মেশিন লার্নিং সহ রাইড-হেইলিং অপ্টিমাইজ করা: একটি পণ্য পরিচালকের যাত্রা

বার্ষিক, বিশ্বব্যাপী 1.4 বিলিয়নেরও বেশি মানুষ পরিবহনের জন্য রাইড-হেলিং অ্যাপের দিকে ঝুঁকছেন, শুধুমাত্র রাশিয়ায় প্রতি বছর 2.5 বিলিয়নের বেশি রাইডের জন্য দায়ী। প্রতিটি ভ্রমণের জন্য আদর্শ চালকের সাথে প্রতিটি যাত্রীকে মেলানোর দায়িত্ব রাইড-হেইলিং পরিষেবার কাঁধে পড়ে। সুতরাং, কিভাবে বাজার নেতারা এই জটিল কাজটি মোকাবেলা করবেন? গিগাবাইট রিয়েল-টাইম ডেটা প্রক্রিয়াকরণ করে এবং মেশিন লার্নিং-এর উপর ভিত্তি করে অ্যালগরিদমগুলি স্থাপন করে, তারা নিশ্চিত করে যে যাত্রী সবচেয়ে উপযুক্ত ড্রাইভারের সাথে যুক্ত হয়েছে।

কিন্তু ঠিক কিভাবে এই সব তথ্য পয়েন্ট সংশ্লেষিত হয়? একটি উচ্চ স্তরে, প্রক্রিয়াটি বেশ কয়েকটি গুরুত্বপূর্ণ পদক্ষেপ জড়িত:

• আশেপাশের সমস্ত উপলব্ধ ড্রাইভারকে জড়ো করা।
• যারা বর্তমানে উপলভ্য নয় তাদের ফিল্টার করা হচ্ছে, উদাহরণস্বরূপ, যারা 'অনুপলব্ধ' স্ট্যাটাসে আছেন বা যারা ক্লাসের মানদণ্ড পূরণ করেন না (যেমন কমফোর্ট রাইডের জন্য ইকোনমি ড্রাইভার)।
• অবশিষ্ট ড্রাইভারদের র‍্যাঙ্কিং করা হয় পরিচিত কারণগুলির উপর ভিত্তি করে, যেমন পিকআপ অবস্থানের সাথে তাদের নৈকট্য, তাদের অভিপ্রেত দিক, এবং একই প্রোফাইলের সাথে রাইড গ্রহণ করার প্রবণতা।

পরবর্তী ধাপে ব্যাচিং জড়িত: একটি নির্দিষ্ট সময়ের জন্য কাছাকাছি অর্ডারগুলিকে একত্রিত করা এবং তারপরে বুদ্ধিমত্তার সাথে এই অর্ডারগুলির মধ্যে ড্রাইভারদের পুনরায় বিতরণ করা যাতে প্রত্যেকে সেরা ম্যাচটি পায় তা নিশ্চিত করা। এই কৌশলটি কোম্পানিগুলিকে অর্ধেক মিনিটের মধ্যে ড্রাইভার বরাদ্দ করতে সক্ষম করে, ক্লায়েন্টদের জন্য অপেক্ষার সময় উল্লেখযোগ্যভাবে হ্রাস করে।

যাইহোক, দক্ষতার এই স্তরটি তখনই অর্জনযোগ্য যখন আপনার কাছে থাকে:

• চালক,
• তাদের সম্পর্কে তথ্য,
• একটি কার্যকর অ্যালগরিদম।

এখন, আমাকে সবচেয়ে জনপ্রিয় বৈশ্বিক ট্যাক্সি পরিষেবাগুলির মধ্যে একটিতে আমার অভিজ্ঞতা শেয়ার করতে দিন, যেখানে আমি এই প্রকল্পে মার্কেটপ্লেস ডোমেনে প্রোডাক্ট ম্যানেজার হিসেবে কাজ করেছি যা ক্লায়েন্টদের নির্ভরযোগ্যতা এবং কোম্পানির লাভের জন্য দায়ী মূল লক্ষ্য হিসেবে। একটি পণ্য হিসাবে অংশীদার ইন্টিগ্রেশনের পাশাপাশি মেশিন লার্নিং টুল ব্যবহার করে সরবরাহ বরাদ্দ যুক্তির অপ্টিমাইজেশনের জন্য দায়ী। চলো যাই!

