1年後、Airbnbは700万ドルを受け取り、70万件の予約を報告しました。 サービスは集中的な開発を続け、今日では192か国と33,000の都市で2,000,000を超える家、アパート、または部屋を提供しています。
ただし、このような巨大なシステムを管理し、多数のクライアントや住宅所有者と通信するには、スマートアルゴリズムとコンピューター化されたシステムを使用せずに行うことは困難です 。 このトピックは私たちにとって興味深いようでした。どのアルゴリズムと技術が会社とその顧客の生活を楽にするかについての資料を用意したからです。
/写真ルーカス CC
地理的モデリング
Airbnbが答えたい質問の1つは、「今まで行ったことのない場所をどうやって知るのですか？」です。 Airbnbは現在、この質問に次のように回答しています。 同社のエンジニアは、重要な場所を決定するいわゆるモデルを導入しました。これは、指定されたポイントの近くにある興味深いポイントについて顧客に通知します。
また、これらの場所で何が面白いのかを知るために、会社は地区のガイドを使用することを提案しています。これにより、地区に関するいくつかの興味深い事実を見つけ、プロの写真を見ることができます。 さらに、観光客は、彼らが書いたガイドを使用して、住宅所有者自身から推奨事項を受け取ることができます。
会社の顧客の意見を考慮に入れたこれらのサービスは、ルートを構築し、この都市またはその都市が有名なすべての場所を訪問するのに役立ちます。 ただし、すべてのポイントがマップ上でマークされているわけではありません。 多くの場合、光景は住民自身によって「形作られ」、たとえば、いくつかの共通の歴史によって結び付けられたエリアを指定します。
そのような場所の検索は、歴史的および現在のデータ、フォーラムでの議論、家の所有者からの手紙を研究するザック・ウォーカーのチームによって行われます。 たとえば、北カリフォルニアの「ワイン地区」を探している場合、このサービスはナパ郡またはソノマ郡のいずれかの違いと利点のリストを提供します。
このような「人気のある」エリアをマップ上に描画する作業を簡素化するために、同社はAT-ATシステムを使用します。これは、全地形装甲輸送機にちなんで名付けられました。 マップ上のさまざまな形状のポリゴンを手動で設定し、プロパティで大陸、国、地域、都市などのパラメーターを示すことができます。
ただし、Airbnbは、機械学習技術を使用して地域にマップを自動的にマークするソフトウェアを作成したため、マップを手動で管理することは必ずしも便利で効率的ではありません。 このようなシステムの利点は、新しい市場のエリアをすばやくマークできるため、手動バージョンよりも高速に動作することです。
このために、特別に記述されたエアロゾルライブラリが使用されます。 これは、検索でよく使用される疎な解釈可能な属性（キーワード、フィルターなど）を扱うのに適しています。 GitHubのリンクで、ライブラリソース、アプリケーションオプション、およびサンプルを見つけることができます。
需要予測と価格設定
Airbnb は 、現在の市場状況に基づいて推定価格が毎日再計算される場合、動的価格設定アルゴリズムを使用します。 アルゴリズムは、露出したハウジングの特別な特性の存在を考慮に入れるように構成されています。
同じ都市内の提案された住宅は異なる地域に「散在」しており、リスト内の他の位置はコテージ、小屋、城、またはパオであることが判明する可能性があります。
類似性を判断するために、定量的なパラメーターが収集され、分析されます：収容できる人数、施設全体が賃貸されるかどうか、レビューの数など。その後、特定のポジションに対してゲストがいくら支払うかを評価します。
目新しさのパラメーターが必要なのは、観光事業のすべてがあまりにも急速に変化し、住宅の位置を評価するときに、世界中の大都市の地区や地域の概略図が現地の条件を考慮してコンパイルされるためです。 たとえば、ロンドンでは、グリニッジ地区のアパートの費用は、川の反対側にあるドック地区の住宅の費用の2倍になることがあります。 このアプローチにより、河川、湖、鉄道などの地理的特徴と構造を考慮して、データベース内の位置の値を正確に決定できます。
さらに、同社は分類子と呼ばれる機械学習モデルを選択することで動的価格設定に切り替えました。 彼女は、市場の現在の要件に基づいてデータベース内のポジションのすべてのパラメーターを分析し、このアパートまたはそのアパートがどれだけうまく賃貸されるかを予測します。
システムは、価格に含まれる朝食、風呂の空室状況、さらには地元の休日など、数百のパラメーターに基づいて推奨コストを計算します。 たとえば、オースティン市では毎年恒例のSXSWフェスティバルが開催されているため、その日は、この地域の住宅所有者からのオファーの数が増えることを期待しています。
支払いシステムの異常の特定
Airbnbは190か国で運営されているため、同社は膨大な数の通貨とプロセッサーをサポートする必要があります。 ほとんどの場合、システムは問題なく機能しますが、場合によっては、たとえば特定の通貨を処理できない状況に対処する必要があります。
これらの逸脱をできるだけ早くキャッチするために、同社のチームはリアルタイムの異常検出システムを作成しました。 これにより、新しい支払い方法のA / Bテスト時または新製品の発売時にエラーを追跡できます。
異常検出システムの主な目的は、時系列のサンプルで異常値を検索することです。 これを行うために、ダミー変数を導入して最小二乗回帰が実行されます。
このモデルは非常に単純であり、原則として現在の傾向を非常に正確に決定しますが、この場合、時系列は週ごとの季節性に設定されていると想定されます-このモデルは、他の季節パターン向けの商品では機能しません。
傾向と季節性の両方を考慮して時系列モデルを構築する場合は、別のモデルが使用されます。 その仕組みを示すために、同社のブログでは、コンピューターのマウスとキーボードを使用した例を提供しています。著者は、季節性と傾向をシミュレートし、異常を特定しようとします。
Airbnbのような大企業は、ユーザーの希望とリソース割り当てを予測するためのテクノロジーとアルゴリズムを継続的に改善することなくしては、どうしてもできません。 数学と機械学習はこれらの問題で救助に来ます-彼らの助けにより、サービスはより多くのことをすることができ、顧客に高レベルのサービスとアメニティを提供します。
PS追加資料：