归属感是Airbnb使命的核心。为了能让人们感觉他们可以“belong anywhere”,我们得让他们在世界的任何1个角落都有1个“家”。
Airbnb是1个以社区为导向的品牌,通过社群的口碑来让更多的房东选择我们已成为1个重要的增长渠道。
但是,随着我们继续扩大业务,我们就需要找到新的方法去吸引房东和房屋住宅,并真正帮助人们“belong anywhere”——不单单是像旧金山、伦敦和巴黎这样的大城市,而且还要在1些只有极少数人可能听说过Airbnb、人口较少的国家(例如玻利维亚和尼泊尔)实现这1愿景。
线上广告是可以找到潜伏房东和提升Airbnb知名度的最有效的方式之1。它包括了邮件营销Email Marketing,搜索引擎营销SEM,社交媒体营销Social Media Marketing,和广告展现Display Advertisiing。
经过大量的研究,我们开发了内部的在线广告系统来扩大我们的房东数量,通过线上广告系统取得的房东数量呈指数增长。在开发系统的进程中,我们找到了大量的关于Google和Facebook这样的大广告平台如何靠广告赚钱,但是很少有信息可以告知我们,像Airbnb这样的Marketplace到底该如何充分利用这些广告平台?
本文将概述Airbnb的营销系统的架构,并介绍这个系统中我们所解决的问题。
我们要解决甚么问题
我们希望在有限的预算以内,通过线上广告取得更多新的房东,从而实现收益最大化。这可以划分为两个小问题:
我们应当买甚么广告?
我们应当为每一个广告付多少钱?
我们营销系统的终究目标就是自动生成广告、设定和调剂出价,分配预算以到达KPI和目标。这个系统还应实现Performance Reporting和Ads Experiments Analysis及Visualization等功能。
广告的生命周期
这张图high level地描写了1个广告的生命周期:
各类广告平台创造出广告,并将其展现给满足1定条件的用户。用户点击广告,然后跳转到Airbnb的房东登录页面。Airbnb会记录用户点击登陆界面这个行动。成心向在Airbnb列出自己房源的用户会阅读专门为新居主设计的on-boarding流程——“List Your Space”。
当1个房源在Airbnb得到第1份预订时,我们就会估算出这个房源列表将给Airbnb带来的毕生价值(LTV)。随后我们会查看是哪些过去的广告点击行动促使房东们产生了这样1个在我们网站上“列出房源”的转化。相干的广告会得到相应的credit,同享由这个list带来的的LTV。
在搜集许多转化的数据以后,我们可以推测每一个广告的价值。所有这些信息都会用来计算bid和分配每一个广告的预算。最后把这个bid和预算设定在广告平台(例如Facebook和Google)上。这就完成了1个广告的生命周期。
从这个生命周期里,我们可以清晰地看到营销系统的几个主要组成部份:跟踪点击click tracking,归因分析attribution,用户生命价值估算LTV estimation,投标和预算优化bid and budget optimization。
成为房东的进程
首先,我们可以看1看成为Airbnb房东的体验,然后再分析为何建立营销系统——特别是针对房东数量增长的营销体系——非常具有挑战性。
说服人们在Airbnb上列出自己的房屋信息非常难,由于这是1个很大的commitment。首先,房东可以通过口碑或线上营销活动了解Airbnb。在做完耗时数天或数周的研究以后,房东才有可能决定在Airbnb上创建房源列表。
然后他们需要通过“列出房源”的流程来提供关于他们自己个人和房源的信息。为了创建1个安全可信的市场,Airbnb要求房东遵照服务条款,并对房东进行背景调查。
“列出房源”的流程确保了Airbnb的安全,并清除不感兴趣的受众,从而提供最有价值的体验。但在全部流程中,会有潜伏的房东在这个流程的各个步骤当选择放弃完成(虽然Airbnb1直在努力改良创建房屋列表体验)。
在完成“列出房源”流程并在Airbnb上发布房屋列表后,房东需要管理好自己的列表,给潜伏客户答疑,并准备接待已确认预订的房客。
当前Airbnb上的“列出你的房源”(LYS)流程
我们可以看到选择在Airbnb上列出房源是1个经过沉思熟虑后的决定。这给营销系统的建立带来最少两个挑战:
1. 从最初的广告点击到后来房源得到预订,这二者之间的转化需要很长1段时间——这可能会花上几天到几周。
2. 这类转化是很罕见的。由于潜伏房东都非常谨慎,每一个广告可能只带来很少的转化。
两个挑战都让我们对房东的营销优化变得寸步难行。
营销体系的架构
所以我们该怎样做呢?
