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

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 шагов:

• Собираем всех доступных водителей поблизости.
• Отфильтровывание 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»).
• Рейтинг остальных водителей на основе известных факторов, таких как их близость к месту посадки, предполагаемое направление и их склонность принимать поездки аналогичного профиля.

Следующий шаг – группирование: объединение близлежащих заказов за определенный период, а затем разумное перераспределение драйверов между этими заказами, чтобы каждый из них получил 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:

• Драйверы.
• 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, поскольку ключевые цели. Отвечать как за интеграцию партнеров как продукта, так и за оптимизацию логики распределения поставок с использованием инструментов машинного обучения. Поехали!

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 основывались скорее на экспертных знаниях, чем на данных: мы использовали знания сотрудников мобильной платформы, чтобы давать рекомендации по сильным сторонам каждого партнера.

Было приятно видеть, что наше уникальное 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 внедрили 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 GCR на красной линии – настройка поиска драйверов вручную.

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

• Нам нужно было найти правильный баланс между глубиной 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 провести реальный эксперимент.
• Как убедить заинтересованных лиц 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 бесперебойную совместную работу.

Что я сделал на российском рынке?

Первоначальный сценарий

На пороге 2020-х годов услуги такси в России предоставляли около 4300 организаций, в основном частных лиц. 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 обострения конкуренции, а изменения в потребительском спросе еще больше усложнили ситуацию.

Миссия

Платформа мобильности направлена ​​на объединение всех возможных транспортных игроков по всему миру на единой платформе, создавая принципиально новый уровень сервиса для корпоративных клиентов, ставящий во главу угла скорость прибытия автомобилей и оптимизацию затрат на поездку. Платформа мобильности обеспечила крупнейшую базу водителей в России благодаря стратегическим соглашениям и партнерству, в частности с «Ситимобил» в 2020 году и еще одним крупным игроком в 2021 году

Цель нашей продуктовой команды После этих 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. Начали с ручных правил распределения заказов между поставщиками.
2. Наблюдал за результатами, но они неудовлетворительные.
3. Разработали концепцию модели машинного обучения, которая могла бы принимать решения о распределении каждой конкретной поездки на основе ее уникальных критериев:
4. Профиль заказа: местоположение, продолжительность, время и т. д.
5. Рыночные показатели каждого отдельного поставщика.
6. Данные о наших партнерах в режиме реального времени: динамические цены, местоположение водителей.
7. Историческое знание рынка в каждом регионе и оценка текущей ситуации на данный момент.

Следует учитывать два фактора: основные расходы не связаны с поездкой — затраты на приобретение и эксплуатацию.

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

Основные показатели

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



• Управление — настройка поиска драйверов вручную
• Тестирование — с использованием модели машинного обучения.
• GCR – общий процент выполненных 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 больше, 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

Воспользуйтесь этими рекомендациями, 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 удобству взаимодействия с пользователем. 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 об меняющихся потребностях клиентов.
2. Стратегии, ориентированные на конкретные рынки. Крайне важно осознавать различия между рынками, особенно востребованность российского рынка такси. Вам следует адаптировать его стратегии с учетом конкретных требований и поведения каждого рынка, на котором он работает. Это может включать в себя корректировку алгоритмов, стратегий продвижения или предложений услуг с учетом уникальных особенностей 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.

---

Оригинал