Durch die Sammlung zahlreicher Informationen über Gastgeber, Reisende, Aufenthaltsdauer, Reiseziele etc. produziert Airbnb jeden Tag riesige Datenmengen! Um all diese Daten bereinigen, verarbeiten, verwalten und analysieren zu können, musste der führende Anbieter von Übernachtungen eine starke und strenge Datenkultur in seiner Organisation einführen.
In diesem Artikel erfahren Sie mehr über die Best Practices, die bei Airbnb eingeführt wurden, um ein datengetriebenes Unternehmen zu werden – basierend auf der Präsentation von Claire Lebarz, Head of Data Science, auf der Messe Big Data & AI Paris 2022.
Die drei Reifegrade einer Datenorganisation laut Airbnb
Der Begriff Data-Driven, oder datengetrieben, ist weltweit bekannt und wird seit einigen Jahren verwendet, um Unternehmen zu beschreiben, die strategische Entscheidungen basierend auf der Analyse und Interpretation von Daten treffen. In einem wirklich datengetriebenen Unternehmen nutzen alle Mitarbeiter und Führungskräfte die Daten auf natürliche und selbstverständliche Weise und integrieren sie in ihre täglichen Aufgaben.
Laut Claire Lebarz wird der Begriff „Data-Driven“ jedoch häufig überstrapaziert: „Ich spreche lieber von drei Reifegraden, die eine Datenorganisation charakterisieren: Data Busy, Data Informed, Data Powered.“
Auf der „Data Busy“-Ebene hat ein Unternehmen „datenzentrierte“ Rollen wie Data Analysts, Data Scientists oder Data Engineers in seiner Organisation eingeführt. Allerdings ist die Analysezeit dort noch nicht schnell genug, oder die Data Scientists werfen noch keine Rendite ab.
„Auf dieser Ebene gibt es nicht unbedingt Regeln für die Qualität der Daten, man traut den Daten nicht, oder sie stellen ein Nadelöhr für das Unternehmen dar“, erklärt Claire.
Auf der „Data Informed“-Ebene hat die Organisation bereits eine Data Governance eingeführt und strategische Entscheidungen beruhen zunehmend auf den KPIs des Unternehmens und nicht mehr auf dem Instinkt des Topmanagements.
Auf der „Data Powered“-Ebene schließlich, der höchsten Stufe der Reifegradmatrix, werden Daten als unternehmenskritisch betrachtet und werden so zu einem wichtigen Motor für das geschäftliche Wachstum.
„Vor allem sind die Daten nicht mehr einer Gruppe von Datenexperten vorbehalten, sondern stehen dem gesamten Unternehmen zur Verfügung – alle Mitarbeiter sind auf Daten eingestellt“, präzisiert Claire Lebarz, Head of Data Science.
Die 6 Schritte, die Sie laut Airbnb abschließen müssen, um Data-Driven zu werden
Schritt 1: Die wissenschaftliche Methode
Im Begriff „Data Science“ steckt das englische Wort für „Wissenschaft“, erklärt Claire. Der erste Schritt besteht also darin, sich den wissenschaftlichen Ansatz im Unternehmen zu eigen zu machen. „Es geht nicht darum, ein großes F&E-Team aufzubauen, sondern vielmehr darum, alle Annahmen, mit denen Sie arbeiten, auf Papier zu bringen und Wege zu finden, sie zu bestätigen oder nicht zu bestätigen.“
Dieser Ansatz bedeutet zu testen, zu testen und … weiter zu testen! Und einer der Ansätze dafür ist das A/B-Testing. Claire Lebarz erklärt, dass es für Airbnb während der Corona-Pandemie entscheidend war, anhand verschiedener Hypothesen über die Welt von heute und die Welt von morgen nachzudenken, um die richtigen strategischen Hebel für das Unternehmen zu finden.
Ein Beispiel, das die Bedeutung des A/B-Testings bei Airbnb unterstreicht, ist die Einführung des Filters nach Höchst- und Mindestpreisen auf der Buchungsseite. Claire erklärt, dass das Feedback hinsichtlich der User Experience tatsächlich besser war, wenn die Reisenden ihr maximales Budget für die Buchung einer Reise angeben konnten. Ohne diesen kleinen Zusatz verbrachten die Reisenden viel Zeit mit mittelprächtigen Anzeigen und entschieden sich am Ende gegen eine Buchung.
