Depuis 2008, Airbnb a connu une croissance fulgurante avec plus de 6 millions d’annonces diffusées et plus de 4 millions d’hôtes dans le monde – devenant ainsi une alternative viable aux hôtels.
Avec la collecte de nombreuses informations sur les hôtes, les voyageurs, la durée des séjours, les destinations, etc. Airbnb produit des volumes de données colossaux chaque jour ! Afin de pouvoir nettoyer, traiter, gérer et analyser toutes ces datas, le leader de l’hébergement a dû mettre en place une culture des données forte et rigide dans son organisation.
Dans cet article, retrouvez les bonnes pratiques mises en place chez Airbnb pour devenir une entreprise data-driven – toutes basées sur l’intervention de Claire Lebarz, Head of Data Science, au salon Big Data & AI Paris 2022.
Les 3 niveaux de maturité d’une organisation data selon Airbnb
Le terme data-driven est mondialement connu et utilisé depuis quelques années pour décrire une entreprise qui prend des décisions stratégiques fondées sur l’analyse et l’interprétation des données. Dans une entreprise véritablement data-driven, tous les employés et les dirigeants exploitent les données de façon naturelle et les intègrent à leurs tâches quotidiennes.
Selon Claire Lebarz, le terme “data-driven” est cependant souvent galodé : “Je préfère mener une réflexion via trois niveaux de maturité caractérisant une organisation data : Data Busy, Data Informed, Data Powered.”
Au niveau “Data Busy”, une entreprise a mis en place des personnes “data-centric” telles que des Data Analysts, Data Scientists, ou Data Engineers dans l’organisation. Cependant, le temps d’analyse n’y est pas assez rapide, ou alors il n’y a pas de retour sur investissement sur les Data Scientists.
“À ce niveau, il n’y a pas forcément de règles en place sur la qualité de la donnée, on ne fait pas confiance à la data. Ou alors elle représente un goulot d’étranglement pour l’organisation” explique Claire.
Au niveau “Data Informed”, l’organisation a mis en place une gouvernance des données et les décisions stratégiques reposent de plus en plus sur les KPIs et métriques de l’entreprise plutôt que sur l’instinct du top management.
Enfin, au niveau “Data Powered”, le plus haut niveau de la matrice de maturité, la data est sur la ligne critique de l’organisation et devient un moteur clé de la croissance du business.
“Surtout, la donnée n’est plus réservée à un groupe d’experts data mais à toute l’organisation – tous les collaborateurs sont en phase avec la data” précise la Head of Data Science.
Les 6 étapes à suivre pour devenir data-driven selon Airbnb
Étape 1 : La méthode scientifique
Dans ‘Data Science’, il y a ‘Science’, explique Claire. La première étape est donc de s’approprier la démarche scientifique dans l’organisation. “L’idée n’est pas de construire une grosse équipe R&D, mais plutôt de mettre sur le papier toutes les hypothèses avec lesquelles on opère et de trouver des moyens pour les valider ou non.”
Cette démarche implique de tester, tester et… de continuer à tester ! Et l’un des leviers en ce sens est l’A/B Testing. La Head of Data Science explique qu’il a été crucial pour Airbnb durant la crise sanitaire de réfléchir aux différentes hypothèses sur le monde actuel et le monde de demain pour réaliser les bons pivots stratégiques pour la société.
Un exemple qui souligne l’importance de l’A/B testing chez Airbnb est la mise en place du filtrage par prix maximum et prix minimum sur le site de réservation. Effectivement, Claire explique que les retours d’expérience utilisateur étaient meilleurs quand les voyageurs pouvaient indiquer leur budget maximum pour réserver un séjour. Sans ce petit ajout, les voyageurs passaient beaucoup de temps sur des annonces moyennes et décidaient de ne pas réserver.
Étape 2 : L’alignement stratégique des équipes
Pour Claire L., la mise en place d’OKRs (Objectives & Key Results) est essentielle pour aligner les différentes équipes en interne. En effet, les équipes data d’une organisation ont souvent tendance à se focaliser uniquement sur leurs propres métriques data. Or, il faut impérativement mettre en place des objectifs communs pour réellement infuser une culture des données dans l’entreprise : “la stratégie doit venir avant les métriques.”
Et le leader mondial de la location courte durée a pu faire le constat d’un manque d’alignement. Dans l’exemple ci-dessous, on en aperçoit les conséquences négatives sur l’expérience de recherche du site Airbnb en 2017. Dans cette illustration, la recherche “los angeles” donnait des résultats dans plusieurs catégories sans vraiment de logique pour l’utilisateur.
Chaque équipe était ici responsable d’un KPI décorrélé. L’équipe « expériences » avait pour objectif de proposer des choses à faire dans la ville, tandis qu’une autre équipe était chargée des villes les plus proches de la recherche, etc. Tous poussaient plusieurs informations pour accroître leurs propres performances et générer du trafic dans leur section du site.
Les utilisateurs se perdaient et finissaient par ne rien réserver car les équipes ne tiraient pas dans le même sens !
Étape 3 : La mesure de l’incertitude
Pour Claire L., “l’incertitude est inhérente au pilotage de l’entreprise et à la prise de décision.” Parfois, la meilleure analyse n’est pas synonyme de meilleure décision. Il faut avoir des discussions organisationnelles, par exemple : Quel est le niveau de confiance dont on a besoin pour prendre des décisions ? Quels sont les signaux que l’on doit prendre en compte pour changer de décision ?