যুক্তরাজ্যের প্ল্যাটফর্ম রাইড এক্সচেঞ্জ

ইউকে-তে প্ল্যাটফর্মটি 2019 সালে চালু করা হয়েছিল। প্রতিবার আমরা যখনই চালু করেছি, আমাদের সেটআপটিকে এক বা অন্যভাবে কনফিগার করতে হয়েছিল। সামগ্রিকভাবে, এটি আমাদের জন্য কাজ করেছে: আমরা গ্রহণযোগ্য নির্ভরযোগ্যতার পরিসংখ্যান অর্জন করেছি (রাইড-হেইলিং মার্কেটে, প্রধান নির্ভরযোগ্যতা মেট্রিক সাধারণত সমস্ত গ্রাহকের অর্ডারের সফলভাবে সম্পন্ন রাইডের অনুপাতকে প্রতিনিধিত্ব করে)। যাইহোক, অনেক ক্ষেত্রে, আমাদের সিদ্ধান্তগুলি ডেটা-চালিত তুলনায় বেশি "দক্ষতা-ভিত্তিক" ছিল: আমরা প্রতিটি অংশীদারের শক্তির বিষয়ে পরামর্শ দেওয়ার জন্য গতিশীলতা প্ল্যাটফর্ম কর্মীদের জ্ঞান ব্যবহার করেছি।

আমাদের অনন্য মূল্য প্রস্তাবটি বাস্তবে কাজ করছে, গ্রাহকদের দ্বারা ব্যবহৃত হচ্ছে এবং রাজস্ব উৎপন্ন হচ্ছে তা দেখতে চমৎকার ছিল। তা সত্ত্বেও, কোম্পানি ইতিমধ্যেই ড্রাইভার ম্যাচিংয়ের অভিজ্ঞতা অর্জন করেছে, এবং আমরা জানতাম যে আমরা রাইড এক্সচেঞ্জ বাজারকে অপ্টিমাইজ করতে পারি। সুতরাং, আমাদের এমএল ইঞ্জিনিয়ারদের কাজ করা হয়েছিল, এবং ফলাফলগুলি উত্সাহজনক ছিল: প্রতিটি মূল মেট্রিক, গড়ে, 5% বৃদ্ধি পেয়েছে। আমাদের কিছু কনফিগারেশন আগে কতটা ভুলভাবে সেট আপ করা হয়েছিল তা দেখেও অবাক হয়েছিলাম। যদিও আমরা দুটি সম্পূর্ণ ভিন্ন বাজারে কাজ করছিলাম (নীচের রাশিয়ান অভিজ্ঞতার উপর আরো), প্যাটার্নটি পুনরাবৃত্তি হয়েছে। বৈশিষ্ট্যগুলির ওজনকে ধীরে ধীরে সূক্ষ্ম-টিউনিং করে, নতুন বৈশিষ্ট্যগুলি প্রবর্তন করে বা কিছু বাতিল করে উন্নতির জন্য এখনও অবকাশ ছিল৷ যাইহোক, কিছু এলাকা (প্রত্যন্ত শহর বা শুধুমাত্র এমন জায়গা যেখানে অস্থিরতা প্ল্যাটফর্মের একটি শক্তিশালী গ্রাহক বেস নেই) ম্যানুয়াল নিয়ন্ত্রণে থাকতে হয়েছিল। তবুও, "রাইড এক্সচেঞ্জ প্ল্যাটফর্ম" হয়ে উঠেছে আরও স্মার্ট, আরো নির্ভরযোগ্য এবং সাশ্রয়ী। উল্লেখ করার মতো নয়, আমরা বিশ্বে প্রথম হয়েছি যারা একটি অ্যাপে গ্রাহকদের জন্য সম্পূর্ণ সমন্বিত পরিবহন পরিষেবার একটি বাজার তৈরি করে, এবং ML-এর সাহায্যে এটিকে পাওয়ার জন্যও প্রথম।

