中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

Airbnb的數(shù)據(jù)科學(xué)家收集數(shù)據(jù)并使用這些數(shù)據(jù)來優(yōu)化產(chǎn)品，通過數(shù)據(jù)找出問題所在，并且通過數(shù)據(jù)協(xié)助做出業(yè)務(wù)決策。對于大多數(shù)用戶，“Airbnb體驗(yàn)”最典型的瞬間就發(fā)生在現(xiàn)實(shí)世界——當(dāng)他們根據(jù)自己計(jì)劃去旅行時(shí)，當(dāng)酒店主人跟他們打招呼時(shí)，當(dāng)他們住在酒店時(shí)，當(dāng)他們探索目的地時(shí)。這些瞬間決定了Airbnb體驗(yàn)的成敗，不管我們的網(wǎng)站做得多大。這篇文章的目的是展示我們?nèi)绾卫脭?shù)據(jù)去理解用戶旅行體驗(yàn)的質(zhì)量，特別是如何增加“凈推薦值NPS”的價(jià)值。

目前，我們能收集到與線下體驗(yàn)的最好的相關(guān)信息是在旅客結(jié)束行程后通過Airbnb.com網(wǎng)站上的用戶反饋進(jìn)行相關(guān)信息反饋。這個(gè)反饋是可選的，要求對總體體驗(yàn)使用文本反饋并進(jìn)行1-5的評價(jià)分?jǐn)?shù)打分，除了總體體驗(yàn)還有其他子分類項(xiàng)目，例如準(zhǔn)確性(Accuracy)、整潔度(Cleanliness)、入住(Checkin)、溝通(Communication)、地點(diǎn)(Location)和價(jià)值(Value)。從2013年年底開始，我們增加了一個(gè)問題到我們的反饋表中，這就是NPS問題。

NPS或者稱“凈推薦值”是在2003年由Fred Reicheld引入到客戶忠誠度并得到廣泛的使用，相關(guān)可以參考
[https://hbr.org/2003/12/the-one-number-you-need-to-grow/ar/1] 。我們問用戶“你有多大可能向你的朋友推薦Airbnb？”，這就是所謂的“可能性推薦”或LTR問題。那些對此可能性問題回答9或10的用戶被標(biāo)記為“推薦者”或忠誠的熱心者，那些只打了0-6分的用戶則被標(biāo)記為“批評者”或不滿意的用戶，那些打了7或8分的用戶則被認(rèn)為是“被動(dòng)的”，他們喜歡公司的產(chǎn)品或服務(wù)，但不會(huì)向朋友推薦。。我們公司的NPS（凈推薦值）是通過“推薦者”百分比減去“批評者”百分比去計(jì)算的，結(jié)果值是一個(gè)-100到+100的一個(gè)數(shù)字，-100是最糟糕的情況，即所有的打分的都是批評者，+100則是最好的情況，即所有的打分者都是推薦者。

通過用戶一個(gè)簡單的住宿滿意度去衡量一個(gè)用戶的忠誠度，NPS調(diào)查的目標(biāo)是成為一個(gè)更有效率的方法論去確定顧客再次回來預(yù)訂的可能性、向朋友傳播推薦的可能性，并防止市場壓力使用戶流失到競爭對手中。在這篇博客中，我們期待我們的數(shù)據(jù)去找出事實(shí)是否真的如此。我們發(fā)現(xiàn)較高的NPS確實(shí)普遍對應(yīng)著更多的推薦人和重新預(yù)訂。

方法論

我們將參考單獨(dú)個(gè)體對于NPS問題作答作為他們LTR（推薦可能性）分?jǐn)?shù)的打分，NPS的分?jǐn)?shù)范圍是-100到+100，LTR是一個(gè)范圍從0到10的整數(shù)。在這項(xiàng)研究中，我們看看所有在2014年1月15日和2014年4月1日之間結(jié)束他們旅程的客戶，如果一個(gè)顧客在此段時(shí)間進(jìn)行了超過一次的旅程，僅僅以第一次旅程作為參考，然后我們嘗試預(yù)測客戶是否會(huì)在Airbnb進(jìn)行下一次的預(yù)定，而這下一次的時(shí)間范圍是從顧客結(jié)束了他的此次旅程后到未來一年的時(shí)間內(nèi)。

