Hàng năm, hơn 1,4 tỷ người trên toàn thế giới chuyển sang sử dụng các ứng dụng gọi xe để di chuyển, trong đó riêng Nga chiếm hơn 2,5 tỷ chuyến đi mỗi năm. Trách nhiệm kết nối mỗi hành khách với tài xế lý tưởng cho mỗi chuyến đi đặt lên vai của dịch vụ gọi xe. Vì vậy, các nhà lãnh đạo thị trường giải quyết nhiệm vụ phức tạp này như thế nào? Bằng cách xử lý hàng gigabyte dữ liệu thời gian thực và triển khai các thuật toán, bao gồm cả các thuật toán dựa trên máy học, họ đảm bảo hành khách được ghép nối với người lái xe phù hợp nhất.
Nhưng chính xác thì tất cả những điểm dữ liệu này được tổng hợp như thế nào? Ở cấp độ cao, quy trình này bao gồm một số bước quan trọng:
Bước tiếp theo liên quan đến việc phân nhóm: tổng hợp các đơn đặt hàng lân cận trong một khoảng thời gian và sau đó phân phối lại các trình điều khiển một cách thông minh giữa các đơn đặt hàng này để đảm bảo mỗi đơn hàng nhận được kết quả phù hợp nhất. Chiến lược này cho phép các công ty phân bổ tài xế trong thời gian chưa đầy nửa phút, giảm đáng kể thời gian chờ đợi của khách hàng.
Tuy nhiên, mức độ hiệu quả này chỉ có thể đạt được khi bạn có:
Bây giờ, hãy để tôi chia sẻ kinh nghiệm của mình tại một trong những dịch vụ taxi phổ biến nhất toàn cầu, nơi tôi đóng vai trò trong dự án này với tư cách là Giám đốc sản phẩm tại miền Marketplace chịu trách nhiệm về độ tin cậy của khách hàng và lợi nhuận của công ty làm mục tiêu chính. Chịu trách nhiệm về cả việc tích hợp đối tác với tư cách là một sản phẩm cũng như tối ưu hóa logic phân bổ nguồn cung bằng cách sử dụng các công cụ học máy. Đi nào!
Nền tảng ở Vương quốc Anh được ra mắt vào năm 2019. Mỗi lần ra mắt, chúng tôi phải định cấu hình thiết lập theo cách này hay cách khác. Nhìn chung, điều đó đã mang lại hiệu quả cho chúng tôi: chúng tôi đã đạt được những con số về độ tin cậy có thể chấp nhận được (trong thị trường dịch vụ gọi xe, chỉ số về độ tin cậy chính thường biểu thị tỷ lệ số chuyến đi đã hoàn thành thành công trên tất cả các đơn đặt hàng của khách hàng). Tuy nhiên, trong nhiều trường hợp, các quyết định của chúng tôi mang tính "dựa trên chuyên môn" hơn là dựa trên dữ liệu: chúng tôi sử dụng kiến thức của nhân viên nền tảng di động để tư vấn về điểm mạnh của từng đối tác.
Thật tuyệt vời khi thấy đề xuất giá trị độc đáo của chúng tôi thực sự hoạt động, được khách hàng sử dụng và tạo ra doanh thu. Tuy nhiên, công ty đã có kinh nghiệm trong việc kết nối tài xế và chúng tôi biết rằng mình có thể tối ưu hóa thị trường trao đổi chuyến xe. Vì vậy, các kỹ sư ML của chúng tôi đã được đưa vào làm việc và kết quả thật đáng khích lệ: trung bình mọi chỉ số quan trọng đều tăng 5%. Tôi cũng rất ngạc nhiên khi thấy trước đó một số cấu hình của chúng tôi đã được thiết lập không chính xác đến mức nào. Mặc dù chúng tôi đang hoạt động ở hai thị trường hoàn toàn khác nhau (xem thêm kinh nghiệm của Nga bên dưới), mô hình này vẫn lặp lại. Vẫn còn chỗ để cải thiện bằng cách tinh chỉnh dần trọng lượng của các tính năng, giới thiệu các tính năng mới hoặc loại bỏ một số tính năng. Tuy nhiên, một số khu vực (thành phố vùng sâu vùng xa hoặc chỉ những nơi mà nền tảng bất động không có lượng khách hàng lớn) vẫn phải chịu sự kiểm soát thủ công. Tuy nhiên, "nền tảng Ride Exchange" đã trở nên thông minh hơn, đáng tin cậy hơn và tiết kiệm chi phí hơn. Chưa kể, chúng tôi đã trở thành công ty đầu tiên trên thế giới tạo ra thị trường dịch vụ vận tải tích hợp đầy đủ cho khách hàng trong một ứng dụng và cũng là công ty đầu tiên hỗ trợ thị trường này bằng ML.
