paint-brush
머신 러닝을 통한 차량 공유 최적화: 제품 관리자의 여정~에 의해@maxs
37,990 판독값
37,990 판독값

머신 러닝을 통한 차량 공유 최적화: 제품 관리자의 여정

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

너무 오래; 읽다

신뢰성과 수익성을 최적화하기 위해 기계 학습을 활용하는 택시 업계의 제품 관리자의 여정을 살펴보세요. 전략적 파트너십부터 ML 기반 의사 결정까지, 차량 호출 시장을 변화시키는 데 필요한 핵심 통찰력을 알아보세요. 영국과 러시아의 실제 사례를 통해 사용자 중심 최적화와 시장별 전략이 어떻게 성공을 이끄는지 알아보세요.
featured image - 머신 러닝을 통한 차량 공유 최적화: 제품 관리자의 여정
Maksim Sadontsev HackerNoon profile picture
0-item


매년 전 세계적으로 14억 명이 넘는 사람들이 교통수단으로 차량 호출 앱을 이용하고 있으며, 러시아에서만 연간 25억 건 이상의 차량 호출이 이루어지고 있습니다. 모든 여행에서 각 승객을 이상적인 운전자와 연결하는 책임은 전적으로 차량 호출 서비스의 어깨에 있습니다. 그렇다면 시장 리더들은 이 복잡한 작업을 어떻게 처리할까요? 기가바이트 규모의 실시간 데이터를 처리하고 기계 학습 기반 알고리즘을 포함한 알고리즘을 배포함으로써 승객이 가장 적합한 운전자와 짝을 이루도록 보장합니다.

하지만 이러한 모든 데이터 포인트는 정확히 어떻게 합성됩니까? 높은 수준에서 프로세스에는 몇 가지 중요한 단계가 포함됩니다.

  • 근처에서 이용 가능한 모든 운전자를 모으십시오.
  • 예를 들어 '이용 불가' 상태에 있는 운전자 또는 클래스 기준을 충족하지 않는 운전자(예: 컴포트 라이드를 위한 이코노미 운전자) 등 현재 이용할 수 없는 사람을 필터링합니다.
  • 픽업 위치와의 근접성, 의도한 방향, 유사한 프로필의 차량 서비스를 수락하는 경향 등 알려진 요인을 기반으로 나머지 운전자의 순위를 매깁니다.

다음 단계에는 일괄 처리가 포함됩니다. 일정 기간 동안 가까운 주문을 집계한 다음 이러한 주문 간에 운전자를 지능적으로 재분배하여 각 주문이 가장 일치하는 항목을 받을 수 있도록 합니다. 이 전략을 통해 기업은 30분 안에 운전자를 할당할 수 있어 고객의 대기 시간이 크게 단축됩니다.

그러나 이러한 수준의 효율성은 다음과 같은 경우에만 달성할 수 있습니다.

  • 드라이버,
  • 그들에 관한 데이터,
  • 효과적인 알고리즘.

이제 가장 인기 있는 글로벌 택시 서비스 중 하나에서 제가 이 프로젝트에서 Marketplace 도메인의 제품 관리자로 활동하면서 고객의 신뢰성과 회사 이익을 핵심 목표로 책임지는 경험을 공유하겠습니다. 제품으로서의 파트너 통합과 기계 학습 도구를 사용한 공급 할당 논리 최적화를 모두 담당합니다. 갑시다!

영국의 플랫폼 Ride Exchange

영국의 플랫폼은 2019년에 출시되었습니다. 출시할 때마다 어떤 방식으로든 설정을 구성해야 했습니다. 전반적으로, 그것은 우리에게 잘 맞았습니다. 우리는 허용 가능한 신뢰성 수치를 달성했습니다(승차 공유 시장에서 주요 신뢰성 지표는 일반적으로 모든 고객 주문에 대해 성공적으로 완료된 탑승의 비율을 나타냅니다). 그러나 대부분의 경우 우리의 결정은 데이터 중심이라기보다는 '전문 지식 기반'이었습니다. 우리는 모빌리티 플랫폼 직원의 지식을 활용하여 각 파트너의 강점에 대해 조언했습니다.