有一點(diǎn)需要注意的是，再一次旅程結(jié)束后的反饋是可選擇而非必須的，而且反饋表也是由不同的部分構(gòu)成的。有一小部分用戶并不會(huì)填寫反饋表或者選擇性地填寫了反饋表并不回答NPS問題，而NPS通常只能根據(jù)反饋者去做計(jì)算。在這個(gè)分析中，我們將沒有填寫反饋表的用戶或者填了反饋表但沒有填NPS問題的用戶等因素考慮進(jìn)去。

為了評估LTR的預(yù)測能力，我們控制與重新預(yù)定相關(guān)的其他參數(shù)，這些參數(shù)包括：

1. 關(guān)于總體反饋得分和反饋表中子類項(xiàng)的選項(xiàng)，所有反饋項(xiàng)目都分為1-5個(gè)等級。
2. 顧客獲取渠道（例如自然加入的顧客或同個(gè)營銷活動(dòng)引入的顧客）。
3. 旅程目的地（例如美國、歐洲、亞洲等）。
4. 顧客來源地。
5. 之前有在Airbnb預(yù)定的顧客。
6. 旅程距離遠(yuǎn)近程度。
7. 顧客數(shù)量。
8. 每晚價(jià)格。
9. 結(jié)賬的月份（考慮季節(jié)性）。
10. 房間類型（整個(gè)家庭、包房、公用客房等）。
11. 顧客主人擁有其他物品的數(shù)量。

我們承認(rèn)我們的方法可能會(huì)有以下缺陷：

• 可能還存在其他形式的與忠誠度相關(guān)的因素沒有被獲取到，我們是根據(jù)公司推薦計(jì)劃提出來的提議參考的，用戶忠誠度也能從口碑推薦中體現(xiàn)出來，但此研究并沒有獲取到此項(xiàng)。
• 可能有一些顧客重新預(yù)定的時(shí)間跨度比較長，我們比較關(guān)注一年時(shí)間跨度，但有些顧客可能不經(jīng)常去旅行，那他們可能在兩到三年才會(huì)重新預(yù)定。
• ?一個(gè)顧客的LTR可能不能夠作為NPS結(jié)果的直接替代品，但即使基于顧客的LTR可能無法準(zhǔn)確預(yù)測顧客重新預(yù)定的可能性，但我們使用NPS去預(yù)測一個(gè)完整的群體重新預(yù)定的可能性，這將會(huì)使我們更好地經(jīng)營。

盡管存在這些不足，我們希望這項(xiàng)研究可以提供一種量化的方式去思考NPS的價(jià)值，它能讓我們更好地理解線下的體驗(yàn)。

數(shù)據(jù)的統(tǒng)計(jì)描述

我們的數(shù)據(jù)覆蓋了超過600000的顧客，我們的數(shù)據(jù)顯示，提交了反饋表的顧客中，三分之二的顧客是NPS的推薦者，超過一半顧客給LTR打了10分，我們數(shù)據(jù)集里面的600000用戶中只有百分之二是批評者。

旅程反饋表的總體評價(jià)分?jǐn)?shù)旨在評估此次行程的質(zhì)量，而NPS問題則有助于評估顧客的忠誠度。我們通過查看LTR分?jǐn)?shù)的分布式與旅程反饋表總體分?jǐn)?shù)之間的關(guān)系，進(jìn)而來看看這兩個(gè)變量如何互相關(guān)聯(lián)。雖然LTR與反饋表總體得分是相關(guān)的，但它們還是提供了一定差異信息。例如，經(jīng)歷了一個(gè)令人失望的體驗(yàn)后的那些一小部分顧客中，它們反饋表只給了一星評價(jià)，但這里面26%的顧客其實(shí)是Airbnb的推薦者，這表明他們?nèi)匀粚境址e極態(tài)度。