আমাদের জন্য প্রধান মেট্রিক হল সন্তুষ্ট গ্রাহকদের শতাংশ যারা একটি রাইড বুক করেছেন এবং অবশেষে তাদের পছন্দসই গন্তব্যে রাইড নিয়েছেন (GC/GCR – গ্রস কমপ্লিশন রেট)।

10%/20%/50% –> ম্যানুয়াল ড্রাইভার অনুসন্ধান কনফিগারেশনের পরিবর্তে এমএল মডেল বাস্তবায়নের শতাংশ বৃদ্ধি। নীল রেখাটি ML মডেল ব্যবহার করে GCR (গ্রস কমপ্লিশন রেট) মেট্রিকের কর্মক্ষমতা চিত্রিত করে। লাল লাইনে GCR-এর বিপরীতে - ম্যানুয়াল ড্রাইভার অনুসন্ধান কনফিগারেশন।

লঞ্চের পর থেকে, আমি প্ল্যাটফর্মের সাথে অনেক অভিজ্ঞতা পেয়েছি এবং অনেক পাঠ শিখেছি। তাদের মধ্যে কিছু অন্তর্ভুক্ত:

• সরবরাহকারী সম্পর্কে সাম্প্রতিক ডেটা (গত 24 ঘন্টা থেকে) এবং গত তিন মাসের গড় উভয়ের জন্যই আমাদের ডেটার ঐতিহাসিক গভীরতায় সঠিক ভারসাম্য খুঁজে বের করতে হয়েছিল।
• কোন বৈশিষ্ট্য দরকারী হবে, এবং কোনটি হবে না? এটির উত্তর দেওয়ার দুটি উপায় রয়েছে: একটি সিমুলেশন এবং/অথবা একটি বাস্তব পরীক্ষা পরিচালনা করে।
• আপনি কীভাবে স্টেকহোল্ডারদের বোঝাবেন যে এটির মূল্য যদি আপনার কাছে এখনও পর্যন্ত একটি ধারণা থাকে? তাদের একটি প্রোটোটাইপ বা আপনার সমাধানের একটি পরিষ্কার ধারণা দেখানো বিবেচনা করুন। যদিও এটি ভোক্তা-কেন্দ্রিক পণ্যগুলির জন্য সেরা পদক্ষেপ নাও হতে পারে, এটি B2B এবং B2B2C সেটআপগুলিতে বিস্ময়কর কাজ করে। এই পরিবেশে, যেখানে প্রতিক্রিয়া চক্র টেনে আনতে পারে, শুধুমাত্র অন্য ডেমোর জন্য কয়েক সপ্তাহ অপেক্ষা করা আদর্শ নয়। একটি দ্রুত, বাস্তব ডেমো সিদ্ধান্ত গ্রহণের গতি বাড়াতে পারে এবং সহযোগিতাকে মসৃণভাবে চলতে পারে

আমি রাশিয়ান বাজারে কি করেছি?

প্রাথমিক দৃশ্যকল্প

আমরা 2020-এর দশকে প্রবেশ করার সাথে সাথে, রাশিয়ায় ট্যাক্সি পরিষেবাগুলি প্রায় 4,300টি সংস্থা দ্বারা সরবরাহ করা হয়েছিল, বেশিরভাগই ব্যক্তিগত সংস্থা৷ পারমিট ইস্যু করার উপর রাষ্ট্রীয় বিধিনিষেধ এবং শুল্ক নিয়ন্ত্রণে নিয়ন্ত্রক ব্যবস্থা হ্রাসের জন্য বাণিজ্যিক উদ্যোগের বিস্তারকে দায়ী করা হয়েছিল। এর ফলে ছোট ব্যবসার উত্থান এবং বাজারে তীব্র প্রতিযোগিতার সৃষ্টি হয়। সেই সময়ে, আমার গতিশীলতা প্ল্যাটফর্মটি গ্রাহক এবং ড্রাইভার উভয়ের জন্য উবার, ইয়ানডেক্স, এবং সিটিমোবিলের মতো অন্যান্য বাজারের খেলোয়াড়দের সাথে প্রতিযোগিতা করে একটি স্ট্যান্ডার্ড ট্যাক্সি পরিষেবা সমষ্টিকারী হিসাবে কাজ করেছিল। ক্রমবর্ধমান প্রতিযোগিতার কারণে ট্যাক্সি বাজার লোকসানের সম্মুখীন হয়েছিল, অন্যদিকে ভোক্তা চাহিদার পরিবর্তন ল্যান্ডস্কেপকে আরও জটিল করে তুলেছিল।

