paint-brush
Оптимизация заказов пассажиров с помощью машинного обучения: путь менеджера по продуктук@maxs
38,083 чтения
38,083 чтения

Оптимизация заказов пассажиров с помощью машинного обучения: путь менеджера по продукту

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

Слишком долго; Читать

Узнайте о карьере менеджера по продукту в сфере такси, который использует машинное обучение для оптимизации надежности и прибыльности. От стратегического партнерства до принятия решений на основе машинного обучения — раскройте ключевые идеи трансформации рынка такси. Узнайте, как оптимизация, ориентированная на пользователя, и стратегии, ориентированные на конкретные рынки, способствуют успеху, на реальных примерах из Великобритании и России.
featured image - Оптимизация заказов пассажиров с помощью машинного обучения: путь менеджера по продукту
Maksim Sadontsev HackerNoon profile picture
0-item


Ежегодно более 1,4 миллиарда человек во всем мире обращаются к приложениям для заказа транспорта, при этом только в России совершается более 2,5 миллиардов поездок в год. Ответственность за подбор каждому пассажиру идеального водителя для каждой поездки полностью ложится на плечи службы такси. Итак, как же лидеры рынка решают эту сложную задачу? Обрабатывая гигабайты данных в режиме реального времени и применяя алгоритмы, в том числе основанные на машинном обучении, они обеспечивают соединение пассажира с наиболее подходящим водителем.

Но как именно синтезируются все эти данные? На высоком уровне этот процесс включает в себя несколько важных этапов:

  • Собираем всех доступных водителей поблизости.
  • Фильтрация тех, кто в данный момент недоступен, например, водителей, находящихся в статусе «недоступен», или тех, кто не соответствует критериям класса (например, водители эконом-класса для поездки в режиме «Комфорт»).
  • Ранжирование остальных водителей на основе известных факторов, таких как их близость к месту посадки, предполагаемое направление и их склонность соглашаться на поездки аналогичного профиля.

Следующий шаг включает пакетирование: агрегирование близлежащих заказов за определенный период, а затем разумное перераспределение драйверов между этими заказами, чтобы гарантировать, что каждый из них получит наилучшее соответствие. Эта стратегия позволяет компаниям назначать водителей менее чем за полминуты, что значительно сокращает время ожидания клиентов.

Однако такой уровень эффективности достижим только при наличии:

  • Водители,
  • Данные о них,
  • Эффективный алгоритм.

Теперь позвольте мне поделиться своим опытом работы в одной из самых популярных служб такси в мире, где я выступал в этом проекте в качестве менеджера по продукту в домене Marketplace, отвечая за надежность клиентов и прибыль компании как ключевые цели. Отвечать как за интеграцию партнеров как продукта, так и за оптимизацию логики распределения поставок с использованием инструментов машинного обучения. Пойдем!

Платформа Ride Exchange в Великобритании

Платформа в Великобритании была запущена в 2019 году. Каждый раз при запуске нам приходилось тем или иным образом настраивать установку. В целом у нас получилось: мы добились приемлемых показателей надежности (на рынке такси основной метрикой надежности обычно является соотношение успешно выполненных поездок ко всем заказам клиентов). Однако во многих случаях наши решения были скорее «основаны на опыте», чем на данных: мы использовали знания сотрудников мобильной платформы, чтобы консультировать по сильным сторонам каждого партнера.

Было замечательно видеть, что наше уникальное ценностное предложение действительно работает, используется клиентами и приносит доход. Тем не менее, компания уже накопила опыт подбора водителей, и мы знали, что можем оптимизировать рынок обмена поездками. Итак, наши инженеры по машинному обучению были привлечены к работе, и результаты были обнадеживающими: каждый ключевой показатель в среднем увеличился на 5%. Также было удивительно увидеть, насколько неправильно были настроены некоторые из наших конфигураций ранее. Несмотря на то, что мы работали на двух совершенно разных рынках (подробнее о российском опыте ниже), ситуация повторилась. Еще оставалось место для совершенствования путем постепенной настройки веса функций, введения новых функций или отказа от некоторых. Однако некоторые территории (отдаленные города или просто места, где платформа иммобильности не имеет сильной клиентской базы) пришлось оставить под ручным контролем. Тем не менее, «платформа Ride Exchange» стала умнее, надежнее и экономичнее. Не говоря уже о том, что мы стали первыми в мире, кто создал рынок полностью интегрированных транспортных услуг для клиентов в одном приложении, а также первыми, кто внедрил его с помощью машинного обучения.

Основным показателем для нас является процент довольных клиентов, которые забронировали поездку и в конечном итоге доехали до желаемого пункта назначения (GC/GCR – Gross Completion Rate).



10%/20%/50% —> Увеличение процента внедрения модели ML вместо настройки ручного поиска драйверов. Синяя линия иллюстрирует эффективность метрики GCR (общий коэффициент завершения) с использованием модели ML. В отличие от ГКЛ на красной линии – настройка ручного поиска драйверов.