1Data Logging and Tracking 数据记录和跟踪
从广告生命周期图中可以看出,真实记录追踪营销事件是该系统的核心。它们不但对下游业务(如bid和预算分配)相当重要,而且对战略和营销决策也很关键。但是,准确的记录和跟踪非常具有挑战性,由于这需要营销技术、工程和数据科学相干技能和领域专业知识。
数据源分为内部和外部数据源。我们的内部用户登录日志依赖于Jitney Logging,1个基于Kafka的框架。
我们建立了data pipelines来取得Airbnb的完全用户旅程。我们通过第3方API获得外部数据。为了确保数据完全性,我们创建了data pipelines来交叉验证那些关键的、跨多个数据源的数据。
我们还建立了1个线上Datadog实时仪表盘和1个离线的仪表盘来追踪逐日内部和外部数据之间的差异。异常检测算法用于检测由生产代码变更或API连接毛病引发的异常。由于房东的转化非常少见,数据完全性就格外重要了。房东数据中的任何数据差异都可能对所有下游操作产生巨大影响。
2Multi-Touch Attribution 多点归因
做好了数据验证和跟踪,我们就能够对各种广告的点击有1个准确的理解了。为了计算投资回报率(ROI)和我们想为每一个广告支付的价格,我们首先需要知道每一个广告带来多少次转化。
但是,将转化归因于正确的渠道是非常困难的,我们需要利用不同的通道来接触不同的受众。
举个例子,假定用户在平台1第1次见到广告,然后在平台2又1次看到并点击了广告,然后在Airbnb上创建1个房源列表,最后接到预订。在这类情况下,将功劳全部归给平台2是很不公平的, 这可能低估了平台1的价值,却高估了平台2的价值。
Multi-Touch Attribution多点归因就是把每次转化都以正确的比例归功到不同的渠道上。精确的归因能够增进精确的bidding strategy和预算分配。在过去,我们用基于SQL的last-touch attribution模型,这很难实行并验证。
因而我们把SQL换成基于用户自定义函数(UDF)的方法。UDF是由Java编写,可以确保归因逻辑依照预期的方式工作。为了保证从SQL到UDF方法能够切换顺利,我们建立了1个validation pipeline来确保来自UDF管道的指标与SQL逻辑中的指标相匹配 。那些复杂的rule-based或model-based的归因算法就能够建立在UDF之上了。
3The LTV Model 用户毕生价值模型
在把转化归功于不同的广告以后,我们需要知道这些转化的LTV——每次转化可以给Airbnb带来的收入。
对想要增长房东数量这个目标来讲,LTV就是房东带给Airbnb净利润的1种预测。Airbnb的房东提供了各种各样的房源,从合住房间到私人岛屿。这类多样的房间类型为房客提供了独特的体验,但同时也给LTV的评估带来了挑战。
在Airbnb,我们开发了机器学习模型区预测房源列表的LTV。但是,由于Airbnb的房源列表是1个巨大许诺,用户转化成房东耗时很长。这可能要花上很多天乃至数周去看到1个最初的广告点击到房源列表发布这样的转化。当我们积累了更多的数据,我们就能够提升原始LTV模型的精确度,并且解决长时间转化这1问题。
4Bidding & Budget Optimization 投标和预算优化
有了Tracking,Attribution和LTV,我们已准备好给每个广告进行优化。Airbnb在191个国家、10,000多座城市具有房源列表。在任何1座特定城市,Airbnb可能只有很少的转化。所以通过这么些转化来评估每个广告的价值是非常难的。
我们建立了1个数学模型来解决这个问题。通过知道每一个广告的价值,我们就能够根据我们对不同的market所期待的ROI,为不同的广告设定出价和预算。我们与营销人员紧密合作,将我们的系统与Google Adwords UI这样的广告平台整合在1起。营销人员可以通过UI轻松设置效力目标和预算。
