paint-brush
मशीन लर्निंग के साथ राइड-हेलिंग को अनुकूलित करना: एक उत्पाद प्रबंधक की यात्राद्वारा@maxs
38,083 रीडिंग
38,083 रीडिंग

मशीन लर्निंग के साथ राइड-हेलिंग को अनुकूलित करना: एक उत्पाद प्रबंधक की यात्रा

द्वारा Maksim Sadontsev6m2024/03/15
Read on Terminal Reader
Read this story w/o Javascript

बहुत लंबा; पढ़ने के लिए

टैक्सी उद्योग में उत्पाद प्रबंधक की यात्रा का अन्वेषण करें, विश्वसनीयता और लाभप्रदता को अनुकूलित करने के लिए मशीन लर्निंग का लाभ उठाएं। रणनीतिक साझेदारी से लेकर एमएल-संचालित निर्णय लेने तक, राइड-हेलिंग बाज़ार को बदलने में महत्वपूर्ण अंतर्दृष्टि को उजागर करें। जानें कि उपयोगकर्ता-केंद्रित अनुकूलन और बाज़ार-विशिष्ट रणनीतियाँ कैसे सफलता दिलाती हैं, यूके और रूस के वास्तविक दुनिया के उदाहरणों के साथ।
featured image - मशीन लर्निंग के साथ राइड-हेलिंग को अनुकूलित करना: एक उत्पाद प्रबंधक की यात्रा
Maksim Sadontsev HackerNoon profile picture
0-item


हर साल, दुनिया भर में 1.4 बिलियन से ज़्यादा लोग परिवहन के लिए राइड-हेलिंग ऐप का सहारा लेते हैं, अकेले रूस में हर साल 2.5 बिलियन से ज़्यादा राइड होती हैं। हर यात्रा के लिए हर यात्री को आदर्श ड्राइवर से मिलाने की ज़िम्मेदारी पूरी तरह से राइड-हेलिंग सेवा के कंधों पर आती है। तो, बाज़ार के नेता इस जटिल कार्य से कैसे निपटते हैं? गीगाबाइट्स के रीयल-टाइम डेटा को प्रोसेस करके और मशीन लर्निंग पर आधारित एल्गोरिदम को लागू करके, वे सुनिश्चित करते हैं कि यात्री को सबसे उपयुक्त ड्राइवर से जोड़ा जाए।

लेकिन इन सभी डेटा बिंदुओं को आखिर कैसे संश्लेषित किया जाता है? उच्च स्तर पर, इस प्रक्रिया में कई महत्वपूर्ण चरण शामिल हैं:

  • आस-पास के सभी उपलब्ध ड्राइवरों को एकत्रित करना।
  • उन लोगों को छांटना जो वर्तमान में उपलब्ध नहीं हैं, उदाहरण के लिए, वे ड्राइवर जो 'अनुपलब्ध' स्थिति में हैं या वे जो वर्ग के मानदंडों को पूरा नहीं करते हैं (जैसे कि आरामदायक सवारी के लिए इकॉनमी ड्राइवर)।
  • शेष ड्राइवरों को ज्ञात कारकों के आधार पर रैंकिंग दी जाती है, जैसे कि पिकअप स्थान से उनकी निकटता, उनकी इच्छित दिशा, तथा समान प्रोफ़ाइल वाली सवारी स्वीकार करने की उनकी प्रवृत्ति।

अगले चरण में बैचिंग शामिल है: एक अवधि के लिए आस-पास के ऑर्डर को एकत्रित करना और फिर इन ऑर्डर के बीच ड्राइवरों को बुद्धिमानी से पुनर्वितरित करना ताकि यह सुनिश्चित हो सके कि प्रत्येक को सबसे अच्छा मिलान मिले। यह रणनीति कंपनियों को आधे मिनट से भी कम समय में ड्राइवरों को आवंटित करने में सक्षम बनाती है, जिससे ग्राहकों के लिए प्रतीक्षा समय में काफी कमी आती है।

हालाँकि, दक्षता का यह स्तर तभी प्राप्त किया जा सकता है जब आपके पास:

  • ड्राइवर,
  • उनके बारे में डेटा,
  • एक प्रभावी एल्गोरिथ्म.

अब, मैं आपको सबसे लोकप्रिय वैश्विक टैक्सी सेवा में से एक में अपना अनुभव साझा करना चाहता हूँ, जहाँ मैंने इस परियोजना में मार्केटप्लेस डोमेन में एक उत्पाद प्रबंधक के रूप में काम किया, जो ग्राहकों की विश्वसनीयता और कंपनी के मुनाफे के लिए मुख्य लक्ष्यों के रूप में जिम्मेदार था। उत्पाद के रूप में भागीदार एकीकरण के साथ-साथ मशीन लर्निंग टूल का उपयोग करके आपूर्ति आवंटन तर्क के अनुकूलन के लिए जिम्मेदार होना। चलिए शुरू करते हैं!