С момента запуска я многое испытал на платформе и усвоил много уроков. Некоторые из них включают в себя:

  • Нам нужно было найти правильный баланс в глубине исторических данных, чтобы учесть как последние данные о поставщике (за последние 24 часа), так и средние значения за последние три месяца.
  • Какие функции будут полезны, а какие нет? Есть два способа ответить на этот вопрос: провести моделирование и/или реальный эксперимент.
  • Как убедить заинтересованные стороны в том, что оно того стоит, если у вас пока есть только идея? Подумайте о том, чтобы показать им прототип или четкую концепцию вашего решения. Хотя это, возможно, не лучший шаг для продуктов, ориентированных на потребителя, он творит чудеса в структурах B2B и B2B2C. В таких средах, где циклы обратной связи могут затянуться, неделями ждать очередной демонстрации — не лучший вариант. Быстрая и наглядная демонстрация может ускорить принятие решений и обеспечить бесперебойное сотрудничество.

Что я сделал на российском рынке?

Начальный сценарий

На пороге 2020-х годов услуги такси в России оказывали около 4300 организаций, преимущественно частных. Увеличение числа коммерческих предприятий было связано со снижением государственных ограничений на выдачу разрешений и мер регулирования тарифного контроля. Это привело к всплеску малого бизнеса и острой конкуренции на рынке. В то время моя мобильная платформа работала как стандартный агрегатор служб такси, конкурируя с другими игроками рынка, такими как Uber, Яндекс и Ситимобил, как за клиентов, так и за водителей. Рынок такси терпел убытки из-за обостряющейся конкуренции, а изменения в потребительском спросе еще больше усложнили ситуацию.

Миссия

Мобильная платформа призвана объединить всех возможных транспортных игроков по всему миру на единой платформе, создав принципиально новый уровень сервиса для корпоративных клиентов, в котором приоритет отдается скорости прибытия автомобилей и оптимизации затрат на поездку. Платформа мобильности обеспечила крупнейшую базу водителей в России благодаря стратегическим соглашениям и партнерским отношениям, в частности с «Ситимобил» в 2020 году и еще одним крупным игроком в 2021 году.

Задача нашей продуктовой команды После заключения партнерских соглашений мне пришлось синхронизировать множество процессов. Одной из ключевых задач была оптимизация распределения заказов клиентов на платформе между поставщиками для повышения надежности и снижения затрат на каждую поездку. Однако возник важнейший рыночный вопрос: как решить, кого и когда использовать наилучшим образом для клиента?

Шаги

  1. Начал с ручных правил распределения заказов между поставщиками.
  2. Наблюдали за результатами, но они неудовлетворительные.
  3. Концептуализировали модель машинного обучения, которая могла бы принимать решения о распределении каждой конкретной поездки на основе ее уникальных критериев:
    • Профиль заказа: местоположение, продолжительность, время и т. д.
    • Рыночные показатели каждого отдельного поставщика.
    • Данные о наших партнерах в режиме реального времени: динамические цены, местонахождение водителей.
    • Историческое знание рынка в каждом регионе и оценка текущей ситуации в данный момент времени.

Следует учитывать два фактора: основные расходы не связаны с поездкой — приобретение и эксплуатационные расходы.

Эти данные скорее иллюстрируют, насколько решения, основанные на машинном обучении, превосходят решения, принимаемые вручную.

Лучшие показатели

  1. Увеличен процент успешных заказов на 1,7%
  2. Сокращено время поиска драйверов на 12%
  3. Увеличение дохода от поездок на 9%

  • Управление - настройка поиска драйверов вручную
  • Тестирование — с использованием модели ML.
  • GCR – общий процент завершенных поездок (из всех забронированных поездок), чем выше, тем лучше.
  • % отмененных — сколько поездок будет отменено после того, как будет найден водитель, чем меньше, тем лучше.
  • GP за поездку – валовая прибыль за поездку, чем выше, тем лучше
  • Маржа – доход за поездку, меньше платежей водителю/партнеру, чем выше, тем лучше.
  • AVG AT – время, необходимое для поиска драйвера, чем меньше, тем лучше

Возьмите с собой эти рекомендации, чтобы повысить эффективность процессов развертывания машинного обучения:

  1. Оптимизация, ориентированная на пользователя. Хотя оптимизация эффективности и экономичности имеет решающее значение, вам следует уделять особое внимание пользовательскому опыту. Балансирование алгоритмического процесса принятия решений с предпочтениями и ожиданиями пользователей имеет важное значение для обеспечения устойчивой лояльности клиентов. Регулярные механизмы обратной связи и опросы пользователей могут предоставить ценную информацию о меняющихся потребностях клиентов.
  2. Стратегии, специфичные для рынка. Признание различий между рынками, особенно востребованного характера российского рынка такси, имеет жизненно важное значение. Вам следует адаптировать его стратегии к конкретным требованиям и поведению каждого рынка, на котором он работает. Это может включать в себя корректировку алгоритмов, стратегий продвижения или предложений услуг в соответствии с уникальными характеристиками каждого региона.
  3. Регулярная оценка и корректировка. Показатели успеха, представленные в тематическом исследовании, являются положительными показателями, но вам следует наладить непрерывный процесс оценки. Регулярная оценка влияния решений, основанных на МО, на ключевые показатели эффективности, долю рынка и удовлетворенность клиентов, позволит оперативно вносить коррективы и улучшения. Поддерживать инвестиции в технологии машинного обучения в различных аспектах операционной деятельности, обеспечивая постоянное совершенствование и адаптацию к изменениям рынка. Это должно выходить за рамки логики распределения поставок и охватывать другие критически важные операции.