这是我们正在积极展开的领域,包括开发先进的模型和工具来优化Campaign。我们希望终究,我们的投标和预算优化能够实时地适应最细微的流量的变化。
5Ads & Campaign Management 广告活动管理
到目前为止,我们已讨论了1个广告的生命周期。以系统的方式管理广告和宣扬活动也很重要。随着房东活动的范围扩大,我们推出了含有动态内容的广告,可以为每一个市场量身定制信息。
在过去,我们在Airbnb上看到过几个由人为修改引发的出错事故。因而我们开发了创造性的自动化工具为营销人员提供信息。我们希望减少人为失误的几率,使全部进程更加有效。
6Keyword Expansion 关键词扩大
另外一个营销系统要解决的问题是“我们应当买甚么广告?”。通常来讲,关键词和广告是由营销人员基于商业意识、经验、直觉或第3方工具(如Google关键词计划和Google趋势)生成的。
可是,用户总是喜欢搜索新的事物。因此,预测我们应当投标哪些关键词,就连最优秀的营销人员也很难做到。
所以,我们正在开发可以实现以下目的的pipeline:
- 自动发现新的关键词
- 用这些新的关键词展开新的Campaign
- 评估新关键词的质量,自动移除无效关键词
以上全部都非常具有挑战性。1旦这些技术成熟,我们会汇报它们的进展。
7Experimentation Framework 实验框架
除创造出新的想法,丈量新想法是不是真正有效也是非常重要的。甚么是Incrementality Test呢?
1.相对增量:1个实验变量比控制变量多带来了多少房源列表(实验变量包括:bidding model的改变,广告文案,广告创意的变化等等)
2.绝对增量:如果对某个特定的广告渠道,我们不花1分钱,在Airbnb上房源的数量会有多少不同
Airbnb已开发了各种工具和渠道来丈量不同营销渠道的相对增量。我们有1个实验环境和分析工具来进行search, display和mobile ads的A/B testing或多变量测试。我们的工具也能够跟踪revenue,进行广告文案测试,并根据支出和性能数据创建统计数据,帮助指点未来的活动。
我们使用专门针对营销渠道的实验方法来丈量绝对增量,让我们能够衡量广告支出的因果影响。这些实验的输出被用来校订我们的多点归因模型。方法包括利用ghost ads、地理实验和纵向测试。
8Reporting 汇报
各个不同的团队都会用到营销系统所产生的信息:营销人员、产品经理、财务、工程师和数据科学家。重要的是制造出强大且容易理解的仪表板来跟踪不同渠道和活动的性能。
通过查看关键绩效指标(如取得的清单和投资回报率)做出关键的营销决策和商业决策。我们用Airbnb的公然资源Apache Superset来做仪表板,ApacheSuperset提供了1个可以探索和可视化数据的界面,并创建交互式仪表板。
谢谢你在广告之旅中和我们同行。我们希望你在浏览本文后对营销系统有更好的理解。我们的终究目标是建立1个快速、健全且可扩大的营销系统来帮助Airbnb房东数量增长。Airbnb已完全改变了人们的出行乃至生活方式。
随着互联网不断改变着平常生活,网络营销给我们提供了1个机会,让全球愈来愈多的人可使用Airbnb,让他们可以走遍世界任意角落,属于任何地方。
source:https://medium.com/airbnb-engineering/growing-our-host-community-with-online-marketing⑼b2302299324?from=groupmessage&isappinstalled=0
作者:Tao Cui, Ye Wang, and Bassel Namih, Lynn(MarTechCareer:gomarketing)
来源:市场部网。