Jährlich nutzen weltweit über 1,4 Milliarden Menschen Mitfahr-Apps, um sich fortbewegen zu können. Allein in Russland werden jährlich über 2,5 Milliarden Fahrten durchgeführt. Die Verantwortung, jedem Fahrgast für jede Fahrt den idealen Fahrer zuzuweisen, liegt ganz bei den Mitfahrdiensten. Wie also bewältigen Marktführer diese komplexe Aufgabe? Indem sie Gigabyte an Echtzeitdaten verarbeiten und Algorithmen einsetzen, darunter auch solche, die auf maschinellem Lernen basieren, stellen sie sicher, dass dem Fahrgast der am besten geeignete Fahrer zugewiesen wird.
Aber wie genau werden all diese Datenpunkte synthetisiert? Im Großen und Ganzen umfasst der Prozess mehrere wichtige Schritte:
Der nächste Schritt ist die Stapelverarbeitung: Dabei werden Aufträge aus der Nähe für einen bestimmten Zeitraum zusammengefasst und die Fahrer dann intelligent auf diese Aufträge verteilt, um sicherzustellen, dass jeder Auftrag die beste Übereinstimmung erhält. Mit dieser Strategie können Unternehmen Fahrer in weniger als einer halben Minute zuweisen, was die Wartezeit für Kunden erheblich verkürzt.
Dieses Effizienzniveau lässt sich jedoch nur erreichen, wenn Sie über Folgendes verfügen:
Lassen Sie mich nun von meinen Erfahrungen bei einem der beliebtesten globalen Taxidienste berichten, wo ich in diesem Projekt als Produktmanager im Marketplace-Bereich tätig war und für die wichtigsten Ziele Kundenzuverlässigkeit und Unternehmensgewinn verantwortlich war. Ich war sowohl für die Partnerintegrationen als Produkt als auch für die Optimierung der Versorgungszuteilungslogik mithilfe von Tools für maschinelles Lernen verantwortlich. Los geht‘s!
Die Plattform in Großbritannien wurde 2019 eingeführt. Bei jedem Start mussten wir das Setup auf die eine oder andere Weise neu konfigurieren. Insgesamt hat es für uns funktioniert: Wir haben akzeptable Zuverlässigkeitswerte erreicht (auf dem Ride-Hailing-Markt stellt die wichtigste Zuverlässigkeitskennzahl normalerweise das Verhältnis erfolgreich abgeschlossener Fahrten zu allen Kundenaufträgen dar). In vielen Fällen waren unsere Entscheidungen jedoch eher „fachkundig“ als datengesteuert: Wir nutzten das Wissen der Mitarbeiter der Mobilitätsplattform, um die Stärken jedes Partners zu ermitteln.
Es war wunderbar zu sehen, dass unser einzigartiges Wertversprechen tatsächlich funktionierte, von Kunden genutzt wurde und Umsatz generierte. Dennoch hatte das Unternehmen bereits Erfahrung mit der Fahrervermittlung gesammelt und wir wussten, dass wir den Markt für Fahrgemeinschaften optimieren konnten. Also wurden unsere ML-Ingenieure an die Arbeit geschickt und die Ergebnisse waren ermutigend: Jede wichtige Kennzahl stieg im Durchschnitt um 5 %. Es war auch überraschend zu sehen, wie falsch einige unserer Konfigurationen zuvor eingerichtet worden waren. Obwohl wir in zwei völlig unterschiedlichen Märkten tätig waren (mehr zur russischen Erfahrung weiter unten), wiederholte sich das Muster. Es gab noch Raum für Verbesserungen, indem die Gewichtung der Funktionen schrittweise feinabgestimmt, neue Funktionen eingeführt oder einige verworfen wurden. Einige Bereiche (abgelegene Städte oder einfach Orte, an denen die Immobility-Plattform keine starke Kundenbasis hat) mussten jedoch unter manueller Kontrolle bleiben. Dennoch wurde die „Fahrgemeinschaftsplattform“ intelligenter, zuverlässiger und kosteneffizienter. Ganz zu schweigen davon, dass wir weltweit als Erste einen Markt für vollständig integrierte Transportdienste für Kunden in einer App geschaffen haben und auch als Erste diesen mit ML betrieben haben.
Die wichtigste Kennzahl für uns ist der Prozentsatz zufriedener Kunden, die eine Fahrt gebucht und schließlich zu ihrem gewünschten Ziel gefahren sind (GC/GCR – Gross Completion Rate).
10 %/20 %/50 % –> Erhöhung des Prozentsatzes der Implementierung des ML-Modells anstelle der manuellen Treibersuchkonfiguration. Die blaue Linie veranschaulicht die Leistung der GCR-Metrik (Gross Completion Rate) unter Verwendung des ML-Modells. Im Gegensatz zur GCR auf der roten Linie – manuelle Treibersuchkonfiguration.
Seit dem Start habe ich viel mit der Plattform erlebt und viel gelernt. Einige davon sind:
Das Ausgangsszenario
Zu Beginn der 2020er Jahre wurden Taxidienste in Russland von rund 4.300 Organisationen angeboten, hauptsächlich privaten Unternehmen. Die Zunahme kommerzieller Unternehmen wurde auf eine Verringerung staatlicher Beschränkungen bei der Erteilung von Genehmigungen und regulatorischer Maßnahmen zur Tarifkontrolle zurückgeführt. Dies führte zu einem Anstieg kleiner Unternehmen und einem intensiven Wettbewerb auf dem Markt. Zu dieser Zeit fungierte meine Mobilitätsplattform als Standardaggregator für Taxidienste und konkurrierte mit anderen Marktteilnehmern wie Uber, Yandex und Citymobil um Kunden und Fahrer. Der Taximarkt verzeichnete aufgrund des zunehmenden Wettbewerbs Verluste, während Veränderungen der Verbrauchernachfrage das Umfeld noch komplizierter machten.
Mission
Ziel der Mobilitätsplattform war es, alle möglichen Transportakteure weltweit auf einer einzigen Plattform zu vereinen und so ein grundlegend neues Serviceniveau für Firmenkunden zu schaffen, bei dem die Geschwindigkeit der Fahrzeugankunft und optimierte Fahrtkosten im Vordergrund stehen. Die Mobilitätsplattform sicherte sich durch strategische Vereinbarungen und Partnerschaften, insbesondere mit Citymobil im Jahr 2020 und einem weiteren großen Akteur im Jahr 2021, die größte Fahrerbasis in Russland
Das Ziel unseres Produktteams Nach diesen Partnerschaftsvereinbarungen musste ich zahlreiche Prozesse synchronisieren. Eine der wichtigsten Aufgaben bestand darin, die Verteilung der Kundenaufträge auf der Plattform auf die Anbieter zu optimieren, um die Zuverlässigkeit zu erhöhen und die Kosten für jede Fahrt zu senken. Allerdings stellte sich eine kritische Marktfrage: Wie kann ich am besten entscheiden, wen ich wann einsetze?
Schritte
Zwei Faktoren sind zu berücksichtigen: Die größten Ausgaben stehen nicht im Zusammenhang mit der Reise – Anschaffungs- und Betriebskosten.
Diese Datenpunkte veranschaulichen vielmehr, wie ML-gesteuerte Entscheidungen manuell getroffenen Entscheidungen überlegen sind.
Top-Metriken