মিশন

গতিশীলতা প্ল্যাটফর্মের লক্ষ্য বিশ্বব্যাপী সমস্ত সম্ভাব্য পরিবহন খেলোয়াড়দের একক প্ল্যাটফর্মে একত্রিত করা, কর্পোরেট ক্লায়েন্টদের জন্য একটি মৌলিকভাবে নতুন স্তরের পরিষেবা তৈরি করা যা গাড়ির আগমনের গতি এবং অপ্টিমাইজ করা ভ্রমণ খরচকে অগ্রাধিকার দেয়। গতিশীলতা প্ল্যাটফর্মটি কৌশলগত চুক্তি এবং অংশীদারিত্বের মাধ্যমে রাশিয়ার বৃহত্তম ড্রাইভার বেস সুরক্ষিত করেছে, বিশেষ করে 2020 সালে সিটিমোবিলের সাথে এবং 2021 সালে আরেকটি বড় খেলোয়াড়।

আমাদের পণ্য দলের উদ্দেশ্য এই অংশীদারিত্ব চুক্তির পর, আমাকে অসংখ্য প্রক্রিয়ার সমন্বয় করতে হয়েছিল। নির্ভরযোগ্যতা বাড়ানোর জন্য এবং প্রতিটি ট্রিপের খরচ কমাতে সরবরাহকারীদের মধ্যে প্ল্যাটফর্মে গ্রাহকের অর্ডারের বিতরণকে অপ্টিমাইজ করা ছিল মূল কাজগুলির মধ্যে একটি। যাইহোক, একটি সমালোচনামূলক বাজার প্রশ্ন উঠেছে: কাকে ব্যবহার করবেন এবং কখন গ্রাহকের জন্য সর্বোত্তম উপায়ে তা কীভাবে নির্ধারণ করবেন?

ধাপ

1. প্রদানকারীদের মধ্যে অর্ডার বিতরণের জন্য ম্যানুয়াল নিয়ম দিয়ে শুরু করা হয়েছে।
2. ফলাফল পর্যবেক্ষণ, কিন্তু তারা সন্তোষজনক ছিল না.
3. একটি এমএল মডেলকে ধারণা করা হয়েছে যা প্রতিটি নির্দিষ্ট ট্রিপের বন্টনের বিষয়ে সিদ্ধান্ত নিতে পারে তার অনন্য মানদণ্ডের উপর ভিত্তি করে:
   • অর্ডার প্রোফাইল: অবস্থান, সময়কাল, সময় ইত্যাদি।
   • প্রতিটি পৃথক প্রদানকারীর বাজার মেট্রিক্স।
   • আমাদের অংশীদারদের রিয়েল-টাইম ডেটা: গতিশীল দাম, ড্রাইভারের অবস্থান।
   • প্রতিটি অবস্থানে ঐতিহাসিক বাজার জ্ঞান এবং একটি নির্দিষ্ট সময়ে বর্তমান পরিস্থিতির মূল্যায়ন।

দুটি বিষয় বিবেচনা করতে হবে: প্রধান ব্যয়গুলি ভ্রমণের সাথে সম্পর্কিত নয়—অধিগ্রহণ এবং অপারেশনাল খরচ।

এই ডেটা পয়েন্টগুলি বরং ব্যাখ্যা করে যে কীভাবে এমএল-চালিত সিদ্ধান্তগুলি ম্যানুয়ালি করা সিদ্ধান্তগুলিকে ছাড়িয়ে যায়।

শীর্ষ মেট্রিক্স

1. সফল অর্ডারের শতাংশ 1.7% বৃদ্ধি পেয়েছে
2. 12% দ্বারা ড্রাইভার অনুসন্ধান সময় হ্রাস
3. ট্রিপ আয় 9% বৃদ্ধি পেয়েছে

