Кому на самом деле принадлежат Airbnbs, которые вы бронируете? – Маркетинговое восприятие и реальность анализа данных

Автор: Дмитрий Иванов [Команда P9X]

~8 минут чтения

Что Airbnb хочет, чтобы вы думали

В этой статье я буду использовать данные из InsideAirbnb, чтобы выявить закономерности владения Airbnb. Затем я покажу вам, как я пришёл к своим выводам, чтобы вы могли сделать то же самое для своего города.

Inside Airbnb — это проект, основанный на миссии, который предоставляет данные и аргументы о влиянии Airbnb на жилые сообщества. Все данные лицензированы в соответствии с Creative Commons Attribution 4.0 International License.

Что вы, возможно, видели

Вы наверняка видели рекламу Airbnb с улыбающимися хозяевами, приветствующими гостей в ярких туристических районах. Если вы не видели, посмотрите эту.

Я лично пользуюсь Airbnb более 5 лет, и хотя я останавливался в очень необычных и аутентичных местах (моё любимое — пастушья хижина с лошадью у двери), недавно я понял, что мой недавний опыт не соответствует ожиданиям маркетинга Airbnb.

На прошлой неделе я останавливался в Airbnb на выходные. Я устроил небольшую охоту за сокровищами, открывая множество замков, чтобы найти ключи. И я открыл безупречную квартиру, которая выглядела точно так же, как на фотографиях. Но я был удивлён, не увидев ни книг, ни свечей. Квартира была совершенно пустой, как будто там никогда никто не жил. На следующий день я не встретил соседей. Я не получил никаких рекомендаций от хозяина. И в последний день, уходя, оставив ключи внутри, никто не помахал мне на прощание. Я подумал: «Неужели я остановился в отеле? Вот во что превратился Airbnb?»

Что Airbnb хочет, чтобы вы думали

Акцент Airbnb на том, чтобы прочувствовать жизнь местного жителя, или, как они это называют: «ощущение подлинной принадлежности», отражён во многих их рекламных кампаниях:

Живи там, потому что, когда ты живёшь в Париже, у тебя есть свой дом.

Эта прекрасно оформленная реклама прекрасно иллюстрирует ценностное предложение Airbnb: живи как местный и избавься от бессмысленного, стандартизированного бронирования в отеле.

Неудивительно, что часть меня почувствовала себя обманутой во время моей последней поездки. Я упустил весь опыт Airbnb. Это побудило меня изучить данные о листингах Airbnb, чтобы ответить на вопросы, которые крутились у меня в голове:

  • Стал ли наш опыт Airbnb стандартным и оптимизированным для получения максимальной прибыли?
  • Исчезла ли суть сообщества Airbnb?

Реальность

Владение несколькими объектами недвижимости знаменует поворотный момент в том, действительно ли мы, гости, ощущаем «опыт Airbnb».

Почему?

Потому что, бронируя жильё у «инвестора в недвижимость» или хозяина с большим портфелем объявлений, мы, скорее всего, остановимся в отеле, который купил квартиры по всему городу, чтобы сдавать их в аренду. В этом случае мотивацией нашего хозяина будет в первую очередь финансовая. Наше пребывание будет оптимизировано для получения прибыли, а не для личного, местного прикосновения, которое Airbnb обещал через свой маркетинг. По сути, единственное реальное отличие от пребывания в отеле — это доступ к кухне.

Чтобы проанализировать разные уровни владения несколькими объектами недвижимости, я классифицировал хозяев с 1–2 объявлениями как вероятных частных лиц, а тех, у кого более 3 объявлений, — как профессионалов.

Чтобы доказать, что опыт Airbnb может быть просто восприятием, я получил наборы данных из 15 городов Европы и выполнил анализ данных, чтобы зафиксировать распространённость профессиональных хозяев по сравнению с индивидуальными хозяевами (все подробности и код в следующем разделе).

Каждый из столбцов соответствует другому городу, и визуализация разделена на две части: слева (зелёные цвета) — процент объявлений, принадлежащих частным лицам, и справа (яркие цвета) — процент объявлений, принадлежащих профессиональным хозяевам. Количество объектов на хозяина было классифицировано как 1, 2, +2, +5, +10 и +100.