記住，我們的旅客中NPS批評者只有非常小的一部分，而LTR與反饋總體分?jǐn)?shù)有很大的關(guān)聯(lián)性，我們研究如何將LTR與重新預(yù)定率和推薦率關(guān)聯(lián)起來。

當(dāng)一個(gè)顧客在結(jié)束完旅程的12個(gè)月內(nèi)通過我們的推薦系統(tǒng)向至少一個(gè)朋友作推薦時(shí)，我們認(rèn)為這些顧客是推薦者。我們看到填寫了NPS問題的那些顧客，更高的LTR對應(yīng)著更高的重新預(yù)訂率和更高的推薦率。

如果不考慮其他變量，比起批評者（0-6分）的顧客，那些給LTR打了10分的顧客高出13%的可能會(huì)重新預(yù)訂，且高出4%的可能會(huì)在未來12個(gè)月推薦給好友。有趣的是，我們注意到反饋者中重新預(yù)訂率幾乎與LTR呈線性關(guān)系（我們沒有足夠的數(shù)據(jù)去區(qū)分0-6分的反饋者）。這些結(jié)果表明，對于Airbnb，反饋打9分和10分的人作為推薦者。我們還注意到，沒有留下反饋評論的顧客行為與批評者一樣，事實(shí)上，比起LTR0-6分的顧客，他們稍微更加不太可能重新預(yù)定和推薦給好友。然而，提交了反饋表單但沒有回答NPS問題的顧客（被標(biāo)記為“no_nps”）的行為與推薦者的行為相似，這些結(jié)果表明，當(dāng)我們做NPS測定時(shí)，保持反饋率也同樣重要。

接下來，我們看看其他因素是如何影響重新預(yù)定率的。例如，我們通過10周數(shù)據(jù)發(fā)現(xiàn)重新預(yù)訂率是季節(jié)性的，這可能是因?yàn)榈韭每屯侵艺\的顧客和經(jīng)常旅行的人。

我們看到短途旅行的顧客更有可能重新預(yù)定，這可能是因?yàn)橛行╊櫩褪褂肁irbnb進(jìn)行了一個(gè)長期住宿，而他們不太可能會(huì)在明年又進(jìn)行另外一個(gè)長期住宿。

我們還看到，重新預(yù)訂率與每晚價(jià)格列表有拋物線關(guān)系，住在非常昂貴的酒店的顧客不太可能會(huì)重新預(yù)定，但住在非常便宜的房源的客人也不太可能會(huì)重新預(yù)定。

哪些反饋表項(xiàng)目最能預(yù)測重新預(yù)定？

除了整體星級評分和LTR得分外，顧客可以選擇性地回答他們反饋表中其他子項(xiàng)目，所有項(xiàng)目都分為1-5星級：

• 準(zhǔn)確性
• 清潔度
• 入住
• 溝通
• 地點(diǎn)
• 價(jià)值

在此部分中，我們將研究根據(jù)反饋率去預(yù)測顧客是否會(huì)在此次旅程結(jié)束后的未來12個(gè)月內(nèi)進(jìn)行另外一個(gè)旅程。同樣我們還將研究哪個(gè)子項(xiàng)目選項(xiàng)最能預(yù)計(jì)重新預(yù)定。

為了做到這些，我們比較了一系列的嵌套邏輯回歸模型，我們從一個(gè)基礎(chǔ)模型開始，而基礎(chǔ)模型僅僅包含我們在前面部分提到的一些非反饋表的特征做為變量：

然后，我們往這個(gè)基礎(chǔ)模型中添加一些列反饋表的項(xiàng)目：

• f1 = f0 + communication
• f2 = f0 + cleanliness
• f3 = f0 + checkin
• f4 = f0 + accuracy
• f5 = f0 + value
• f6 = f0 + location
• f7 = f0 + overall_score
• f8 = f0 + ltr_score

我們通過AIC準(zhǔn)則比較匹配度的方法分別將模型“f1”到“f8”與嵌套模型“f0”進(jìn)行對比，看哪個(gè)模型的質(zhì)量比較高，AIC準(zhǔn)則在模型擬合度和參數(shù)數(shù)量之間進(jìn)行權(quán)衡，參數(shù)越多可能會(huì)抑制模型擬合度。

