究竟如何做到？Airbnb數據團隊的第一步，是提取所謂的「關鍵特徵」，在公司演算法發展初期，團隊會先針對房間來源（以下稱房源）的相似性、資料的新舊程度和房源的位置進行分類。相似性的部分比如住房的類型（公寓或城堡）、房間可容納人數、形態（集體宿舍或私人房間）以及既有房客的評論等特徵。
此外，因為房源需求受到季節性因素影響很大，數據團隊因此先將相關性低的資料（例如今年前幾季的數據）排除，僅保留相關性最高的部分；考慮了季節性因素後，最終還有一個令Airbnb頭痛的問題：位置。
50億筆資料試算 為屋主找出最佳推薦價
有別於傳統旅館多成聚落型分布於各城市，Airbnb的房源遍布各處。許多城市的房價分布，除了與市中心的距離有所關聯外，亦與街區特性高度連動；也因此，Airbnb在數據分析初期，動用了許多製圖人員，將各城街區搭配房價，通過地理資訊的分析，如周圍的河流、公路和運輸線，畫出相應的「價格邊界」，再對房源進行分類。
經過逾五十億筆歷史資料分析試算後，一五年六月，Airbnb正式推出「價格提示」（price tips）功能。該功能即以前述分類機制作為基礎，進一步納入更多（數百個）房源參數及市場需求因子，並透過分類機器學習模型的方式，對系統進行訓練。
系統會記錄每一次房主的價格選擇，並將之與系統原先的建議價格比較，一旦有所偏離，即會透過動態演算在下一次調整。此外，團隊在一開始設定估價模型時，會先假設一些參數較為重要，也因此會給予其較高的權重，比如說地理條件比有沒有浴缸重要。然而，透過分析哪些價格提示獲得了成功，系統會回頭修正不同房源參數的權重，同時在必要的情況下添加新參數。
「若談到在近年大數據的發展下，Airbnb對全球做了什麼貢獻，『價格媒合』（matching）這一塊算是一個典範。」柯爾斯表示。而一旦採用公司的建議價格，根據Airbnb的分析，房主租出去的機率提升近四倍。
然而，在實務上，由技術人員藉由大量的數據累積及分析建模後所搭建的資料平台，卻常常會出現業務人員不知道如何使用的情況，亦即他們缺乏將巨量資料轉化為「價值」的能力，「這也是現在許多傳統企業在面對大數據浪潮下的困境。」東吳大學巨量資料管理學院助理教授鄭江宇指出。
▲點擊圖片放大
推公司資料透明共享 員工可調閱全球住宿數據
有別於傳統公司，Airbnb三位創辦人中有兩位是設計出身，公司又是依靠產品起家，對業務開發格外重視，此外，他們亦深刻體認到，Airbnb業務要能快速發展，「資料」必須扮演主力推手的角色。「大數據就是Airbnb的生命之血（lifeblood）。」Airbnb資料科學前總監紐曼（Riley Newman）曾如此比喻。
也因此，在創辦初期，除了在總部的資料科學部門有負責統整資料分析基礎架構的人員外，業務、公共政策等不同的垂直部門，也都會配置專屬的資料科學家，他們因此可針對不同部門需求，預先建立資料模型，或提供專屬的資料服務。目前Airbnb在全球約三千名員工中，資料科學家團隊就超過兩百人，相當於每十五位員工，就有一位資料科學家，充分顯示出Airbnb對數據驅動業務的高度重視。
另一方面，對「資料民主化」精神的堅持，更是Airbnb內部大數據發展成功的一大關鍵。Airbnb的非IT（資訊科技）部門員工，除了可透過各部門的「營運儀表板（Dashboard）」自行調閱公司在各城市的住宿預訂等相關數據，公司亦開發了一款名叫Superset的開放資料平台，使用者可用來執行複雜的運算及跨部門間快速地傳輸資料，並以顯而易懂的視覺化方式來呈現。「其他的我不敢說，但我們在這一塊的技術應用，已經可與臉書及Google並肩了。」柯爾斯自豪地說。
同時，在內部員工的培訓上，Airbnb亦不遺餘力，除了持續在「營運儀表板」等相關工具投入資源改善可用性外，公司內部亦成立了「數據大學」，從最初階的統計學、SQL（用來從資料庫讀取與儲存資料的電腦語言）到高等計量經濟模型、實驗設計及機器學習，提供一系列完整的「數據人才」養成課程。開辦僅一年多，已有接近半數的公司員工至少在該「大學」修習了一門課程。「不過，目前最多員工修習的仍是入門的初級統計學啦！」柯爾斯大笑。
最終，彷彿回應鄭江宇對台灣企業的憂慮般，「這麼多年來，我們已累積了許多資料，現在其實早已不缺數據，缺的是如何讓更多人能更容易地親近及使用數據，並從中產生出有益的洞察。」柯爾斯語帶提醒地表示。
彼得．柯爾斯（Peter Coles）
出生：1976年
現職：Airbnb首席經濟學家暨資料科學團隊主管
經歷：哈佛大學商學院助理教授、eBay全球策略及資料實驗室總監、經濟分析部門主管
學歷：史丹佛大學經濟學博士
