Optimiser les services de covoiturage avec l'apprentissage automatique : le parcours d'un chef de produit

Chaque année, plus de 1,4 milliard de personnes dans le monde se tournent vers les applications de covoiturage pour se déplacer, la Russie représentant à elle seule plus de 2,5 milliards de trajets par an. La responsabilité de mettre en relation chaque passager avec le conducteur idéal pour chaque voyage incombe entièrement au service de covoiturage. Alors, comment les leaders du marché s’attaquent-ils à cette tâche complexe ? En traitant des gigaoctets de données en temps réel et en déployant des algorithmes, y compris ceux basés sur l'apprentissage automatique, ils garantissent que le passager est associé au conducteur le plus approprié.

Mais comment exactement tous ces points de données sont-ils synthétisés ? À un niveau élevé, le processus implique plusieurs étapes critiques :

• Rassembler tous les chauffeurs disponibles à proximité.
• Filtrage de ceux qui ne sont pas actuellement disponibles, par exemple, les conducteurs qui sont dans un statut « indisponible » ou ceux qui ne répondent pas aux critères de classe (comme les conducteurs Economy pour un trajet Confort).
• Classement des conducteurs restants en fonction de facteurs connus, tels que leur proximité du lieu de prise en charge, leur direction prévue et leur tendance à accepter des trajets ayant un profil similaire.

L'étape suivante consiste à regrouper les commandes : regrouper les commandes à proximité pendant une période donnée, puis redistribuer intelligemment les conducteurs entre ces commandes pour garantir que chacune reçoive la meilleure correspondance. Cette stratégie permet aux entreprises d'attribuer des chauffeurs en moins d'une demi-minute, réduisant ainsi considérablement le temps d'attente des clients.

Cependant, ce niveau d’efficacité n’est réalisable que lorsque vous disposez de :

• Conducteurs,
• Des données les concernant,
• Un algorithme efficace.

Maintenant, permettez-moi de partager mon expérience dans l'un des services de taxi les plus populaires au monde, où j'ai agi dans ce projet en tant que chef de produit dans le domaine Marketplace, responsable de la fiabilité des clients et des bénéfices de l'entreprise comme objectifs clés. Être responsable à la fois des intégrations des partenaires en tant que produit, ainsi que de l'optimisation de la logique d'allocation des approvisionnements à l'aide d'outils d'apprentissage automatique. Allons-y!

La plateforme Ride Exchange au Royaume-Uni

La plateforme au Royaume-Uni a été lancée en 2019. À chaque lancement, nous avons dû configurer la configuration d'une manière ou d'une autre. Dans l'ensemble, cela a fonctionné pour nous : nous avons obtenu des chiffres de fiabilité acceptables (sur le marché du covoiturage, la principale mesure de fiabilité représente généralement le rapport entre les trajets effectués avec succès et toutes les commandes des clients). Cependant, dans de nombreux cas, nos décisions étaient davantage « basées sur l'expertise » que sur les données : nous avons utilisé les connaissances du personnel de la plateforme de mobilité pour conseiller sur les atouts de chaque partenaire.

C'était merveilleux de voir notre proposition de valeur unique fonctionner réellement, être utilisée par les clients et générer des revenus. Néanmoins, l’entreprise avait déjà acquis de l’expérience en matière de mise en relation de chauffeurs et nous savions que nous pouvions optimiser le marché de l’échange de courses. Ainsi, nos ingénieurs ML ont été mis au travail et les résultats ont été encourageants : chaque métrique clé a augmenté en moyenne de 5 %. Il était également surprenant de constater à quel point certaines de nos configurations avaient été configurées de manière incorrecte auparavant. Même si nous opérions sur deux marchés totalement différents (plus d’informations sur l’expérience russe ci-dessous), le schéma s’est répété. Il y avait encore place à l'amélioration en ajustant progressivement le poids des fonctionnalités, en introduisant de nouvelles fonctionnalités ou en en supprimant certaines. Cependant, certaines zones (villes isolées ou simplement endroits où la plateforme d'immobilité ne dispose pas d'une solide clientèle) ont dû rester sous contrôle manuel. Pourtant, la « plateforme Ride Exchange » est devenue plus intelligente, plus fiable et plus rentable. Sans oublier que nous sommes devenus les premiers au monde à créer un marché de services de transport entièrement intégrés pour les clients dans une seule application, et également les premiers à l'alimenter avec le ML.

La principale mesure pour nous est le pourcentage de clients satisfaits qui ont réservé un trajet et ont finalement effectué un trajet vers la destination souhaitée (GC/GCR – Gross Completion Rate).

10 %/20 %/50 % -> Augmentation du pourcentage de mise en œuvre du modèle ML au lieu de la configuration manuelle de la recherche de pilotes. La ligne bleue illustre les performances de la métrique GCR (Gross Completion Rate) à l'aide du modèle ML. Comparé au GCR sur la ligne rouge – configuration de recherche manuelle de conducteur.

Depuis le lancement, j'ai beaucoup expérimenté avec la plateforme et appris de nombreuses leçons. Certains d'entre eux incluent :

• Nous avons dû trouver le bon équilibre dans la profondeur historique des données pour tenir compte à la fois des données récentes sur le fournisseur (des dernières 24 heures) et des moyennes des trois derniers mois.
• Quelles fonctionnalités seront utiles et lesquelles ne le seront pas ? Il existe deux manières d’y répondre : en réalisant une simulation et/ou une expérimentation réelle.
• Comment convaincre les parties prenantes que cela en vaut la peine si vous n’avez qu’une idée pour l’instant ? Pensez à leur montrer un prototype ou un concept clair de votre solution. Bien que ce ne soit peut-être pas la meilleure solution pour les produits axés sur le consommateur, cela fait des merveilles dans les configurations B2B et B2B2C. Dans ces environnements, où les cycles de feedback peuvent s'éterniser, attendre des semaines juste pour une autre démo n'est pas idéal. Une démonstration rapide et tangible peut accélérer la prise de décision et assurer le bon déroulement de la collaboration

Qu'est-ce que j'ai fait sur le marché russe ?