Số liệu chính đối với chúng tôi là tỷ lệ phần trăm khách hàng hài lòng đã đặt chuyến đi và cuối cùng bắt chuyến đi đến điểm đến mong muốn của họ (GC/GCR - Tỷ lệ hoàn thành tổng).
10%/20%/50% –> Tăng tỷ lệ triển khai mô hình ML thay vì cấu hình tìm kiếm trình điều khiển thủ công. Đường màu xanh minh họa hiệu suất của chỉ số GCR (Tỷ lệ hoàn thành tổng) bằng mô hình ML. Ngược lại với GCR trên đường màu đỏ – cấu hình tìm kiếm trình điều khiển thủ công.
Kể từ khi ra mắt, tôi đã trải nghiệm rất nhiều với nền tảng này và học được nhiều bài học. Một số trong số họ bao gồm:
Kịch bản ban đầu
Khi chúng ta bước vào những năm 2020, dịch vụ taxi ở Nga được cung cấp bởi khoảng 4.300 tổ chức, chủ yếu là các tổ chức tư nhân. Sự phát triển nhanh chóng của các doanh nghiệp thương mại là do việc giảm bớt các hạn chế của nhà nước trong việc cấp giấy phép và các biện pháp quản lý về kiểm soát thuế quan. Điều này dẫn đến sự gia tăng các doanh nghiệp nhỏ và sự cạnh tranh khốc liệt trên thị trường. Vào thời điểm đó, nền tảng di động của tôi hoạt động như một công cụ tổng hợp dịch vụ taxi tiêu chuẩn, cạnh tranh với các đối thủ khác trên thị trường như Uber, Yandex và CityMobil để giành lấy cả khách hàng và tài xế. Thị trường taxi đang phải đối mặt với tình trạng thua lỗ do cạnh tranh ngày càng leo thang, trong khi sự thay đổi về nhu cầu của người tiêu dùng càng khiến tình hình trở nên phức tạp hơn.
Nhiệm vụ
Nền tảng di động nhằm mục đích hợp nhất tất cả những người tham gia vận tải có thể có trên toàn thế giới trên một nền tảng duy nhất, tạo ra một cấp độ dịch vụ mới về cơ bản cho các khách hàng doanh nghiệp, ưu tiên tốc độ đến của ô tô và tối ưu hóa chi phí chuyến đi. Nền tảng di chuyển đã đảm bảo cơ sở lái xe lớn nhất ở Nga thông qua các thỏa thuận và quan hệ đối tác chiến lược, đặc biệt là với CityMobil vào năm 2020 và một công ty lớn khác vào năm 2021
Mục tiêu của nhóm sản phẩm của chúng tôi Sau những thỏa thuận hợp tác này, tôi phải đồng bộ hóa nhiều quy trình. Một trong những nhiệm vụ trọng tâm là tối ưu hóa việc phân phối đơn hàng của khách hàng trên nền tảng giữa các nhà cung cấp nhằm nâng cao độ tin cậy và giảm chi phí cho mỗi chuyến đi. Tuy nhiên, một câu hỏi quan trọng của thị trường đã nảy sinh: Làm thế nào để quyết định sử dụng ai và khi nào theo cách tốt nhất cho khách hàng?
bước
Hai yếu tố cần xem xét: các chi phí chính không liên quan đến chuyến đi—chi phí mua lại và chi phí vận hành.
Những điểm dữ liệu này minh họa rõ hơn cách các quyết định do ML điều khiển vượt qua các quyết định được thực hiện thủ công.
Số liệu hàng đầu