COVID-19 팬데믹은 역사적 패턴을 교란하여 전통적인 모델을 신뢰할 수 없게 만들었기 때문에 예측에 어려움을 안겨주었습니다. 수요 회복은 백신 출시 및 국경 재개방 시기가 다양하여 비동기적이고 지리적으로 불균등했습니다. 각 회복 시장의 현지 데이터를 기다리는 것은 장기간 맹목적으로 예측하는 것을 의미했을 것입니다. Airbnb의 해결책은 시간상으로만 뒤돌아보는 대신 지리적으로 옆을 살펴보는 것이었습니다.그들은 회복이 순차적으로 전개되며 일부 통로가 다른 통로보다 먼저 변화를 경험한다는 것을 관찰했습니다. 주요 신호는 평균 예약 리드 타임이었는데, 이는 혼란 중에 압축되고 회복 중에 길어졌습니다. 유럽과 북미와 같은 지역 간의 이러한 리드 타임 변화 시점을 비교함으로써, 그들은 한 시장이 다른 시장의 경험을 바탕으로 재개방에 어떻게 반응할 가능성이 있는지 추론할 수 있었습니다. 이를 통해 초기 영향을 받은 통로의 사후 확률을 나중에 영향을 받은 통로에 대한 유익한 사전 확률로 사용할 수 있었습니다.이러한 사전 확률 전파 메커니즘은 현지 데이터가 부족한 시장에서도 실시간 학습 및 예측을 가능하게 했습니다. 이 접근 방식은 세분화된 데이터와 계층적 베이지안 모델링 프레임워크를 갖춘 글로벌 입지를 요구했습니다. 이 방법론은 새로운 제품 기능 출시 또는 규제 변경의 영향을 예측하는 것과 같이 위기 외에도 적용 가능합니다. 이를 통해 초기 채택 시장에서 즉시 학습하여 아직 변화를 경험하지 않은 시장에 대한 예측에 정보를 제공할 수 있습니다.