과거 데이터가 부족할 때, 지리적 데이터에서 답을 찾다: 에어비앤비의 시계열 예측 전략
Summary
"과거가 침묵할 때 옆 동네를 보라" 에어비앤비가 데이터 공백을 메우는 기막힌 방법
베이지안 계층 모델로 구현한 '지리적 타임머신': 전 세계 10만 개 경로의 수요를 예측하는 기술적 해법
데이터가 없는 상황에서 어떻게 미래를 예측할 수 있을까요? 에어비앤비는 전 세계가 서로 다른 속도로 회복된다는 점에 착안하여, 먼저 회복된 시장의 데이터를 다음 시장의 예측 모델에 '전파'하는 혁신적인 시스템을 구축했습니다. 이를 통해 역사적 데이터가 무용지물이 된 상황에서도 지리적 다양성을 활용해 신뢰도 높은 시계열 예측을 수행할 수 있었습니다.
- 01지역 간 회복 시차를 활용한 '지리적 타임머신(Geography as a time machine)' 개념 도입
- 02베이지안 계층 모델을 통한 실시간 지식 전파(Prior Propagation) 메커니즘 구현
- 03예약 리드 타임(Lead Time)을 핵심 회복 신호로 식별하여 지역별 시차 측정
- 04신규 기능 출시나 규제 변화 등 비즈니스 시나리오 전반으로의 확장 가능성 입증
RECOMMENDATION
급격한 시장 변화나 데이터 콜드 스타트 문제를 겪고 있는 데이터 사이언티스트와 분석가들에게 베이지안 전파 모델 도입을 강력히 추천합니다.
The Problem
코로나19와 같은 전례 없는 충격으로 인해 과거 데이터를 기반으로 하는 전통적인 시계열 예측 모델이 작동하지 않았으며, 각 시장이 자체적인 데이터를 충분히 쌓을 때까지 예측 공백이 발생하는 문제가 있었습니다.
The Solution
지리적 회복 단계의 시차를 활용하여, 먼저 회복된 지역(Corridor)의 사후 분포(Posterior)를 아직 데이터가 부족한 지역의 사전 분포(Prior)로 전파하는 계층적 베이지안 모델(Hierarchical Bayesian Model) 아키텍처를 도입했습니다.
The Result
지역 데이터가 부족한 상황에서도 신뢰할 수 있는 수요 예측치를 조기에 확보할 수 있었으며, 이는 재무팀이 변동성이 큰 시장 상황에 신속하게 대응하는 핵심 지표로 활용되었습니다.
Trade-off
이 모델은 에어비앤비와 같이 방대한 글로벌 데이터 구조와 일관된 데이터 포맷을 갖춘 환경에서만 최적의 효율을 내며, 초기 단계에서는 지역 간 유사성을 판단하기 위한 수동적인 분석 과정이 수반되었습니다.
Key Concepts
More from Airbnb
View all posts from Airbnb몇 주에서 단 하루로: LLM 평가를 빠르게 반복 가능하도록 개선한 방법
LLM EvaluationLoRACaching3일 전하나를 넘어 확장하기: 에어비앤비가 멀티 프로덕트 세상을 위해 데이터 아키텍처를 진화시킨 방법
Data ModelingData WarehouseScalability1개월 전Sitar-agent: 대규모 환경에서 안정적인 동적 구성 사이드카 구축하기
KubernetesSidecarSQLite1개월 전통합 지식 그래프 인프라를 활용한 에어비앤비 ID 그래프 확장
JanusGraphDynamoDBGraph Database1개월 전Viaduct 1.0과 에어비앤비 데이터 메시의 미래
GraphQLData MeshMicroservices2개월 전