Schritt 2: Die strategische Ausrichtung der Teams
Für Claire Lebarz ist die Einführung von OKRs (Objectives & Key Results) entscheidend, um die verschiedenen Teams intern aufeinander abzustimmen. Denn die Datenteams einer Organisation neigen oft dazu, sich nur auf ihre eigenen Daten-KPIs zu konzentrieren. Um eine Datenkultur im Unternehmen zu verankern, sind gemeinsame Ziele erforderlich: „Die Strategie ist wichtiger als die KPIs.“
Und der weltweit führende Anbieter von Kurzzeitvermietungen musste feststellen, dass es an der Ausrichtung mangelte. Im folgenden Beispiel sieht man die negativen Auswirkungen auf die Sucherfahrung auf der Airbnb-Website im Jahr 2017. In dieser Grafik lieferte die Suche nach „los angeles“ Ergebnisse in mehreren Kategorien ohne wirklich erkennbare Logik für den Benutzer.
Jedes Team war hier für einen unabhängigen KPI verantwortlich. Das Team „Erlebnisse“ hatte das Ziel, Dinge vorzuschlagen, die man in der Stadt tun konnte, während ein anderes Team für die Städte zuständig war, die am nächsten zum Ziel der Suchanfrage lagen, etc. Alle pushten unterschiedliche Informationen, um ihre eigene Leistung zu steigern und Traffic auf ihrem Bereich der Website zu generieren.
Die Benutzer verloren den Überblick und buchten am Ende nicht, weil die Teams nicht am gleichen Strang zogen!
Schritt 3: Die Messung von Unsicherheit
Für Claire L. ist „Unsicherheit ein inhärenter Bestandteil der Unternehmenssteuerung und der Entscheidungsprozesse.“ Manchmal ist die beste Analyse nicht gleichbedeutend mit der besten Entscheidung. Man muss organisatorische Diskussionen führen, zum Beispiel: Wie viel Vertrauen brauchen wir, um Entscheidungen zu treffen? Welche Signale müssen wir beachten, um eine Entscheidung zu ändern?
Im Rahmen der OKRs besteht oft die Versuchung, Initiativen nicht durchzuführen, deren ROI schwer zu messen ist. Die Tatsache, dass ein KPI schwer zu messen ist, bedeutet jedoch nicht, dass die Initiative, die von ihm abhängt, nicht die beste ist. Ein Beispiel, das uns Claire als Head of Data Science nennt, sind die Branding-Kampagnen, die Airbnb beim Super Bowl in den Jahren 2017 bis 2021 durchgeführt hat.
„Branding-Kampagnen sind besonders schwierig zu messen, man kann so gut wie nie ihren Return on Investment ermitteln. Aber wenn man unsere indirekten Ergebnisse betrachtet, war der Aufbau einer schönen Branding-Strategie und die Loslösung aus der Abhängigkeit von kostenpflichtigen Kanälen wie SEM vielleicht die beste Marketingstrategie, um den organischen und direkten Traffic anzukurbeln.“
Schritt 4: Eine zentralisierte Governance
Die Governance, so Claire L., muss zentralisiert werden. Tatsächlich hat sie bei Airbnb festgestellt, dass dezentralisierte Datenteams, die an die Geschäftsführung berichten, schnell dazu führen, dass man die Objektivität der Daten im Unternehmen verliert. Sie führt aus: „Daten müssen im Unternehmen als Allgemeingut betrachtet werden, und es ist entscheidend, dass Investitionen zentral und auf der höchsten Ebene der Organisation getätigt werden. Daten müssen wie ein Produkt gehandhabt werden, dessen Kunden die Mitarbeiter sind.“
Tatsächlich gilt das Gesetz von Conway auch für Daten: „Unternehmen, die Systeme entwerfen, neigen unweigerlich dazu, Designs zu entwickeln, die Kopien der Kommunikationsstruktur ihrer Organisation sind.“ Wenn man das auf Daten überträgt, bezieht sich dieses Gesetz auf die verschiedenen Abteilungen des Unternehmens, die ihre Tabellen, Analysen und Features erstellen – basierend auf ihren eigenen Definitionen – und die nicht immer mit denen der anderen Abteilungen abgestimmt sind.
Schritt 5: Eine angemessene Kommunikation
Aus der Sicht von Claire L. war die Einstellung von Data Scientists, die nicht nur technisch sehr gut sind, sondern auch gut kommunizieren können eine der besten Entscheidungen, die Airbnb getroffen hat, Tatsächlich ist das Unternehmen in den Jahren 2017–2018 sehr schnell gewachsen. Und um sich mit der Funktionsweise von Airbnb vertraut zu machen, mussten die Scientists manchmal 15 bis 20 Analysen lesen oder die Designteams viel Zeit aufwenden, um sich über die Positionierung des Unternehmens zu informieren – all das konnte schnell sehr kostspielig werden.
