Permasalahan yang terlihat mudah namun sebenarnya akan memberikan kompleksitas, jika tidak mampu diselesaikan dengan gesit dan cepat, berkaitan dengan pelanggan. Kendati rata-rata pergerakannya fluktuatif, startup yang sudah memiliki layanan terpercaya umumnya tetap akan membukukan jumlah pengguna dengan angka yang fantastis. Cerita tentang bagaimana tim engineer dan data Airbnb mengelola pelanggan mereka dengan teknologi menjadi hal menarik untuk dicermati, sebagai sebuah strategi pintar untuk mengakomodasi pelayanan konsumen yang masuk ke dalam sistem.

Ketika ada pertanyaan terkait penanganan data, jawabannya biasanya: “Tentu saja kami memiliki basis data khusus yang digunakan untuk menyimpan isu yang disampaikan konsumen, namun kami belum memiliki cara untuk menjawab isu tersebut (secara sistematis).”

Pada umumnya data seperti keluhan pelanggan memang hanya akan sekedar disimpan, atau mungkin menjadi sebuah to-do list yang harus satu-persatu dikelola oleh divisi customer services. Namun sayangnya tidak banyak yang mampu memetakan permasalahan tersebut berdasarkan tren, terlebih untuk melihat dominasi permasalahan secara real time. Sementara itu untuk penanganan masalah kadang diperlukan urutan prioritas. Kondisi tersebut juga sempat dialami tim Airbnb dalam urusan penanganan pelanggan.

Airbnb saat ini telah menangani 80 juta pelanggan dan terus bertumbuh dengan cepat mengikuti ekspansi yang terus digalakkan. Dengan pelanggan seperti itu, mereka memahami bahwa salah satu cara untuk mengefektifkan pelayanan terhadap pelanggan yakni harus mampu memahami/memproses data (tiket) pelanggan dengan jumlah besar sembari mendeteksi tren masalah secara real time, bahkan memprediksikannya. Lalu apa yang tim Airbnb kembangkan?

Sistem pengelompokan, analisis, dan visualisasi konten

Untuk memberikan efektivitas terhadap pekerjaan tersebut, sebuah layanan berbasis web yang mampu menghitung tren di semua tiket layanan pelanggan dikembangkan. Visualisasi dihadirkan untuk memudahkan pembacaan data, termasuk memetakan jenis masalah, peramban yang digunakan, negara pengguna, subyek permasalahan, dan beberapa atribut lainnya. Sistem tersebut oleh Airbnb difasilitasi dengan aplikasi berbasis Note.js dengan antar muka dibangun dengan React.

Realisasi sistem tersebut memerlukan peranan beragam komponen, termasuk di dalamnya infrastruktur fisik untuk menjadi sebuah data store penyimpanan tiket yang akan dianalisis. Sebuah teknologi oper source “Elasticsearch” digunakan dalam pengembangan ini. Semua tiket didata pada cluster Elasticsearch secara real-time.

Data yang masuk dihitung dalam interval tertentu untuk mengetahui tren yang ada. Menurut tim pengembang, Elasticsearch memudahkan untuk kebutuhan skalabilitas dan melakukan query aggregate di set data yang masuk.

Ilustrasinya sebagai berikut:

Tren ditemukan dengan menjalankan multi-search query ke Elasticsearch untuk mendapatkan setiap atribut tiket yang telah didefinisikan. Sebuah model scoring diterapkan untuk setiap seri waktu, urutan hasil, dan mengembalikan tren atribut pada batas minimum. Setelah itu diperlukan beberapa aktivitas termasuk menyesuaikan periodisitas, menghilangkan noise data, menyesuaikan visualisasi, dan menghitung jika ada lonjakan data.

Menggambarkan tren periodik dipilih penggunaan domain frekuensi menggunakan transformasi Fourier, ketimbang menggunakan grafis. Alasannya untuk memudahkan sistem menemukan frekuensi puncak dan memberikan laporan periodik yang berurutan dari jumlah tiket pelayanan pelanggan yang masuk. Hasil akhir dapat merepresentasikan perubahan nilai maksimum serta volume tiket tertentu dari waktu ke waktu. Perhitungan data dilakukan di Redis, untuk memberikan kecepatan ekstra ketika data divisualisasikan dalam UI web.

Mendefinisikan dan memprioritaskan masalah dengan cepat

Selanjutnya sebuah dashboard disiapkan untuk penggunaannya. Dari sana tren lonjakan terdefinisikan dengan baik, petugas dapat melihat apa saja yang menjadi permasalahan umum yang terjadi. Misal ada lonjakan pengguna baru yang memiliki masalah pencarian pada penggunaan aplikasi di platform tertentu. Sebelum lonjakan ini menjadi masalah yang besar, jika trennya eksponensial meningkat maka tim dapat memutuskan untuk gerak cepat melakukan follow-up perbaikan.

Penggunaan sistem tersebut sudah berjalan sekurangnya enam bulan dalam tubuh Airbnb saat ini. Salah satu yang diuntungkan dengan adanya sistem ini, tim teknis khususnya dapat menangkap lebih banyak hal, mulai dari bugs yang berpotensi menjadi besar, hingga memudahkan tim dalam mendapatkan prioritas penyelesaian masalah, terlebih yang membutuhkan pembaruan salinan kode dalam aplikasi.