在过去的几年里，Airbnb 爱彼迎的工程团队从单体 Ruby on Rails 架构转变成为了 SOA 面向服务的架构。在我们的 Rails 架构中，每个资源（resource）都有一个单独的 API 来访问底层数据， 这些 API 都有授权检查来保护敏感数据。当时由于访问资源数据的方式单一，因此管理这些授权检查很容易。在向 SOA 过渡的过程中，我们转向了分层架构，其中有封装数据库的数据服务（data services），也有从多个数据服务提取的展示层服务（presentation services）。将权限检查从单体转移到 SOA 的最初方法是将这些检查转移到展示层服务。

Part-III: Building a coherent consumption experience.

Since no one tool was meeting our needs, we decided to build a data protection platform to enable and empower Airbnb to protect data in compliance with global regulations and security requirements. However, in order to protect the data, we first needed to understand it and its associated security and privacy risks.

净推荐值（Net Promoter Score，以下简称 NPS）是 ToC 企业中应用得最广泛的用户满意度衡量指标。通过分析“客户是否愿意向朋友推荐我们的产品”，我们可以检测到用户对企业的认同度与未来的留存率。在爱彼迎，我们同样长期关注这一指标，用以衡量我们为房东、房客社区提供的客户服务品质。

然而在产品快速迭代的今天，传统的 NPS 指标也显现出自身的一些不足。由于 NPS 分数依赖于用户对问卷的反馈，它会不可避免地引入选择性偏差、数据延迟、低覆盖率等问题。这也导致我们几乎无法在短期的 A/B Testing 中使用 NPS 来衡量用户服务端产品的迭代效果。

为了解决这一问题，爱彼迎开发了基于 AI 模型的情绪识别方法，通过分析用户与客服团队对话文本中的情绪变化，来衡量用户此时此刻的满意度状态。在今天的文章中，我们将详细地介绍爱彼迎在情绪识别模型上的开发，以及我们如何一步步将模型生成的结果转化为一个能与企业长期留存率挂钩的高覆盖率、无延迟的新型满意度衡量指标。

Customer Support (CS) can make or break a guest’s travel experience. To support Airbnb’s community of guests and Hosts, we have been investing heavily in developing intelligent CS solutions leveraging state-of-the-art natural language processing (NLP), machine learning (ML), and artificial intelligence (AI) technologies.

In this blog post, we’ll introduce the automated support system at Airbnb, which employs the latest task-oriented conversational AI technology, through the lens of a recently launched feature called Mutual Cancellation. We will describe in detail how we framed the business problem as an AI problem, how we collected and labeled training data, how we designed and built the ML models, and how the models were deployed in the online system. Throughout each step, we’ll discuss some technical challenges we faced during this project and the solutions we innovated to address these challenges.

Gaining trust in data with extensive data quality, accuracy and anomaly checks.

How AI-based Sentiment Models Complement Net Promoter Score.

How Airbnb ships features faster across web, iOS, and Android using a server-driven UI system named Ghost Platform ?.

Part II: The six design principles of Minerva compute infrastructure.

OMNI是我们用来创建，管理，并通过多种渠道向我们的社区分发内容和信息的平台。OMNI这个名字是指该平台提供全渠道内容的能力。

在Airbnb，我们依靠数据为我们的关键决策提供信息。我们通过随机对照实验来验证产品理念，并严格跟踪我们的业务表现，以确保我们为利益相关者实现价值最大化。为了实现这些目标，我们需要建立一个强大的数据平台，为内部用户的端到端需求服务。

虽然我们之前已经分享了我们如何将数据摄入我们的数据仓库，以及如何让用户利用上下文数据进行自己的分析，但我们还没有讨论过中间层：如何正确建模并将数据转化为准确的、可分析的数据集。