우리의 고유한 가치 제안이 실제로 작동하고, 고객이 사용하고, 수익을 창출하는 모습을 보는 것은 정말 멋진 일이었습니다. 그럼에도 불구하고 회사는 이미 운전자 매칭 경험을 쌓았으며 승차 교환 시장을 최적화할 수 있다는 것을 알고 있었습니다. 그래서 ML 엔지니어들이 작업에 투입되었고 결과는 고무적이었습니다. 평균적으로 모든 주요 지표가 5% 증가했습니다. 또한 이전에 일부 구성이 얼마나 잘못 설정되었는지 확인하고 놀랐습니다. 우리가 완전히 다른 두 시장에서 사업을 운영하고 있음에도 불구하고(러시아 경험에 대한 자세한 내용은 아래 참조) 패턴은 반복되었습니다. 기능의 가중치를 점진적으로 미세 조정하거나 새로운 기능을 도입하거나 일부를 폐기하는 등 개선의 여지는 여전히 남아 있었습니다. 그러나 일부 지역(원격 도시 또는 부동 플랫폼의 강력한 고객 기반이 없는 장소)은 수동 제어를 유지해야 했습니다. 그러나 "Ride Exchange 플랫폼"은 더욱 스마트해지고, 더욱 안정적이며, 비용 효율적이 되었습니다. 말할 것도 없이, 우리는 하나의 앱에서 고객을 위한 완전히 통합된 운송 서비스 시장을 만든 세계 최초이자 ML을 통해 이를 지원하는 최초의 기업이 되었습니다.

우리의 주요 지표는 차량 서비스를 예약하고 최종적으로 원하는 목적지까지 차량 서비스를 받은 만족스러운 고객의 비율입니다(GC/GCR – 총 완료율).



10%/20%/50% –> 수동 드라이버 검색 구성 대신 ML 모델 구현 비율이 증가합니다. 파란색 선은 ML 모델을 사용한 GCR(총 완료율) 측정항목의 성능을 보여줍니다. 빨간색 선의 GCR과 대조 - 수동 드라이버 검색 구성.

출시 이후 플랫폼을 통해 많은 경험을 했고 많은 교훈을 얻었습니다. 그 중 일부는 다음과 같습니다:

  • 우리는 공급업체에 대한 최근 데이터(지난 24시간 동안)와 지난 3개월 동안의 평균을 모두 설명하기 위해 과거 데이터 깊이에서 적절한 균형을 찾아야 했습니다.
  • 어떤 기능이 유용하고 어떤 기능이 유용하지 않습니까? 이에 답하는 방법에는 시뮬레이션 및/또는 실제 실험을 수행하는 두 가지 방법이 있습니다.
  • 지금까지의 아이디어만 가지고 있다면 그만한 가치가 있다는 것을 이해관계자들에게 어떻게 설득할 수 있습니까? 프로토타입이나 솔루션의 명확한 개념을 보여주는 것을 고려해보세요. 이는 소비자 중심 제품에 있어서는 최선의 조치가 아닐 수도 있지만 B2B 및 B2B2C 설정에서는 놀라운 효과를 발휘합니다. 피드백 주기가 길어질 수 있는 이러한 환경에서 단지 다른 데모를 위해 몇 주를 기다리는 것은 이상적이지 않습니다. 빠르고 실질적인 데모를 통해 의사 결정 속도를 높이고 협업을 원활하게 진행할 수 있습니다.

나는 러시아 시장에서 무엇을 했는가?

초기 시나리오

2020년대에 들어서면서 러시아의 택시 서비스는 주로 민간 기업인 약 4,300개 조직에서 제공되었습니다 . 상업 기업의 확산은 허가 발급에 대한 국가 제한 및 관세 통제에 대한 규제 조치가 감소했기 때문입니다. 이로 인해 중소기업이 급증하고 시장 경쟁이 치열해졌습니다. 당시 내 모빌리티 플랫폼은 고객과 운전자 모두를 위해 Uber, Yandex, Citymobil과 같은 다른 시장 참여자와 경쟁하는 표준 택시 서비스 통합자로 운영되었습니다. 택시 시장은 경쟁 심화로 인해 손실을 입었고, 소비자 수요의 변화로 인해 상황은 더욱 복잡해졌습니다.

