paint-brush
機械学習による配車サービスの最適化: プロダクトマネージャーの旅@maxs
38,083 測定値
38,083 測定値

機械学習による配車サービスの最適化: プロダクトマネージャーの旅

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

長すぎる; 読むには

機械学習を活用して信頼性と収益性を最適化する、タクシー業界のプロダクト マネージャーの道のりを探ります。戦略的パートナーシップから ML 主導の意思決定まで、配車市場の変革に関する重要な洞察を明らかにします。英国とロシアの実際の例を使用して、ユーザー重視の最適化と市場固有の戦略がどのように成功につながるかを学びます。
featured image - 機械学習による配車サービスの最適化: プロダクトマネージャーの旅
Maksim Sadontsev HackerNoon profile picture
0-item


毎年、世界中で 14 億人以上が配車アプリを利用して移動しており、ロシアだけでも年間 25 億回以上の乗車が行われています。各乗客と各移動に最適なドライバーをマッチングさせる責任は、配車サービスにかかっています。では、市場のリーダーは、この複雑な課題にどのように取り組んでいるのでしょうか。何ギガバイトものリアルタイム データを処理し、機械学習に基づくものを含むアルゴリズムを展開することで、乗客と最も適したドライバーをマッチングさせています。

しかし、これらすべてのデータ ポイントは具体的にどのように統合されるのでしょうか? 大まかに言うと、このプロセスにはいくつかの重要なステップが含まれます。

  • 付近の利用可能なドライバーをすべて集めます。
  • 現在利用できないドライバー、たとえば「利用不可」ステータスのドライバーや、クラス基準を満たさないドライバー (コンフォート ライドのエコノミー ドライバーなど) を除外します。
  • ピックアップ場所への近さ、予定している方向、同様のプロファイルを持つ乗車を受け入れる傾向などの既知の要素に基づいて、残りのドライバーをランク付けします。

次のステップはバッチ処理です。一定期間の近隣の注文を集約し、これらの注文間でドライバーをインテリジェントに再配分して、各注文に最適なドライバーが割り当てられるようにします。この戦略により、企業は 30 秒以内にドライバーを割り当てることができるため、顧客の待ち時間が大幅に短縮されます。

ただし、このレベルの効率性は、以下の条件を満たしている場合にのみ達成できます。

  • 運転手、
  • 彼らに関するデータ、
  • 効果的なアルゴリズム。

さて、最も人気のある世界的タクシーサービスの 1 つでの私の経験を共有したいと思います。このプロジェクトでは、マーケットプレイス ドメインのプロダクト マネージャーとして、クライアントの信頼性と会社の利益を主な目標として担当しました。製品としてのパートナー統合と、機械学習ツールを使用した供給割り当てロジックの最適化の両方を担当しました。さあ、始めましょう!

英国のプラットフォーム「Ride Exchange」

英国でのプラットフォームは 2019 年に開始されました。開始するたびに、何らかの方法で設定を構成する必要がありました。全体としてはうまくいきました。許容できる信頼性の数値を達成しました (配車市場では、主な信頼性の指標は通常、顧客からの注文全体に対する正常に完了した乗車の比率を表します)。ただし、多くの場合、私たちの決定はデータ主導というよりは「専門知識に基づく」ものでした。モビリティ プラットフォーム スタッフの知識を活用して、各パートナーの強みについてアドバイスしました。

弊社のユニークな価値提案が実際に機能し、顧客に使用され、収益を生み出しているのを見るのは素晴らしいことでした。とはいえ、弊社はドライバーのマッチングですでに経験を積んでおり、ライド エクスチェンジ市場を最適化できることはわかっていました。そこで、弊社の ML エンジニアが作業に取り掛かり、結果は有望でした。すべての主要な指標が平均で 5% 増加しました。また、以前の構成の一部がいかに間違って設定されていたかにも驚きました。弊社は 2 つのまったく異なる市場で事業を展開していたにもかかわらず (ロシアでの経験については後述)、パターンが繰り返されました。機能の重みを徐々に微調整したり、新しい機能を導入したり、一部を破棄したりすることで、改善の余地がまだありました。ただし、一部の地域 (遠隔地の都市や、不動プラットフォームの顧客基盤が強力でない場所) は、引き続き手動で管理する必要がありました。それでも、「ライド エクスチェンジ プラットフォーム」はよりスマートで信頼性が高く、コスト効率が高くなりました。言うまでもなく、弊社は 1 つのアプリで顧客向けの完全に統合された交通サービスの市場を世界で初めて作成し、それを ML で強化した最初の企業となりました。

私たちにとっての主な指標は、乗車を予約し、最終的に希望の目的地まで乗車した満足した顧客の割合です (GC/GCR - 総完了率)。



10%/20%/50% –> 手動のドライバー検索構成の代わりに ML モデルの実装の割合が増加します。青い線は、ML モデルを使用した GCR (Gross Completion Rate) メトリックのパフォーマンスを示しています。赤い線の GCR (手動のドライバー検索構成) と比較しています。