• নিয়ন্ত্রণ - ম্যানুয়াল ড্রাইভার অনুসন্ধান কনফিগারেশন
• পরীক্ষা - এমএল মডেল ব্যবহার করে।
• GCR - মোট সমাপ্তির হার (সকল বুকিং থেকে রাইড নেওয়া), বেশি হলে ভালো
• % বাতিল - ড্রাইভার পাওয়া গেলে কত রাইড বাতিল করা হয়, কম হলে ভালো হয়
• প্রতি রাইডে জিপি - রাইড প্রতি মোট লাভ, বেশি হলে ভালো
• মার্জিন - রাইড প্রতি আয়, কম ড্রাইভার/পার্টনার পেমেন্ট, বেশি ভালো
• AVG AT - ড্রাইভার খুঁজে পেতে সময় লাগে, কম হলে ভালো

এমএল স্থাপনার প্রক্রিয়াগুলিকে আরও দক্ষ করতে আপনার সাথে এই সুপারিশগুলি নিন:

1. ব্যবহারকারী-কেন্দ্রিক অপ্টিমাইজেশান: দক্ষতা এবং খরচ-কার্যকারিতার জন্য অপ্টিমাইজ করা অত্যন্ত গুরুত্বপূর্ণ, আপনার ব্যবহারকারীর অভিজ্ঞতার উপর একটি শক্তিশালী ফোকাস বজায় রাখা উচিত। টেকসই গ্রাহকের আনুগত্য নিশ্চিত করতে ব্যবহারকারীর পছন্দ এবং প্রত্যাশার সাথে অ্যালগরিদমিক সিদ্ধান্ত গ্রহণের প্রক্রিয়ার ভারসাম্য বজায় রাখা অপরিহার্য। নিয়মিত ফিডব্যাক মেকানিজম এবং ব্যবহারকারীর সমীক্ষা গ্রাহকের চাহিদার বিকাশে মূল্যবান অন্তর্দৃষ্টি প্রদান করতে পারে।
2. বাজার-নির্দিষ্ট কৌশল: বাজারের মধ্যে পার্থক্য, বিশেষ করে রাশিয়ান ট্যাক্সি বাজারের চাহিদার প্রকৃতির স্বীকৃতি অত্যাবশ্যক। আপনি এটি পরিচালনা করে এমন প্রতিটি বাজারের নির্দিষ্ট চাহিদা এবং আচরণ অনুসারে এর কৌশলগুলি তৈরি করা উচিত। এতে প্রতিটি অঞ্চলের অনন্য বৈশিষ্ট্যগুলির সাথে সারিবদ্ধ করার জন্য অ্যালগরিদম, প্রচারমূলক কৌশল বা পরিষেবা অফারগুলি সামঞ্জস্য করা জড়িত থাকতে পারে।
3. নিয়মিত মূল্যায়ন এবং সমন্বয়: কেস স্টাডিতে প্রদর্শিত সাফল্যের মেট্রিকগুলি ইতিবাচক সূচক, তবে আপনার একটি ক্রমাগত মূল্যায়ন প্রক্রিয়া স্থাপন করা উচিত। মূল কর্মক্ষমতা সূচক, মার্কেট শেয়ার এবং গ্রাহকের সন্তুষ্টির উপর ML-চালিত সিদ্ধান্তের প্রভাবকে নিয়মিত মূল্যায়ন করলে তা দ্রুত সামঞ্জস্য এবং বর্ধনের অনুমতি দেবে। চলমান পরিমার্জন এবং বাজারের পরিবর্তনের সাথে অভিযোজন নিশ্চিত করে বিভিন্ন অপারেশনাল দিক জুড়ে মেশিন লার্নিং প্রযুক্তিতে বিনিয়োগ বজায় রাখুন। এটি সরবরাহ বরাদ্দের যুক্তির বাইরে অন্যান্য গুরুত্বপূর্ণ ক্রিয়াকলাপগুলিতে প্রসারিত হওয়া উচিত।