Le scénario initial

Au début des années 2020, les services de taxi en Russie étaient assurés par environ 4 300 organisations, pour la plupart des entités privées. La prolifération des entreprises commerciales a été attribuée à une réduction des restrictions étatiques sur la délivrance de permis et des mesures réglementaires en matière de contrôle tarifaire. Cela a conduit à une augmentation du nombre de petites entreprises et à une concurrence intense sur le marché. À cette époque, ma plateforme de mobilité fonctionnait comme un agrégateur de services de taxi standard, rivalisant avec d'autres acteurs du marché comme Uber, Yandex et Citymobil pour les clients et les chauffeurs. Le marché des taxis était confronté à des pertes dues à une concurrence croissante, tandis que l'évolution de la demande des consommateurs compliquait encore davantage la situation.

Mission

La plate-forme de mobilité visait à réunir tous les acteurs du transport possibles dans le monde entier sur une plate-forme unique, créant un niveau de service fondamentalement nouveau pour les entreprises clientes qui donne la priorité à la vitesse d'arrivée des voitures et à l'optimisation des coûts de déplacement. La plateforme de mobilité a sécurisé la plus grande base de conducteurs de Russie grâce à des accords et partenariats stratégiques, notamment avec Citymobil en 2020 et un autre acteur majeur en 2021.

L'objectif de notre équipe produit Après ces accords de partenariat, j'ai dû synchroniser de nombreux processus. L'une des tâches clés consistait à optimiser la répartition des commandes des clients sur la plateforme entre les prestataires afin d'améliorer la fiabilité et de réduire les coûts de chaque voyage. Cependant, une question cruciale du marché s'est posée : comment décider à qui faire appel et à quel moment, de la meilleure façon pour le client ?

Pas

1. Commencé avec des règles manuelles pour la répartition des commandes entre les fournisseurs.
2. J'ai observé les résultats, mais ils n'étaient pas satisfaisants.
3. Conceptualisation d'un modèle ML qui pourrait prendre des décisions sur la distribution de chaque voyage spécifique en fonction de ses critères uniques :
   • Profil de commande : lieu, durée, heure, etc.
   • Mesures de marché de chaque fournisseur individuel.
   • Données en temps réel sur nos partenaires : tarifs dynamiques, localisation des chauffeurs.
   • Connaissance historique du marché de chaque endroit et évaluation de la situation actuelle à un moment donné.

Deux facteurs à considérer : les dépenses majeures ne sont pas liées au voyage : les coûts d'acquisition et d'exploitation.

Ces points de données illustrent plutôt comment les décisions basées sur le ML surpassent celles prises manuellement.

Principales mesures

1. Augmentation du pourcentage de commandes réussies de 1,7 %
2. Réduction du temps de recherche des chauffeurs de 12 %
3. Augmentation des revenus des voyages de 9 %

• Contrôle - configuration de la recherche manuelle de pilotes
• Test - en utilisant le modèle ML.
• GCR – taux d’achèvement brut (trajets effectués sur tous les trajets réservés), plus c’est mieux
• % d'annulations – combien de trajets sont annulés une fois qu'un chauffeur a été trouvé, plus bas est mieux
• GP par trajet – bénéfice brut par trajet, plus c'est élevé, mieux c'est
• Marge – revenus par trajet, moins les paiements du conducteur/partenaire, plus c'est élevé, mieux c'est
• AVG AT – le temps nécessaire pour trouver un pilote, plus bas c'est mieux

Emportez ces recommandations avec vous pour rendre les processus de déploiement de ML plus efficaces :

1. Optimisation centrée sur l'utilisateur : bien que l'optimisation de l'efficacité et de la rentabilité soit cruciale, vous devez vous concentrer fortement sur l'expérience utilisateur. Équilibrer le processus de prise de décision algorithmique avec les préférences et les attentes des utilisateurs est essentiel pour garantir une fidélité durable des clients. Des mécanismes de retour d’information réguliers et des enquêtes auprès des utilisateurs peuvent fournir des informations précieuses sur l’évolution des besoins des clients.
2. Stratégies spécifiques au marché : il est essentiel de reconnaître les différences entre les marchés, en particulier la nature à la demande du marché russe des taxis. Vous devez adapter ses stratégies aux demandes et aux comportements spécifiques de chaque marché sur lequel elle opère. Cela peut impliquer d'ajuster les algorithmes, les stratégies promotionnelles ou les offres de services pour les aligner sur les caractéristiques uniques de chaque région.
3. Évaluation et ajustement réguliers : les indicateurs de réussite présentés dans l'étude de cas sont des indicateurs positifs, mais vous devez établir un processus d'évaluation continu. L'évaluation régulière de l'impact des décisions basées sur le ML sur les indicateurs de performance clés, la part de marché et la satisfaction des clients permettra des ajustements et des améliorations rapides. Maintenir les investissements dans les technologies d’apprentissage automatique dans diverses facettes opérationnelles, en garantissant un perfectionnement et une adaptation continus aux changements du marché. Cela devrait s’étendre au-delà de la logique d’allocation des approvisionnements à d’autres opérations critiques.