ローンチ以来、私はこのプラットフォームで多くのことを経験し、多くの教訓を学びました。その一部は次のとおりです。

  • サプライヤーに関する最新データ (過去 24 時間) と過去 3 か月間の平均の両方を考慮するには、データの履歴の深さの適切なバランスを見つける必要がありました。
  • どの機能が役立ち、どの機能が役立たないでしょうか? この質問に答えるには、シミュレーションと実際の実験の 2 つの方法があります。
  • 今のところアイデアしかない場合、ステークホルダーにその価値があることを納得させるにはどうすればよいのでしょうか。ソリューションのプロトタイプや明確なコンセプトを示すことを検討してください。これは消費者向け製品には最適な方法ではないかもしれませんが、B2B や B2B2C の設定では驚くほど効果的です。フィードバック サイクルが長引く可能性があるこれらの環境では、デモのために何週間も待つのは理想的ではありません。迅速で具体的なデモは意思決定をスピードアップし、コラボレーションをスムーズに進めることができます。

ロシア市場で何をしたか?

最初のシナリオ

2020年代に入ると、ロシアのタクシーサービスは、主に民間企業である約4,300の組織によって提供されていました。商業企業の増加は、許可証の発行に関する国の規制と料金管理に関する規制措置の緩和に起因しています。これにより、中小企業が急増し、市場での競争が激化しました。当時、私のモビリティプラットフォームは標準的なタクシーサービスアグリゲーターとして運営されており、Uber、Yandex、Citymobilなどの他の市場プレーヤーと顧客とドライバーの両方をめぐって競争していました。タクシー市場は競争の激化により損失に直面しており、消費者の需要の変化により状況はさらに複雑化していました。

ミッション

モビリティプラットフォームは、世界中のあらゆる交通機関を単一のプラットフォームに統合し、車の到着速度と移動コストの最適化を優先する、企業顧客向けのまったく新しいレベルのサービスを生み出すことを目指しました。モビリティプラットフォームは、2020年にシティモービル、2021年に別の大手企業との戦略的契約とパートナーシップを通じて、ロシアで最大のドライバーベースを確保しました。

私たちの製品チームの目標これらのパートナーシップ契約の後、私は数多くのプロセスを同期する必要がありました。重要なタスクの 1 つは、信頼性を高め、各旅行のコストを削減するために、プラットフォーム上のプロバイダー間の顧客注文の分配を最適化することでした。しかし、重要な市場の疑問が生じました。顧客にとって最善の方法で、誰をいつ使用するかをどのように決定するかということです。

手順

  1. プロバイダー間で注文を分配するための手動ルールから始めました。
  2. 結果を観察しましたが、満足できるものではありませんでした。
  3. 独自の基準に基づいて各特定の旅行の配分を決定できる ML モデルを概念化しました。
    • 注文プロファイル: 場所、期間、時間など。
    • 各プロバイダーの市場指標。
    • パートナーに関するリアルタイム データ: 動的な価格、ドライバーの位置。
    • 各地域の過去の市場知識と特定の時点での現状の評価。

考慮すべき 2 つの要素: 旅行とは関係のない主な費用、つまり取得コストと運用コストです。

これらのデータ ポイントは、むしろ ML 主導の意思決定が手動で行われた意思決定を上回ることを示しています。

上位の指標

  1. 受注成功率が1.7%増加
  2. ドライバーの検索時間を12%短縮
  3. 旅行収入が9%増加

  • コントロール -手動ドライバー検索構成
  • テスト - ML モデルを使用します。
  • GCR – 総完了率(予約された乗車のうち実際に乗車した乗車数)、高いほど良い
  • キャンセル率 – ドライバーが見つかった後にキャンセルされた乗車数。低いほど良い
  • 乗車あたりのGP – 乗車あたりの粗利益。高いほど良い
  • マージン – 乗車あたりの収益、ドライバー/パートナーの支払いが少ない、高いほど良い
  • AVG AT – ドライバーを見つけるのにかかる時間。低いほど良い

ML 導入プロセスをより効率的にするには、次の推奨事項を参考にしてください。

  1. ユーザー重視の最適化:効率性とコスト効率を最適化することは重要ですが、ユーザー エクスペリエンスにも重点を置く必要があります。アルゴリズムによる意思決定プロセスとユーザーの好みや期待とのバランスを取ることは、顧客ロイヤルティを持続させるために不可欠です。定期的なフィードバック メカニズムとユーザー アンケートは、変化する顧客ニーズに関する貴重な洞察を提供します。
  2. 市場固有の戦略:市場間の違い、特にロシアのタクシー市場のオンデマンド性を認識することが重要です。事業を展開する各市場の特定の需要と行動に合わせて戦略を調整する必要があります。これには、各地域の固有の特性に合わせてアルゴリズム、プロモーション戦略、またはサービス提供を調整することが含まれる場合があります。
  3. 定期的な評価と調整:ケース スタディで紹介されている成功指標は肯定的な指標ですが、継続的な評価プロセスを確立する必要があります。ML 主導の意思決定が主要業績評価指標、市場シェア、顧客満足度に与える影響を定期的に評価することで、迅速な調整と強化が可能になります。さまざまな運用面で機械学習テクノロジーへの投資を継続し、継続的な改良と市場の変化への適応を確実にします。これは、供給割り当てロジックを超えて、他の重要な運用にまで及ぶ必要があります。