Airbnb utilise une segmentation basée sur les données pour comprendre les modèles de disponibilité de ses hôtes. Ce processus implique l'analyse du taux de disponibilité, de la régularité et de la saisonnalité des annonces pour différencier les hôtes ayant des profils similaires. En appliquant un algorithme de regroupement K-means, Airbnb identifie huit clusters distincts d'hôtes en fonction de leurs modèles de disponibilité. Ces clusters comprennent « Toujours disponible », « Saison court », « Motivé par les événements » et d'autres, chacun ayant des caractéristiques et des préférences uniques. L'entreprise valide ces segments par des tests A/B, les corrèle avec des attributs connus et mène des recherches UX pour s'assurer qu'ils correspondent au comportement du monde réel. Ce modèle de segmentation est ensuite mis à l'échelle pour toutes les annonces en utilisant un algorithme d'arbre de décision et intégré dans l'entrepôt de données pour être utilisé par diverses équipes. Cette approche aide Airbnb à développer des stratégies, des produits et des messages ciblés pour mieux soutenir ses hôtes et améliorer l'expérience utilisateur globale.