Пандемия COVID-19 представляла собой вызов для прогнозирования, поскольку она нарушила исторические закономерности, сделав традиционные модели ненадежными. Восстановление спроса было асинхронным и неравномерным географически, с различными сроками развертывания вакцин и открытия границ. Ожидание местных данных на каждом восстанавливающемся рынке означало бы прогнозирование вслепую в течение длительных периодов. Решением Airbnb было смотреть в стороны по географическим регионам, а не только назад во времени.Они заметили, что восстановление происходило последовательно, причем одни коридоры испытывали изменения раньше других. Ключевым сигналом было среднее время бронирования, которое сокращалось во время сбоев и увеличивалось во время восстановления. Сравнивая время этих изменений времени бронирования между регионами, такими как Европа и Северная Америка, они могли предположить, как один рынок, вероятно, отреагирует на открытие, основываясь на опыте другого. Это позволило им использовать апостериорное распределение из раннего коридора как информативное априорное распределение для более позднего.Этот механизм распространения априорных данных обеспечил обучение и прогнозирование в реальном времени, даже на рынках с ограниченными местными данными. Подход требовал глобального присутствия с детальными данными и иерархической байесовской модели. Эта методология применима не только в кризисных ситуациях, но и, например, для прогнозирования влияния внедрения новых функций продукта или изменений в законодательстве. Она позволяет немедленно учиться на рынках ранних последователей, чтобы информировать прогнозы для тех, кто еще не столкнулся с изменениями.