В некоторых городах, которые я выбрал, действуют строгие правила проживания, ограничивающие максимальное количество дней в году, которые можно сдавать в аренду (Флоренция, Лондон, Эдинбург, Рим, Париж, Копенгаген и Амстердам).

Что мы видим на графике:

  • Большинство Airbnb в моём анализе принадлежат профессионалам.
  • В Барселоне самая высокая доля профессионального владения — 74%, по сравнению с 26% для частных лиц.
  • В Амстердаме самая низкая доля профессионального владения — всего 5%, а 95% объявлений принадлежат частным лицам, вероятно, из-за строгих государственных правил, ограничивающих аренду максимум до 30 дней в год.
  • Города со слабыми правилами Airbnb позволяют профессиональным хозяевам доминировать на рынке.
  • Города со строгими правилами Airbnb склонны вытеснять профессиональных хозяев Airbnb с рынка.
  • Похоже, что не существует установленного ограничения на максимальное количество объявлений на хозяина.

Согласно Airbnb, наш опыт с ними должен быть аутентичным. Однако, взглянув на данные, мы обнаружили, что 3 из 5 объявлений — это квартиры, похожие на отели, принадлежащие инвесторам в недвижимость (кроме случаев, когда аренда регулируется).

Этот разрыв между восприятием маркетинга и реальностью подчёркивает не только влияние брендинга на наши взгляды, но и важность таких инициатив, как InsideAirbnb.

Как повторить моё исследование для вашего города?

Я написал руководство о том, как выполнить этот анализ данных и создать график в предыдущем разделе. Я использую набор данных из города Барселона, чтобы проиллюстрировать различные этапы анализа данных.

После загрузки файлов listings.csv.gz из InsideAirbnb я открыл их в Python без распаковки. Я использую Polars для этого проекта, чтобы ознакомиться с командами (вы можете использовать Pandas, если хотите):

import polars as pl
df=pl.read_csv('listings.csv.gz')

Если вы хотите, вы можете использовать функцию, которая выполняет всю очистку и обработку одновременно:

import polars as pl

def airbnb_per_host(file,ptype,neighbourhood):
    df=pl.read_csv(file)
    if neighbourhood:
        df=df.filter((pl.col('property_type')==ptype)&(pl.col('neighbourhood_group_cleansed')==neighbourhood)&(pl.col('has_availability')=="t"))
    else:
        df=df.filter((pl.col('property_type')==ptype)&(pl.col('has_availability')=="t"))

    host_count=df['host_id'].value_counts().sort('count')
    breaks=[1,2,5,10,100] 
    labels=['1','2','+2','+5','+10','+100']
    host_count = host_count.with_columns(
    pl.col("count").cut(breaks=breaks, labels=labels, left_closed=False).alias("binned_counts"))

    df=df.join(host_count,on='host_id',how='left')

    graph_data=df['binned_counts'].value_counts().sort('binned_counts')
    total_sum=graph_data['count'].sum()
    graph_data=graph_data.with_columns(((pl.col('count')/total_sum)*100).alias('percentage'))

    return graph_data

И затем запустить его для каждого города в вашей папке:

import os
import glob

df_combined = pl.DataFrame({
    "binned_counts": pl.Series(dtype=pl.Categorical),
    "count": pl.Series(dtype=pl.UInt32),
    "percentage": pl.Series(dtype=pl.Float64),
    "city":pl.Series(dtype=pl.String)
})

city_files =glob.glob("*.csv.gz")

for file in city_files:
    file_name=os.path.basename(file)
    city=file_name.split('_')[0]
    print('Scanning started for --->',city)

    data=airbnb_per_host(file,'Entire rental unit',None)

    data=data.with_columns(pl.lit(city.capitalize()).alias("city"))

    df_combined = pl.concat([df_combined, data], how="vertical")

print('Finished scanning of ' +str(len(city_files)) +' cities')

Проверьте мой репозиторий на GitHub, чтобы узнать, как построить этот график, поскольку он слишком длинный, чтобы прикреплять его здесь:

GitHub — gopean-art/Airbnb-analysis: airbnb article

И это всё!

Дайте мне знать ваши мысли в комментариях, а тем временем я желаю вам очень полноценного и аутентичного опыта Airbnb в вашем следующем пребывании 😉