Airbnb была основана в 2008 году в Сан-Франциско.
Брайан Чески и Джо Геббиа, основатели сервиса, едва сводили концы с концами и, чтобы наскрести денег на аренду, позволяли незнакомцам спать на надувных матрасах в их квартире.
За год Airbnb получила $7 млн и сообщила о 700 тысячах транзакций по бронированию жилья.
Сервис продолжил интенсивное развитие и сегодня предлагает более 2 000 000 домов, квартир или комнат в 192 странах и 33 000 городах.
Однако для управления такой огромной системой и контакта с большим количеством клиентов и домовладельцев сложно обойтись без использования умных алгоритмов и компьютеризированные системы .
Нам эта тема показалась интересной, поэтому мы подготовили материал о том, какие алгоритмы и методики облегчают жизнь компании и ее клиентов.
Географическое моделирование
Один из вопросов, на которые Airbnb хочет ответить: «Как вы ощущаете себя там, где вы никогда раньше не былиЭ» Текущий ответ Airbnb на этот вопрос следующий.Инженеры компании реализовали так называемую модель идентификации ориентиров, которая сообщает клиентам о достопримечательностях, расположенных рядом с указанной точкой.
А чтобы узнать, что же такого интересного в этих местах, компания предлагает воспользоваться путеводителем по районам, который позволяет узнать о них несколько интересных фактов и увидеть профессиональные фотографии.
Более того, туристы могут получить рекомендации от самих домовладельцев, воспользовавшись написанными ими путеводителями.
Эти сервисы, при создании которых учитывается мнение клиентов компании, помогают построить маршрут и посетить все места, которыми славится тот или иной город. Однако на картах отмечены не все точки.
Зачастую достопримечательности «формируют» сами жители, обозначая территории, например, связанные какой-то общей историей.
Команда Зака Уокера исследует исторические и текущие данные, обсуждения на форумах и письма владельцев домов, чтобы найти эти места.
Например, если вы ищете «винный округ» в Северной Калифорнии, служба предложит на выбор округ Напа или округ Сонома со списками различий и преимуществ.
Чтобы упростить работу по картографированию этих «людских» территорий, компания использует систему AT-AT, названную в честь вездеходного бронированного транспорта — шагающего танка из вселенной «Звездных войн».
Он позволяет вручную определять на карте полигоны различной формы, указывая в их свойствах такие параметры, как континент, страна, регион, город и т.д. Однако управлять картой вручную не всегда удобно и эффективно, поэтому Airbnb создала программное обеспечение для автоматической разметки карты по районам с помощью технологий машинного обучения.
Преимущество такой системы в том, что она работает быстрее, чем ручная версия, а значит, способна быстрее размечать территории для новых рынков.
Для этого используется специально написанная библиотека.
аэрозоль .
Он хорошо подходит для работы с разреженными интерпретируемыми функциями, которые часто используются при поиске (например, ключевыми словами, фильтрами).
Исходники библиотеки, варианты приложения и примеры можно найти по ссылке на GitHub.
Прогнозирование спроса и ценообразование
Компания Airbnb использует алгоритмы динамического ценообразования, когда ориентировочные цены пересчитываются ежедневно исходя из текущей ситуации на рынке.Алгоритм настроен таким образом, чтобы учитывать наличие особых свойств выставленного жилья.
Предлагаемое жилье в пределах одного города «разбросано» по самым разным районам, а другими позициями в списке могут быть дачи, хижины, замки или юрты, поэтому алгоритмы компании учитывают три основных типа данных: сходство, новизна и местоположение.
.
Для определения схожести собираются и анализируются количественные параметры: сколько человек может разместить объект, сдается ли объект целиком, количество отзывов и т. д. После этого производится оценка количества желающих гостей.
для оплаты конкретных товаров.
Параметр новизны нужен только потому, что в туристическом бизнесе все меняется слишком быстро, и при оценке расположения жилья составляются карты-схемы кварталов и территорий в крупных городах мира с учетом местных условий.
Например, в Лондоне стоимость квартир в районе Гринвича может вдвое превышать стоимость жилья в районе Доклендс, расположенном на другом берегу реки.
Такой подход позволяет точно определить стоимость позиций в базе данных с учетом географических особенностей и сооружений: рек, озер, железных дорог и других.
Более того, компания перешла к динамическому ценообразованию, выбрав модель машинного обучения, называемую классификатором.
Он анализирует все параметры позиций в базе данных, исходя из текущих требований рынка, а затем прогнозирует, насколько успешно будет сдаваться тот или иной объект недвижимости.
Система рассчитывает рекомендуемую цену на основе сотен параметров, таких как включенный в стоимость завтрак, наличие бани и даже местные праздники.
Например, в Остине проводится ежегодный фестиваль SXSW, поэтому компания ожидает увидеть увеличение количества заявок от домовладельцев в этом районе во время мероприятия.
Обнаружение аномалий в платежной системе
Поскольку Airbnb работает в 190 странах, компании приходится поддерживать огромное количество валют и процессоров.Большую часть времени системы функционируют без проблем, но иногда приходится сталкиваться с ситуациями, когда, например, определенную валюту невозможно обработать.
Чтобы как можно быстрее обнаружить эти аномалии, команда компании создала систему обнаружения аномалий в режиме реального времени.
Это позволяет отслеживать ошибки прямо во время A/B-тестирования новых способов оплаты или во время запуска новых продуктов.
Основная задача системы обнаружения аномалий — поиск выбросов в выборке временного ряда.
Для этого проводится регрессия методом наименьших квадратов с введением фиктивных переменных.
Эта Модель достаточно проста и, как правило, достаточно точно определяет текущую тенденцию, однако в данном случае предполагается, что временной ряд настроен на недельную сезонность — модель не будет работать с продуктами, ориентированными на другие сезонные закономерности.
Если вам нужно построить модель временных рядов с учетом как тренда, так и сезонности, то используется другая модель.
Чтобы показать, как это работает, в блоге компании представлены пример с компьютерными мышами и клавиатурами – автор моделирует сезонность и тенденции и пытается выявить аномалии.
Такая крупная компания, как Airbnb, просто не может обойтись без постоянного совершенствования технологий и алгоритмов прогнозирования желаний пользователей и распределения ресурсов.
В этих вопросах ей на помощь приходят математика и машинное обучение — с их помощью сервис способен на большее, обеспечивая высокий уровень сервиса и удобство для клиентов.
P.S. Дополнительное чтение: Клиентоориентированность как основа бизнеса: Опыт IaaS-провайдера 1cloud Дайджест об облаках, сетевых технологиях и развитии сервисов .
Теги: #1сloud #Машинное обучение #Разработка сайтов #Разработка мобильных приложений #Разработка электронной коммерции #Машинное обучение
-
Почему React, А Не Angular?
19 Oct, 24 -
Почему Мы Не Увидим Opera В App Store?
19 Oct, 24 -
Мы Хотим Тебя
19 Oct, 24 -
Тихие Названия Фотографий
19 Oct, 24
