Прогностические модели Airbnb, имеющие решающее значение для финансового планирования, столкнулись с серьезными нарушениями во время пандемии COVID-19. Основная проблема заключалась в том, что исторически стабильная взаимосвязь между бронированиями и датами поездок стала крайне нестабильной. Чтобы решить эту проблему, Airbnb разделила свое прогнозирование на два компонента: общий объем бронирований и структуру времени ожидания. Они разработали модели B-DARMA, специально предназначенные для обработки изменяющихся пропорций, связанных со временем ожидания бронирования. Удивительно, но даже после восстановления общего объема бронирований структура времени ожидания демонстрировала устойчивые изменения, не возвращаясь к допандемическим показателям. Airbnb использовала метрику расхождения распределений для мониторинга и количественной оценки этих долгосрочных изменений, которая стала жизненно важным инструментом для диагностики состояния модели. Эти устойчивые изменения напрямую повлияли на прогнозирование доходов, движение денежных средств и операционные решения, подчеркнув важность точного моделирования распределений. Чтобы улучшить прогнозирование, они разработали возможность учиться на структурных разрывах, позволяя моделям адаптироваться к изменениям. Разделив и проанализировав эти компоненты, Airbnb создала более устойчивые модели прогнозирования, способные обнаруживать и адаптироваться к структурным сдвигам.