資料中要找出有意義的分析方法和結果，是非常困難的。

不過，Peter Coles認為，即使建立資料分析模型相當困難，需要交叉分析多個不同資料集，但是對他而言，更大的挑戰是，「確保資料分析的結果能夠轉化為真正可用的策略，」進而採取行動，為企業創造真正的價值，他指出，多數資料科學家比較少有機會與用戶和內部其他部門的人溝通，要讓分析結果與採取策略行動的人產生互動，是目前資料科學團隊比較大的挑戰。

在眾多資料分析的計畫中，其中，令Peter Coles自己最感興趣的資料集，竟然是Airbnb內部人資的資料，他表示，這些資料能夠展示不同的人才在企業內發展的途徑，也能夠找到一些有趣的規則，像是具備哪些特質的員工會是一個好的經理人，或是哪些人具有幫助同事成長的特質等。

另外，Peter Coles未來還想進一步分析Airbnb的房東與房貸之間的關聯，他想更進一步了解房東如何透過Airbnb出租房間來解決房貸遲繳的問題，像是什麼樣的人和什麼樣的出租型式能夠解決房貸問題，每個不同的特徵之間又有什麼樣的關聯等。