如果我們僅僅引入一個(gè)反饋表項(xiàng)目，LTR和總體得分吻合度排名并列第一，添加任何一個(gè)子項(xiàng)目也能提升模型吻合度，但仍然比不上LTR或總體得分兩項(xiàng)。

接下來，我們通過引入LTR調(diào)整我們的基礎(chǔ)模型，不斷重復(fù)執(zhí)行這個(gè)過程看我們可以再往模型中添加反饋表的哪一項(xiàng)。

通過引入LTR，下一個(gè)能提升我們模型的子項(xiàng)目是反饋表的總得分，添加第二個(gè)反饋表項(xiàng)目到模型后僅僅稍微提高了模型的擬合度（注意區(qū)別兩個(gè)曲線的標(biāo)度）。

我們不斷重復(fù)上面操作，不斷將反饋表的的某些項(xiàng)目添加到模型，直到模型統(tǒng)計(jì)到不再有顯著變化，我們留下了以下一組反饋表項(xiàng)目：

1. LTR
2. 總體得分
3. 六個(gè)子項(xiàng)目中任意其中三項(xiàng)

這些研究結(jié)果表明，由于反饋表項(xiàng)目彼此有很強(qiáng)的相關(guān)，一旦我們有了LTR和總體得分兩項(xiàng)后，我們僅僅只需要六個(gè)子項(xiàng)目中的其中三項(xiàng)來優(yōu)化我們的模型，加入更多的其余子項(xiàng)目將增加更多的自由度，而不能顯著改善模型預(yù)測的準(zhǔn)確性。

最后，我們測試了我們模型預(yù)測的準(zhǔn)確度：

僅僅使用旅客結(jié)束行程后的LTR，我們可以預(yù)測他們是否會(huì)在未來12個(gè)月內(nèi)進(jìn)行重新預(yù)定，準(zhǔn)確率達(dá)到56%。如果提供旅客的基本信息給我們，例如主人信息和行程信息，我們可以將預(yù)測的準(zhǔn)確率提升到63.5%。如果添加反饋表項(xiàng)目（不包括LTR），我們可以做到額外0.1%的提升。提供所有這些信息，包括將LTR加入到模型中準(zhǔn)確率僅僅只會(huì)再提升0.002%。

結(jié)論

旅程反饋表（包括LTR）僅微略提高我們預(yù)測旅客結(jié)賬后的12個(gè)月內(nèi)旅客是否還會(huì)再次預(yù)定的能力，在控制了行程和旅客特征等變量后，反饋表星級評級僅僅提升了我們預(yù)測準(zhǔn)確性的0.1%。在所有反饋表子項(xiàng)目中，LTR對于預(yù)測重新預(yù)定最有幫助，但如果我們控制了其他項(xiàng)目變量后，它僅僅提升了0.002%準(zhǔn)確性。這是因?yàn)長TR和反饋表總體得分是高度相關(guān)的。

反饋表的目的不僅僅在于預(yù)測重復(fù)預(yù)定，它們使平臺(tái)更加讓人信任，有利于企業(yè)建立自己的聲譽(yù)，提高企業(yè)執(zhí)行質(zhì)量。我們發(fā)現(xiàn)LTR分?jǐn)?shù)更高的旅客更有可能通過我們的推薦系統(tǒng)向其他人推薦Airbnb，他們更可能通過自己好的口碑推薦給別人，批評者實(shí)際上會(huì)貶低Airbnb以阻止其他人加入Airbnb平臺(tái)。這里沒有探討將NPS附加關(guān)聯(lián)到業(yè)務(wù)行為的可能性。但考慮到批評者數(shù)量非常少且只是用LTR進(jìn)行預(yù)測重新預(yù)定，我們應(yīng)該謹(jǐn)慎讓旅客的NPS擁有過多的權(quán)重。

原文：How well does NPS predict rebooking?

譯文由杰微刊兼職譯者汪健翻譯