Airbnb : Une approche humaine de la donnée

Fondée en 2008, la startup californienne a révolutionné la manière de voyager de plus 80 millions de voyageurs à travers le monde, dont 10 millions en France. Si la forte croissance de sa communauté d’utilisateurs peut représenter un défi pour certains acteurs traditionnels du tourisme, ces sujets n’empêchent pas les équipes d’innover toujours plus pour la satisfaction de sa communauté. La startup s’est d’abord développée dans les villes, puis plus récemment les zones de vacances (montagne, mer) et les territoires ruraux. Airbnb séduit de plus en plus la clientèle des voyageurs d’affaires, qui représente aujourd’hui plus de 10% de ses activités. La notion de communauté est au cœur même du développement d’Airbnb et l’organisation et la culture de la startup sont mus par l’envie d’améliorer la satisfaction des membres et d’enrichir toujours davantage les relations entre loueurs (les hôtes dans la terminologie d’Airbnb) et voyageurs.

Airbnb en chiffres :

• + 2M de logements à louer dont 65.000 à Paris
• A logé + 80 M de voyageurs
• Présent dans + 34.000 villes et + 190 pays

La satisfaction de la communauté est centrale dans le développement d’Airbnb ; dans cette mesure, la donnée est considérée comme « la voix de la communauté ». Si la collecte d’informations concernant les besoins de ces derniers se faisait de manière qualitative et informelle au début, les fondateurs ont très rapidement pris conscience de l’importance d’un traitement de données systématique, précis et exhaustif. La collecte de données est organisée de la façon suivante : chaque donnée correspond à l’enregistrement d’une action ou un événement qui reflète la prise de décision d’une personne. Cela donne la possibilité à la startup de recréer des séquences d’événements reflétant le processus de décision de chaque personne de sa communauté.

L’analyse fine des données permet de réagir de manière la plus efficace : en isolant les facteurs d’une évolution d’un indicateur clé (baisse ou augmentation des réservations, de la satisfaction, du nombre d’annonces dans une région spécifique…) et en ciblant ses actions en conséquence. Chaque perturbation donne lieu à un questionnement et à des hypothèses qui seront validées, ou non, par une analyse quantitative. Dans une volonté d’amélioration constante du site, une dizaine de versions est continuellement en test dans le but de fluidifier la navigation et d’améliorer l’expérience utilisateur durant le parcours. En plus des indicateurs traditionnels d’amélioration de la performance du site (fluidité, tunnels de conversion), Airbnb porte une attention particulière à la satisfaction des membres via l’analyse du NPS (Net Promotor Score). Le NPS est un indicateur de fidélité, qui permet de mesurer la propension des utilisateurs à recommander Airbnb auprès de leurs proches. C’est un des indicateurs privilégiés, devant la conversion, pour s’assurer de répondre aux besoins de la communauté.

Airbnb s’attèle particulièrement à améliorer son algorithme de mise en relation entre hôtes et voyageurs. L’ambition est de satisfaire à la fois les besoins des voyageurs mais également de décrypter les besoins des hôtes. Ces derniers ont en effet également des critères spécifiques qui influent leur volonté d’accepter ou non une demande de réservation : date et durée du séjour, nombre de voyageurs… Si le matching sur des critères fonctionnels est déjà maîtrisé, la volonté est d’intégrer du Machine Learning pour décrypter d’autres critères comme l’expérience recherchée par les deux parties (caractéristiques du logement ou échanges avec l’hôte par exemple).

A terme, l’ambition est de classer les résultats de recherche de logement en fonction des critères personnels des deux parties prenantes. Ainsi, si un voyageur effectue une demande qui ne correspond pas aux préférences d’un hôte, l’annonce de cet hôte n’apparaitrait qu’en bas de page des résultats de la recherche. Cette amélioration représente le plus grand enjeu technologique puisque cet algorithme va devoir apprendre de lui-même des comportements pour personnaliser les résultats de recherche en fonction des utilisateurs. Les premiers A/B tests effectués sur cet algorithme ont montré une amélioration de 3,75% des taux de conversion. Airbnb a également développé en interne un outil de machine learning permettant de suggérer automatiquement des prix pour les logements en fonction de la demande.

Pour Cyril Delattre, Airbnb bénéficie de la qualité de la collection de données ainsi que sa capacité à les rendre facilement accessibles aux employés. Les valeurs de transparence et de partage de l’information sont cruciales et le même outil, Tableau, est utilisé par tous : du stagiaire aux fondateurs, tous ont accès à des tableaux de bords qui répondent aux principaux besoins d’analyse. L’accès à des données anonymisées et agrégées offre à tous une vision globale sur les activités à travers les principaux indicateurs clés : réservations, satisfaction, nombre d’annonces par pays ou régions. Cette transparence totale permet une grande réactivité, une forte implication de la part de tous et surtout des prises de décision de plus en plus éclairées, à tous les niveaux.

Airbnb met également son expertise data au service du gouvernement et des organismes de tourisme dans le cadre d’analyses liées aux activités touristiques. Ces dernières permettent notamment aux pouvoirs publics de comprendre l’impact d’Airbnb et chiffrer l’évolution du pouvoir d’achat des hôtes, les zones touristiques en croissance, la provenance des touristes mais également l’impact d’événements particuliers -comme les attentats- sur le tourisme : nationalités et régions les plus touchées. En plus de ces analyses, Airbnb mise sur la notion de communauté pour développer la solidarité entre les membres avec la mise en place d’un disaster tool. Cet outil permet aux membres de mettre à disposition son logement de manière gratuite suite à un sinistre tel que la crue de la Seine en juin 2016.