यू.के. में राइड एक्सचेंज प्लेटफॉर्म

यू.के. में इस प्लैटफ़ॉर्म को 2019 में लॉन्च किया गया था। हर बार जब हम इसे लॉन्च करते थे, तो हमें किसी न किसी तरह से सेटअप को कॉन्फ़िगर करना पड़ता था। कुल मिलाकर, यह हमारे लिए कारगर रहा: हमने स्वीकार्य विश्वसनीयता के आंकड़े हासिल किए (राइड-हेलिंग मार्केट में, मुख्य विश्वसनीयता मीट्रिक आमतौर पर सभी ग्राहक ऑर्डर के लिए सफलतापूर्वक पूरी की गई राइड के अनुपात को दर्शाता है)। हालाँकि, कई मामलों में, हमारे निर्णय डेटा-संचालित की तुलना में अधिक "विशेषज्ञता-आधारित" थे: हमने प्रत्येक भागीदार की खूबियों पर सलाह देने के लिए मोबिलिटी प्लेटफ़ॉर्म कर्मचारियों के ज्ञान का उपयोग किया।

यह देखना अद्भुत था कि हमारा अनूठा मूल्य प्रस्ताव वास्तव में काम कर रहा है, ग्राहकों द्वारा उपयोग किया जा रहा है, और राजस्व उत्पन्न कर रहा है। फिर भी, कंपनी ने पहले से ही ड्राइवर मिलान में अनुभव प्राप्त कर लिया था, और हम जानते थे कि हम सवारी विनिमय बाजार को अनुकूलित कर सकते हैं। इसलिए, हमारे एमएल इंजीनियरों को काम पर लगाया गया, और परिणाम उत्साहजनक थे: हर प्रमुख मीट्रिक, औसतन, 5% की वृद्धि हुई। यह देखना भी आश्चर्यजनक था कि हमारे कुछ कॉन्फ़िगरेशन पहले कितने गलत तरीके से सेट किए गए थे। भले ही हम दो पूरी तरह से अलग-अलग बाजारों में काम कर रहे थे (नीचे रूसी अनुभव के बारे में अधिक), पैटर्न दोहराया गया। सुविधाओं के वजन को धीरे-धीरे ठीक करके, नई सुविधाएँ पेश करके, या कुछ को त्यागकर अभी भी सुधार की गुंजाइश थी। हालाँकि, कुछ क्षेत्रों (दूरस्थ शहरों या सिर्फ ऐसे स्थान जहाँ गतिहीनता प्लेटफ़ॉर्म का कोई मजबूत ग्राहक आधार नहीं है) को मैन्युअल नियंत्रण में रहना पड़ा। फिर भी, "राइड एक्सचेंज प्लेटफ़ॉर्म" अधिक स्मार्ट, अधिक विश्वसनीय और लागत-कुशल बन गया। उल्लेख करने की आवश्यकता नहीं है, हम एक ऐप में ग्राहकों के लिए पूरी तरह से एकीकृत परिवहन सेवाओं का बाजार बनाने वाले दुनिया के पहले व्यक्ति बन गए, और इसे एमएल के साथ संचालित करने वाले भी पहले व्यक्ति बन गए।

हमारे लिए मुख्य मीट्रिक संतुष्ट ग्राहकों का प्रतिशत है जिन्होंने सवारी बुक की और अंततः अपने इच्छित गंतव्य तक सवारी की (जीसी/जीसीआर - सकल पूर्णता दर)।



10%/20%/50% -> मैनुअल ड्राइवर सर्च कॉन्फ़िगरेशन के बजाय एमएल मॉडल कार्यान्वयन के प्रतिशत में वृद्धि। नीली रेखा एमएल मॉडल का उपयोग करके जीसीआर (सकल पूर्णता दर) मीट्रिक के प्रदर्शन को दर्शाती है। लाल रेखा पर जीसीआर के विपरीत - मैनुअल ड्राइवर सर्च कॉन्फ़िगरेशन।

लॉन्च के बाद से, मैंने इस प्लेटफ़ॉर्म के साथ बहुत कुछ अनुभव किया है और कई सबक सीखे हैं। उनमें से कुछ इस प्रकार हैं:

  • हमें आपूर्तिकर्ता के बारे में हाल के डेटा (पिछले 24 घंटों से) और पिछले तीन महीनों के औसत दोनों को ध्यान में रखते हुए डेटा की ऐतिहासिक गहराई में सही संतुलन खोजना था।
  • कौन सी विशेषताएँ उपयोगी होंगी और कौन सी नहीं? इसका उत्तर देने के दो तरीके हैं: सिमुलेशन और/या वास्तविक प्रयोग करके।
  • यदि आपके पास अभी तक केवल एक विचार है, तो आप हितधारकों को कैसे समझाएंगे कि यह इसके लायक है? उन्हें अपने समाधान का प्रोटोटाइप या स्पष्ट अवधारणा दिखाने पर विचार करें। हालांकि यह उपभोक्ता-केंद्रित उत्पादों के लिए सबसे अच्छा कदम नहीं हो सकता है, लेकिन यह B2B और B2B2C सेटअप में अद्भुत काम करता है। ऐसे वातावरण में, जहाँ फीडबैक चक्र लंबा खिंच सकता है, सिर्फ़ एक और डेमो के लिए हफ़्तों तक इंतज़ार करना आदर्श नहीं है। एक त्वरित, ठोस डेमो निर्णय लेने में तेज़ी ला सकता है और सहयोग को सुचारू रूप से आगे बढ़ा सकता है

मैंने रूसी बाजार में क्या किया?

प्रारंभिक परिदृश्य

जैसे ही हम 2020 के दशक में प्रवेश कर रहे थे, रूस में टैक्सी सेवाएँ लगभग 4,300 संगठनों द्वारा प्रदान की जा रही थीं, जिनमें से ज़्यादातर निजी संस्थाएँ थीं। वाणिज्यिक उद्यमों के प्रसार का श्रेय परमिट जारी करने पर राज्य के प्रतिबंधों में कमी और टैरिफ़ नियंत्रण पर नियामक उपायों को दिया गया। इससे छोटे व्यवसायों में उछाल आया और बाजार में तीव्र प्रतिस्पर्धा हुई। उस समय, मेरा मोबिलिटी प्लेटफ़ॉर्म एक मानक टैक्सी सेवा एग्रीगेटर के रूप में संचालित होता था, जो ग्राहकों और ड्राइवरों दोनों के लिए उबर, यांडेक्स और सिटीमोबिल जैसे अन्य बाज़ार खिलाड़ियों के साथ प्रतिस्पर्धा करता था। बढ़ती प्रतिस्पर्धा के कारण टैक्सी बाज़ार घाटे का सामना कर रहा था, जबकि उपभोक्ता मांग में बदलाव ने परिदृश्य को और जटिल बना दिया।

उद्देश्य

मोबिलिटी प्लेटफ़ॉर्म का उद्देश्य दुनिया भर में सभी संभावित परिवहन खिलाड़ियों को एक ही प्लेटफ़ॉर्म पर एकजुट करना था, जिससे कॉर्पोरेट ग्राहकों के लिए सेवा का एक मौलिक रूप से नया स्तर तैयार हो सके जो कार के आगमन की गति और अनुकूलित यात्रा लागत को प्राथमिकता देता है। मोबिलिटी प्लेटफ़ॉर्म ने रणनीतिक समझौतों और साझेदारियों के माध्यम से रूस में सबसे बड़ा ड्राइवर बेस हासिल किया, विशेष रूप से 2020 में सिटीमोबिल के साथ और 2021 में एक अन्य प्रमुख खिलाड़ी के साथ

हमारी उत्पाद टीम का उद्देश्य इन साझेदारी समझौतों के बाद, मुझे कई प्रक्रियाओं को सिंक्रनाइज़ करना पड़ा। मुख्य कार्यों में से एक प्लेटफ़ॉर्म पर ग्राहकों के ऑर्डर के वितरण को प्रदाताओं के बीच अनुकूलित करना था ताकि विश्वसनीयता बढ़ाई जा सके और प्रत्येक यात्रा के लिए लागत कम हो सके। हालाँकि, एक महत्वपूर्ण बाजार प्रश्न सामने आया: ग्राहक के लिए सबसे अच्छे तरीके से किसका और कब उपयोग करना है, यह कैसे तय किया जाए?

