Como funciona o departamento de Data Science do Airbnb?

Pesquisador mergulhou por três meses na área de Data Science da empresa e relata como trabalham os cientistas de dados, o perfil desses profissionais, e conta lições sobre gestão do conhecimento e métricas

Gabriel Siqueira é um aluno de mestrado do programa de Ciência da Computação da Universidade da Califórnia. Ele mergulhou por três meses no departamento de Data Science do serviço de hospedagem Airbnb. A experiência revela o funcionamento dessa área da empresa e provê insights interessantes para quem quer usar dados para gerir negócios.

Segundo o pesquisador, os dados são vistos como a voz dos usuários do Airbnb. Os cientistas de dados, por sua vez, têm o papel de traduzir essa voz para que ela seja entendida por todos na companhia. Além de ter essa visão consciente sobre os dados, a empresa incentiva os funcionários a se dedicarem a problemas pelos quais tenham entusiasmo. Para tanto, os profissionais de Data Science podem optar por três linhas de trabalho: Analytics, Inferência e Algoritmos.

A linha de Analytics usa dados para contar uma história. Questões de negócios são respondidas por meio de métricas, dashboards e análises criativas. Na linha de Inferência, profissionais versados em estatística ajudam o Airbnb a medir e interpretar o impacto de mudanças e, assim, melhorar a tomada de decisões. Por fim, a linha de Algoritmos é focada em Machine Learning. Nela, os vastos dados da empresa são usados para desenvolver novas abordagens para problemas desafiadores.

Essas linhas de trabalho permitem com que os cientistas de dados confrontem problemas segundo suas habilidades e interesses, porém, não são limitadoras. Projetos podem ser realizados em todas as três áreas, de acordo com as necessidades de equipe e as aspirações de crescimento.

Como a Data Science é inserida no dia a dia do Airbnb?

Os cientistas de dados ficam incorporados dentro das equipes. Há duas grandes equipes que contam com esses profissionais: negócios e plataforma. As unidades de negócios são dedicadas, por exemplo, a melhorar a habilidade de um anfitrião em fornecer um serviço com excelência, garantir aos viajantes integrações adequadas para acompanhamento de despesas, e garantir a qualidade de todas as experiências disponíveis.

Já os times de plataforma são a espinha dorsal dos produtos e serviços do Airbnb. Eles podem ser responsáveis por fornecer APIs para o processamento de pagamentos, manter a comunidade Airbnb segura ou construir a infraestrutura de dados que alimenta as ferramentas de análise.

Ambas as equipes, negócios e plataforma, abrigam cientistas de dados. Segundo Gabriel Siqueira, essa distribuição organizacional contribui para que o profissional identifique mais fortemente as necessidades e desafios de cada grupo. As equipes de Data Science trabalham em estreita colaboração com profissionais das áreas de Engenharia, Design, Operações, Pesquisa, entre outras. Desta maneira, os cientistas de dados são capazes de compreender melhor as operações – de negócios e de equipe – que buscam otimizar. Isso também funciona como estímulo para que dados sejam envolvidos na maioria das decisões.

Quem são os profissionais de Data Science?

De acordo com Siqueira, as principais competências de um cientista de dados incluem familiaridade com dados e experimentos, capacidade de comunicar descobertas a audiências de diferentes níveis técnicos, atenção para detalhes e qualidade de dados, um sólido entendimento de estatística e um desejo de construir soluções escaláveis. Entretanto, no Airbnb, essas qualidades são encontradas em profissionais de formações variadas. Entre elas, Ciência da Computação, Engenharia, Estatística, Economia, Ciências Sociais, Física, entre outras.

A opinião do pesquisador é que a diversidade de formações e experiências é uma das maiores forças da Data Science no Airbnb. Há especialistas da Ciência da Computação construindo algoritmos complexos de aprendizagem, economistas estudando como maximizar o impacto positivo nas comunidades envolvidas com o Airbnb, estatísticos avaliando o impacto comercial de cada mudança de produto e muito mais. No final do dia, todos são identificados como cientistas de dados.

Gestão do conhecimento

As análises e recomendações realizadas por Siqueira durante seu período no Airbnb foram compartilhadas com a equipe – principalmente gerentes de engenharia e gerentes de produto – e estão sendo usadas. Mas o que chama a atenção é que a maioria dos projetos das equipes de Data Science fica documentada no Knowledge Repository (“repositório do conhecimento”). Ele é uma ferramenta de código aberto, que facilita a documentação, descoberta e reprodução de análises.

Qualquer funcionário que investigar um problema e precisar de dados específicos pode pesquisar no Knowledge Repository e encontrar todo o trabalho que já foi realizado sobre o assunto pelas equipes de Data Science. Para saber mais sobre essa gestão do conhecimento no Airbnb, confira este artigo.

O que são boas métricas?

Em um dos projetos nos quais esteve envolvido, Siqueira tinha a tarefa de definir uma medida de satisfação do cliente que seria acompanhada pelos próximos anos. Após testar diferentes métricas e consultar outros cientistas de dados da empresa, ele concebeu uma série de considerações sobre a definição de uma boa métrica. Elas são:

• Uma boa métrica deve ser estável. Se ela tiver um comportamento altamente imprevisível – subir e despencar por nenhum motivo aparente –, sua aplicabilidade prática será limitada. A equipe não saberá o que fazer com ela e como usá-la para avançar o trabalho.

• Uma boa métrica deve ser fácil de entender e medir. Com medidas complexas, é fácil perder de vista o que está sendo medido de fato. Uma das perguntas que Siqueira se fez frequentemente no Airbnb é: “qual é uma boa medida para isso?”. Métricas simples garantem que o objetivo esteja sempre à vista e que se saiba o tempo todo o quão bem se está indo.

• Uma boa métrica deve se alinhar aos objetivos de negócios e inspirar a equipe. Tal como no ponto anterior, uma métrica que tenha significado claro tem uma chance maior de entrar em ressonância com a equipe. Além disso, não deve medir qualquer coisa, mas os fatores que são de última importância para a equipe e para o negócio.

• Uma boa métrica deve ser acionável e influenciável pela equipe. Quando uma métrica tem múltiplos elementos que a equipe não pode influenciar, ela pode ser facilmente descartada. Afinal, por que rastrear algo que não reflete realmente o trabalho realizado? Da mesma forma, mudanças na métrica devem ser fáceis de diagnosticar e facilmente acionáveis.

• Uma boa métrica deve ser comparável. Assim, ela pode ser usada como referência e pode informar o andamento do trabalho em relação ao ambiente onde está inserida.

A experiência de Gabriel Siqueira apresenta informações preciosas sobre a estrutura da área de Data Science do Airbnb, os diferentes perfis dos profissionais, a preocupação com gestão do conhecimento e com definição de métricas. Todos esses elementos ensinam bastante sobre como realizar um trabalho com excelência no âmbito da Data Science aplicada aos negócios.