한 줄 요약 — 에어비앤비는 예약과 실제 숙박 사이의 리드 타임 분포 변화를 포착하여 팬데믹 같은 거대한 충격에도 견딜 수 있는 회복력 있는 예측 모델을 구축했습니다. 이 주제를 꺼낸 이유 예측 모델링(Forecasting Modeling)은 데이터가 과거의 패턴을 반복한다는 가정 아래서만 강력한 힘을 발휘합니다. 하지만 시장의 흐름이 완전히 뒤바뀌는 블랙 스완(Black Swan) 상황이 닥치면, 정교하게 설계된 모델일수록 오히려 더 처참하게 무너지는 광경을 목격하곤 합니다. 에어비앤비가 겪은 2020년의 상황은 단순히 매출이 줄어든 것이 문제가 아니라, 기존의 예측 로직 자체가 작동 불능 상태에 빠졌다는 점에서 데이터 엔지니어와 사이언티스트들에게 시사하는 바가 큽니다. ...
에어비앤비(Airbnb)가 최근 발표한 기술 블로그를 읽으면서 깊은 공감을 느꼈습니다. 14년 넘게 자바와 코틀린 기반의 백엔드 시스템을 운영하며 가장 골머리를 앓았던 지점이 바로 옵저버빌리티(Observability)였기 때문입니다. 처음에는 간단히 외부 벤더사의 솔루션을 도입해 해결하려 하지만, 서비스 규모가 커지면 결국 비용과 데이터 파편화라는 거대한 벽에 부딪히게 됩니다. 에어비앤비는 이 문제를 해결하기 위해 뱅가드(Vanguard)라는 자체 플랫폼을 구축하며 주도권을 되찾아왔습니다. 왜 에어비앤비는 잘 쓰던 외부 솔루션을 버렸을까? 대부분의 스타트업이나 중견 기업은 데이터독(Datadog)이나 뉴렐릭(New Relic) 같은 서비스형 소프트웨어(SaaS) 솔루션으로 옵저버빌리티를 시작합니다. 저 역시 과거 여러 프로젝트에서 이런 도구들을 적극적으로 활용했습니다. 설치가 쉽고 UI가 미려하며 초기에는 관리 부담이 거의 없기 때문입니다. 하지만 에어비앤비가 지적했듯, 기업이 성숙해질수록 벤더사의 비즈니스 모델과 기업의 기술적 요구사항은 서로 다른 방향으로 흐르기 마련입니다. ...
에어비앤비(Airbnb)가 목적지를 정하지 못한 탐색형 사용자를 위해 머신러닝 기반의 여행지 추천 시스템을 어떻게 구축하고 최적화했는지 그 과정과 실무적 통찰을 공유합니다. 한 줄 요약 — 구체적인 계획 없이 여행을 탐색하는 사용자의 모호한 의도를 파악하여, 개인화된 여행지 후보를 제안하고 예약 전환율을 높이는 추천 모델링 전략입니다. 이 주제를 꺼낸 이유 대부분의 커머스나 예약 플랫폼은 사용자가 무엇을 원하는지 명확히 알고 있다는 가정하에 검색 결과를 보여줍니다. 파리에 가고 싶은 사람에게 파리의 숙소를 보여주는 것은 기술적으로 명확한 문제입니다. 하지만 현실에서 많은 사용자는 “어디로든 떠나고 싶다” 혹은 “유럽 어딘가로 가고 싶다"와 같은 막연한 상태로 탐색을 시작합니다. ...