사명

모빌리티 플랫폼은 전 세계 모든 운송업체를 단일 플랫폼으로 통합하여 자동차 도착 속도와 여행 비용 최적화를 우선시하는 기업 고객을 위한 근본적으로 새로운 수준의 서비스를 창출하는 것을 목표로 했습니다. 모빌리티 플랫폼은 특히 2020년 Citymobil과 2021년 또 다른 주요 플레이어와의 전략적 협약 및 파트너십을 통해 러시아에서 가장 큰 운전자 기반을 확보했습니다.

우리 제품팀의 목표 이러한 파트너십 계약 이후에는 수많은 프로세스를 동기화해야 했습니다. 주요 작업 중 하나는 제공업체 간 플랫폼에서 고객 주문 분배를 최적화하여 각 여행에 대한 신뢰성을 높이고 비용을 줄이는 것이었습니다. 그러나 중요한 시장 질문이 생겼습니다. 누구를 사용할지, 언제 고객에게 가장 좋은 방법을 사용할지 결정하는 방법은 무엇입니까?

단계

  1. 공급자 간에 주문을 분배하기 위한 수동 규칙으로 시작되었습니다.
  2. 결과를 관찰했지만 만족스럽지 않았습니다.
  3. 고유한 기준에 따라 각 특정 여행의 분포에 대한 결정을 내릴 수 있는 ML 모델을 개념화했습니다.
    • 주문 프로필: 위치, 기간, 시간 등
    • 각 개별 제공업체의 시장 지표입니다.
    • 파트너에 대한 실시간 데이터: 동적 가격, 운전자 위치.
    • 각 위치의 과거 시장 지식과 특정 시점의 현재 상황에 대한 평가.

고려해야 할 두 가지 요소: 주요 비용은 여행과 관련이 없습니다(구매 및 운영 비용).

이러한 데이터 포인트는 오히려 ML 기반 의사결정이 수동으로 내린 의사결정을 능가하는 방식을 보여줍니다.

주요 지표

  1. 주문 성공률 1.7% 증가
  2. 운전자 검색 시간 12% 단축
  3. 여행 수익 9% 증가

  • 제어 - 수동 드라이버 검색 구성
  • 테스트 - ML 모델을 사용합니다.
  • GCR – 총 완료율(예약된 모든 라이드에서 발생한 라이드)이 높을수록 좋습니다.
  • 취소된 비율(%) – 운전자를 찾은 후 취소된 승차 횟수는 낮을수록 좋습니다.
  • 라이딩 당 GP – 라이딩 당 총 이익, 높을수록 좋습니다.
  • 마진 – 탑승당 수익, 운전자/파트너 지불액이 적고 높을수록 좋습니다.
  • AVG AT – 운전자를 찾는 데 걸리는 시간, 낮을수록 좋음

ML 배포 프로세스를 보다 효율적으로 만들려면 다음 권장 사항을 따르십시오.

  1. 사용자 중심 최적화: 효율성과 비용 효율성을 최적화하는 것이 중요하지만 사용자 경험에 중점을 두어야 합니다. 지속적인 고객 충성도를 보장하려면 알고리즘 의사 결정 프로세스와 사용자 선호도 및 기대치의 균형을 맞추는 것이 필수적입니다. 정기적인 피드백 메커니즘과 사용자 설문조사는 변화하는 고객 요구 사항에 대한 귀중한 통찰력을 제공할 수 있습니다.
  2. 시장별 전략: 시장 간 차이, 특히 러시아 택시 시장의 주문형 특성을 인식하는 것이 중요합니다. 운영하는 각 시장의 특정 수요와 행동에 맞게 전략을 조정해야 합니다. 여기에는 각 지역의 고유한 특성에 맞게 알고리즘, 판촉 전략 또는 서비스 제공을 조정하는 것이 포함될 수 있습니다.
  3. 정기 평가 및 조정: 사례 연구에 표시된 성공 지표는 긍정적인 지표이지만 지속적인 평가 프로세스를 구축해야 합니다. ML 기반 결정이 핵심 성과 지표, 시장 점유율, 고객 만족도에 미치는 영향을 정기적으로 평가하면 즉각적인 조정과 개선이 가능해집니다. 다양한 운영 측면에서 머신러닝 기술에 대한 투자를 지속하여 시장 변화에 대한 지속적인 개선과 적응을 보장합니다. 이는 공급 할당 논리를 넘어 다른 중요한 작업까지 확장되어야 합니다.