在这篇文章中，我们将分享我们建立Minerva的历程，Minerva是Airbnb的计量平台，被整个公司用作分析、报告和实验的单一真实来源。具体来说，我们将介绍我们为什么要建立这个平台，描述它的核心功能和它所支持的工具生态系统，并强调它对Airbnb的影响。在接下来的文章中，我们将深入研究Minerva背后的技术，并分享我们一路走来的经验教训。通过发布这个系列，我们希望我们的读者能够欣赏像Minerva这样的系统的力量，并受到启发，为他们的组织创造类似的东西。

Airbnb的使命是 "创造一个任何人都可以属于任何地方的世界"。这一信息通过市场营销传递给世界各地的人们，例如："看到什么是可能的，当它是由房东实现的。它帮助Airbnb把客人和房东联系起来，建立一个强大的社区，无疑为公司的惊人增长做出了贡献。

Airbnb的营销是令人兴奋的--它在许多方面都提出了挑战，其中之一是在不同的广告平台上核算活动跟踪（见图1）。跟踪使营销团队有充分的能力来分析活动的表现和影响，然后进一步优化这些活动，以最小的预算实现其目标。

在这篇博文中，我们将讨论Airbnb如何建立一个统一的跟踪测量系统，通过引入C参数跟踪以及分析和增长评估系统来支持营销活动。

在过去的几年里，Airbnb的工程从单体的Ruby on Rails架构转移到面向服务的架构。在我们的Rails架构中，我们每个资源都有一个API来访问基础数据。这些API有授权检查以保护敏感数据。由于有一个单一的方法来访问资源的数据，管理这些检查很容易。在向SOA过渡的过程中，我们转向了一个分层的架构，其中有包裹数据库的数据服务和从多个数据服务中提取的展示服务。将权限检查从单片机转移到SOA的最初方法是将这些检查转移到展示服务。然而，这导致了几个问题。

1. 重复的和难以管理的授权检查。通常情况下，多个提供访问相同基础数据的展示服务都有重复的授权检查代码。在某些情况下，这些检查变得不同步，难以管理。
2. 分散到多个服务。这些授权检查大多需要调用其他服务。这很慢，负载难以维持，而且影响了整体性能和可靠性。

企业盈利能力和可持续性是投资基础设施效率的有力理由，但人们很容易对如何实际降低成本感到迷茫。一个强大的、可操作的数据基础对于一个成功的效率计划至关重要。在Airbnb，建立这个基础使得优先考虑节约机会成为可能，并迎来了一波成本降低的浪潮，在之前的文章中已经总结过。

更重要的是，成本数据已经成为长期控制的杠杆。团队可以在峰值对月度账单造成破坏之前迅速做出反应，并在一个大型新项目可能变得昂贵时提前计划。在公司范围内，成本和使用情况的可见性引发了文化转变。当节约的成本可以衡量时，它们就可以得到认可，成本效率项目就会成为令人兴奋的机会。截至2021年初，Airbnb浏览量最大的仪表盘是AWS成本的仪表盘。

我们希望通过分享我们的方法，能够让更多的公司实现AWS成本的节约。虽然Airbnb的成本数据基础是以一家云提供商为中心建立的，但我们在建立管道、定义指标和设计可视化方面的经验适用于任何一家云提供商。

Airbnb的一个新库，用于声明式地构建iOS应用。

想象一下，你是一位业务领导，准备开始一天的工作，但一觉醒来，发现每天的业务报告空空如也--数据迟迟不来，这下你就蒙了。 在过去的一年里，多个团队一起打造了SLA Tracker，这是一个可视化的分析工具，以促进Airbnb的数据及时性文化。这个数据产品使我们能够解决和系统化处理以下数据及时性的挑战。

1. 什么时候应该认为一个数据集延迟了？
2. 数据集延迟的频率是多少？
3. 为什么一个数据集会延迟？

这个项目是我们实现数据高质量的关键部分，需要克服许多技术、产品和组织上的挑战才能建立。在本文中，我们将重点介绍产品设计：我们如何设计和构建数据可视化的历程，以使数据及时性的深层复杂数据变得有意义。