Dans le cadre des OKRs, une tentation est souvent de ne pas réaliser des initiatives dont le ROI est difficile à mesurer. Hors ce n’est pas parce qu’une métrique est difficile à mesurer que l’initiative qui en dépend n’est pas la meilleure. Un exemple que la Head of Data Science nous donne est celui des campagnes de branding réalisées par Airbnb pendant le Super Bowl entre 2017 et 2021.
“Les campagnes de branding sont les plus difficiles à mesurer, on ne peut quasiment jamais connaître leur retour sur investissement. Mais au vu de nos résultats indirects, construire une belle stratégie de branding et se détacher de la dépendance aux canaux payants tels que le SEM, était peut-être la meilleure stratégie marketing pour dynamiser les trafics organique et direct.”
Étape 4 : Une gouvernance centralisée
La gouvernance, selon Claire L., doit être centralisée. Effectivement, elle a remarqué chez Airbnb que dès que l’on décentralise les équipes data, et qu’elles reportent au business, on perd rapidement l’objectivité de la donnée dans l’entreprise. Elle précise : “La donnée doit être considérée comme un bien commun dans l’organisation, et il est essentiel de faire des investissements de façon centralisée et à la plus haute échelle de l’organisation. La data doit être gérée comme un produit dont les clients sont les employés.”
En effet, la loi de Conway s’applique aussi à la data : “les organisations qui conçoivent des systèmes tendent inévitablement à produire des designs qui sont des copies de la structure de communication de leur organisation”. Si on l’applique à la donnée, cette loi fait référence aux divers départements de l’organisation qui créent leurs tables, analyses et features – basées sur leurs propres définitions – qui ne sont pas toujours alignées avec celles des autres départements.
Étape 5 : Une communication adaptée
Claire L. partage l’une des meilleures décisions prises par Airbnb – celle d’embaucher des Data Scientists non seulement très bons techniquement, mais également bons en communication. En effet, l’entreprise a grossi très vite en 2017-2018. Et pour se familiariser avec le fonctionnement d’Airbnb, il fallait parfois lire entre 15 et 20 analyses pour les Scientists ou prendre beaucoup de temps à se former sur le positionnement de la société pour les équipes design – tout cela pouvait vite devenir coûteux.
Airbnb a donc changé son approche de l’analytics. Au lieu de faire des mémos classiques qui ont tendance à se périmer dans le temps et qu’il faut constamment mettre à jour, l’entreprise a commencé à construire des “documents vivants”. “Nous avons mis en place des “states of knowledge”, des agrégations de toute la connaissance d’une équipe sur un sujet – mis à jour en fonction de la fréquence de la recherche sur une question” détaille Claire.
La Head of Data Science explique également l’importance de la communication durant la crise Covid. Les équipes Airbnb à San Francisco n’étant plus du tout en présentiel, il était devenu essentiel de travailler sur de nouveaux formats de communication : “On a observé une grosse fatigue de l’email et des écrans de manière générale. Donc on a cherché des moyens de communication plus efficaces tels que des formats podcast ou vidéo pour que nos employés puissent s’informer ailleurs que sur leurs écrans. Il faut simplifier et mettre à disposition les informations de manière simple et visuelle pour que tous les collaborateurs puissent s’approprier la data”.
Étape 6 : Un Machine Learning plus humain
Depuis ses débuts, Airbnb utilise des algorithmes de matching de recherche entre les invités et les hôtes. Mais cela a pris du temps pour que l’entreprise puisse en construire en volume – d’un côté pour améliorer l’expérience utilisateur – et de l’autre pour aider les équipes cross-fonctionnelles à être à l’aise pour discuter les décisions de modélisation.
Claire Lebarz explique que pour avoir des algorithmes de machine learning sans défauts, il faut prendre la problématique à l’envers : “Au lieu de se dire qu’il faut impérativement régler un problème par l’automatisation et le machine learning, on a finalement voulu se concentrer sur l’inverse : quels types d’expériences utilisateur voulons-nous créer ? Pour ensuite aller injecter le machine learning là ou il fait sens pour améliorer ces processus”.
L’ajout de la recherche par catégorie sur la plateforme Airbnb illustre ceci. En effet, il s’agissait de proposer un moyen alternatif de rechercher un endroit où séjourner : en demandant au voyageur ce qu’il souhaiterait faire. “Ici on s’éloigne de notre modèle de base où l’on propose de rentrer des dates et l’endroit où on veut aller. Maintenant on peut vous demander ce dont vous avez envie de faire ou d’avoir, comme des cours de surf, une belle vue sur la plage ou encore une piscine.”
Ces algorithmes demandent beaucoup de travail car ils sont dépendants de la documentation fournie par les hôtes. Pour éviter de devoir poser plusieurs questions par semaine aux hôtes, c’est le travail du machine learning de chercher ces informations et de les remonter dans les bonnes catégories du site via des algorithmes.
Conclusion : les 3 talents data-driven selon Airbnb
Pour garantir une véritable culture des données, il est crucial d’embaucher les bons talents. Selon Claire, voici les trois rôles data indispensables à l’entreprise data-driven :
- Les Analytics Engineers : ce sont les garants de la gouvernance et de la qualité de la data. Ils se positionnent entre le Data Engineering et l’Analytics pour se concentrer sur les insights et les questions.
- Les Machine Learning Ops : il s’agit d’un nouveau métier qui se concentre sur le fonctionnement et l’évolution des algorithmes de machine learning.
- Les Data Product Managers : ce sont eux qui insufflent la façon de gérer la data comme un produit et qui professionnalisent l’approche data dans l’organisation. Ils fournissent la transparence sur les roadmaps, les nouvelles fonctionnalités data et ils servent de liant avec les autres fonctions.
“Il est critique d’amener ces trois métiers émergents dans l’organisation pour véritablement devenir “Data Powered !”