Airbnb hat daher seine Herangehensweise an die Analytik geändert. Anstatt klassische Memos zu erstellen, die im Laufe der Zeit häufig veralten und die ständig aktualisiert werden müssen, begann das Unternehmen, „lebende Dokumente“ zu konstruieren. „Wir haben „states of knowledge“ eingeführt, Sammlungen des gesamten Wissens eines Teams zu einem Thema – die aktualisiert werden, je nachdem wie oft eine Frage gesucht wird“, erläutert Claire.
Sie erklärt auch, wie wichtig die Kommunikation während der Corona-Pandemie war. Da die Airbnb-Teams in San Francisco überhaupt nicht mehr im Büro anwesend waren, wurde es unerlässlich, an neuen Kommunikationsformaten zu arbeiten: „Wir haben im Allgemeinen eine große Ermüdung durch E-Mails und Bildschirme beobachtet. Also suchten wir nach effektiveren Kommunikationsmitteln wie Podcast- oder Videoformaten, damit unsere Mitarbeiter sich auch anderswo als an ihren Bildschirmen informieren können. Man muss die Informationen vereinfachen und auf leicht verständliche und anschauliche Weise zur Verfügung stellen, damit alle Mitarbeiter sich die Daten zu eigen machen können“.
Schritt 6: Menschlicheres Machine Learning
Seit seinen Anfängen verwendet Airbnb Algorithmen für das Such-Matching von Gästen und Gastgebern. Es dauerte jedoch eine Weile, bis das Unternehmen diese in großen Mengen erstellen konnte – einerseits, um die Benutzererfahrung zu verbessern – und andererseits, um funktionsübergreifenden Teams zu helfen, sich bei der Diskussion über Modellierungsentscheidungen wohlzufühlen.
Claire Lebarz erklärt, dass man die Problematik umgekehrt betrachten muss, um fehlerfreie Machine-Learning-Algorithmen zu erhalten: „Anstatt zu sagen, dass ein Problem unbedingt durch Automatisierung und Machine Learning gelöst werden muss, haben wir uns schließlich auf das Gegenteil konzentriert: Welche Arten von Benutzererfahrungen wollen wir schaffen? Um dann dort, wo es sinnvoll ist, Machine Learning einzusetzen, um diese Prozesse zu verbessern.“
Die Ergänzung der Kategoriensuche auf der Airbnb-Plattform ist ein Beispiel dafür. Denn es ging darum, eine alternative Art der Suche nach einer Übernachtungsmöglichkeit anzubieten: indem der Reisende gefragt wird, was er gerne tun würde. „Hier entfernen wir uns von unserem Grundmodell, bei dem wir anbieten, die Daten und den Ort, wann und wohin man reisen möchte, einzugeben. Jetzt können wir Sie fragen, was Sie gerne unternehmen oder haben möchten, z. B. Surfunterricht, einen schönen Blick auf den Strand oder einen Swimmingpool.“
Diese Algorithmen sind sehr arbeitsintensiv, da sie von der Dokumentation abhängen, die von den Gastgebern bereitgestellt wird. Um den Gastgebern nicht mehrere Fragen pro Woche stellen zu müssen, ist es die Aufgabe von Machine Learning, nach diesen Informationen zu suchen und sie mithilfe von Algorithmen in die richtigen Kategorien der Website hochzuladen.
Schlussfolgerung: Die drei datengetriebenen Talente laut Airbnb
Um eine echte Datenkultur zu gewährleisten, ist es von entscheidender Bedeutung, die richtigen Talente einzustellen. Claires Meinung nach sind dies die drei Datenrollen, die für ein datengetriebenes Unternehmen unerlässlich sind:
- Analytics Engineers: Sie garantieren die Data Governance und die Qualität der Daten. Sie positionieren sich zwischen Data Engineering und Analytics, um sich auf Insights und Fragen zu konzentrieren.
- Machine Learning Operators: Hierbei handelt es sich um einen neuen Beruf, der sich auf die Funktionsweise und Weiterentwicklung von Machine-Learning-Algorithmen konzentriert.
- Data Product Managers: Sie erwecken die Art und Weise, wie man Daten als Produkt verwaltet, zum Leben und professionalisieren den Ansatz zum Umgang mit Daten im Unternehmen. Sie sorgen für Transparenz bei Roadmaps, neuen Datenfunktionen und dienen als Bindeglied zu anderen Funktionen.
„Es ist entscheidend, diese drei aufstrebenden Berufe in das Unternehmen zu holen, um wirklich „Data Powered“ zu werden!