कदम

  1. प्रदाताओं के बीच ऑर्डर वितरित करने के लिए मैन्युअल नियमों के साथ शुरुआत की गई।
  2. परिणाम देखे गए, लेकिन वे संतोषजनक नहीं थे।
  3. एक एमएल मॉडल की संकल्पना की गई जो प्रत्येक विशिष्ट यात्रा के वितरण पर उसके विशिष्ट मानदंडों के आधार पर निर्णय ले सके:
    • ऑर्डर प्रोफ़ाइल: स्थान, अवधि, समय, आदि.
    • प्रत्येक व्यक्तिगत प्रदाता के बाजार मेट्रिक्स.
    • हमारे भागीदारों पर वास्तविक समय डेटा: गतिशील कीमतें, ड्राइवर स्थान।
    • प्रत्येक स्थान का ऐतिहासिक बाजार ज्ञान तथा किसी निश्चित समय पर वर्तमान स्थिति का आकलन।

विचारणीय दो कारक: प्रमुख व्यय यात्रा से संबंधित नहीं हैं - अधिग्रहण और परिचालन लागत।

ये डेटा बिंदु यह दर्शाते हैं कि मशीन लर्निंग द्वारा संचालित निर्णय, मैन्युअल रूप से लिए गए निर्णयों से किस प्रकार बेहतर होते हैं।

शीर्ष मीट्रिक्स

  1. सफल ऑर्डरों का प्रतिशत 1.7% बढ़ा
  2. ड्राइवर खोज समय में 12% की कमी
  3. यात्रा राजस्व में 9% की वृद्धि हुई

  • नियंत्रण - मैनुअल ड्राइवर खोज कॉन्फ़िगरेशन
  • परीक्षण - एमएल मॉडल का उपयोग करके।
  • जीसीआर - सकल पूर्णता दर (बुक की गई सभी सवारियों में से निकाली गई सवारियां), जितनी अधिक होगी उतना बेहतर होगा
  • % रद्द - ड्राइवर मिलने के बाद कितनी सवारी रद्द होती हैं, जितना कम होगा उतना बेहतर होगा
  • प्रति सवारी जीपी - प्रति सवारी सकल लाभ, जितना अधिक होगा उतना बेहतर होगा
  • मार्जिन - प्रति सवारी राजस्व, कम चालक/भागीदार भुगतान, जितना अधिक होगा उतना बेहतर होगा
  • औसत एटी - ड्राइवर ढूंढने में लगने वाला समय, जितना कम होगा उतना बेहतर होगा

एमएल परिनियोजन प्रक्रियाओं को अधिक कुशल बनाने के लिए इन सिफारिशों को ध्यान में रखें:

  1. उपयोगकर्ता-केंद्रित अनुकूलन: दक्षता और लागत-प्रभावशीलता के लिए अनुकूलन करना महत्वपूर्ण है, लेकिन आपको उपयोगकर्ता अनुभव पर एक मजबूत ध्यान बनाए रखना चाहिए। निरंतर ग्राहक वफ़ादारी सुनिश्चित करने के लिए उपयोगकर्ता की प्राथमिकताओं और अपेक्षाओं के साथ एल्गोरिदमिक निर्णय लेने की प्रक्रिया को संतुलित करना आवश्यक है। नियमित फ़ीडबैक तंत्र और उपयोगकर्ता सर्वेक्षण ग्राहकों की बदलती ज़रूरतों के बारे में मूल्यवान जानकारी प्रदान कर सकते हैं।
  2. बाजार-विशिष्ट रणनीतियाँ: बाजारों के बीच अंतर को पहचानना, विशेष रूप से रूसी टैक्सी बाजार की ऑन-डिमांड प्रकृति, महत्वपूर्ण है। आपको प्रत्येक बाजार की विशिष्ट मांगों और व्यवहारों के अनुरूप अपनी रणनीतियों को तैयार करना चाहिए। इसमें प्रत्येक क्षेत्र की अनूठी विशेषताओं के साथ संरेखित करने के लिए एल्गोरिदम, प्रचार रणनीतियों या सेवा पेशकशों को समायोजित करना शामिल हो सकता है।
  3. नियमित मूल्यांकन और समायोजन: केस स्टडी में दिखाए गए सफलता मीट्रिक सकारात्मक संकेतक हैं, लेकिन आपको एक सतत मूल्यांकन प्रक्रिया स्थापित करनी चाहिए। मुख्य प्रदर्शन संकेतकों, बाजार हिस्सेदारी और ग्राहक संतुष्टि पर एमएल-संचालित निर्णयों के प्रभाव का नियमित रूप से आकलन करने से त्वरित समायोजन और संवर्द्धन की अनुमति मिलेगी। विभिन्न परिचालन पहलुओं में मशीन लर्निंग तकनीकों में निवेश को बनाए रखें, जिससे बाजार में होने वाले बदलावों के लिए निरंतर परिशोधन और अनुकूलन सुनिश्चित हो सके। इसे आपूर्ति आवंटन तर्क से परे अन्य महत्वपूर्ण संचालनों तक विस्तारित किया जाना चाहिए।