Mitfahrdienste mit maschinellem Lernen optimieren: Die Reise eines Produktmanagers

Jährlich nutzen weltweit über 1,4 Milliarden Menschen Mitfahr-Apps, um sich fortbewegen zu können. Allein in Russland werden jährlich über 2,5 Milliarden Fahrten durchgeführt. Die Verantwortung, jedem Fahrgast für jede Fahrt den idealen Fahrer zuzuweisen, liegt ganz bei den Mitfahrdiensten. Wie also bewältigen Marktführer diese komplexe Aufgabe? Indem sie Gigabyte an Echtzeitdaten verarbeiten und Algorithmen einsetzen, darunter auch solche, die auf maschinellem Lernen basieren, stellen sie sicher, dass dem Fahrgast der am besten geeignete Fahrer zugewiesen wird.

Aber wie genau werden all diese Datenpunkte synthetisiert? Im Großen und Ganzen umfasst der Prozess mehrere wichtige Schritte:

• Zusammenführung aller verfügbaren Fahrer in der Umgebung.
• Herausfiltern derjenigen, die derzeit nicht verfügbar sind, z. B. Fahrer, die den Status „nicht verfügbar“ haben, oder solche, die die Klassenkriterien nicht erfüllen (z. B. Economy-Fahrer für eine Comfort-Fahrt).
• Rangfolge der verbleibenden Fahrer basierend auf bekannten Faktoren, wie etwa ihrer Nähe zum Abholort, ihrer beabsichtigten Fahrtrichtung und ihrer Tendenz, Fahrten mit einem ähnlichen Profil anzunehmen.

Der nächste Schritt ist die Stapelverarbeitung: Dabei werden Aufträge aus der Nähe für einen bestimmten Zeitraum zusammengefasst und die Fahrer dann intelligent auf diese Aufträge verteilt, um sicherzustellen, dass jeder Auftrag die beste Übereinstimmung erhält. Mit dieser Strategie können Unternehmen Fahrer in weniger als einer halben Minute zuweisen, was die Wartezeit für Kunden erheblich verkürzt.

Dieses Effizienzniveau lässt sich jedoch nur erreichen, wenn Sie über Folgendes verfügen:

• Fahrer,
• Daten über sie,
• Ein effektiver Algorithmus.

Lassen Sie mich nun von meinen Erfahrungen bei einem der beliebtesten globalen Taxidienste berichten, wo ich in diesem Projekt als Produktmanager im Marketplace-Bereich tätig war und für die wichtigsten Ziele Kundenzuverlässigkeit und Unternehmensgewinn verantwortlich war. Ich war sowohl für die Partnerintegrationen als Produkt als auch für die Optimierung der Versorgungszuteilungslogik mithilfe von Tools für maschinelles Lernen verantwortlich. Los geht‘s!

Die Plattform Ride Exchange in Großbritannien

Die Plattform in Großbritannien wurde 2019 eingeführt. Bei jedem Start mussten wir das Setup auf die eine oder andere Weise neu konfigurieren. Insgesamt hat es für uns funktioniert: Wir haben akzeptable Zuverlässigkeitswerte erreicht (auf dem Ride-Hailing-Markt stellt die wichtigste Zuverlässigkeitskennzahl normalerweise das Verhältnis erfolgreich abgeschlossener Fahrten zu allen Kundenaufträgen dar). In vielen Fällen waren unsere Entscheidungen jedoch eher „fachkundig“ als datengesteuert: Wir nutzten das Wissen der Mitarbeiter der Mobilitätsplattform, um die Stärken jedes Partners zu ermitteln.

Es war wunderbar zu sehen, dass unser einzigartiges Wertversprechen tatsächlich funktionierte, von Kunden genutzt wurde und Umsatz generierte. Dennoch hatte das Unternehmen bereits Erfahrung mit der Fahrervermittlung gesammelt und wir wussten, dass wir den Markt für Fahrgemeinschaften optimieren konnten. Also wurden unsere ML-Ingenieure an die Arbeit geschickt und die Ergebnisse waren ermutigend: Jede wichtige Kennzahl stieg im Durchschnitt um 5 %. Es war auch überraschend zu sehen, wie falsch einige unserer Konfigurationen zuvor eingerichtet worden waren. Obwohl wir in zwei völlig unterschiedlichen Märkten tätig waren (mehr zur russischen Erfahrung weiter unten), wiederholte sich das Muster. Es gab noch Raum für Verbesserungen, indem die Gewichtung der Funktionen schrittweise feinabgestimmt, neue Funktionen eingeführt oder einige verworfen wurden. Einige Bereiche (abgelegene Städte oder einfach Orte, an denen die Immobility-Plattform keine starke Kundenbasis hat) mussten jedoch unter manueller Kontrolle bleiben. Dennoch wurde die „Fahrgemeinschaftsplattform“ intelligenter, zuverlässiger und kosteneffizienter. Ganz zu schweigen davon, dass wir weltweit als Erste einen Markt für vollständig integrierte Transportdienste für Kunden in einer App geschaffen haben und auch als Erste diesen mit ML betrieben haben.

Die wichtigste Kennzahl für uns ist der Prozentsatz zufriedener Kunden, die eine Fahrt gebucht und schließlich zu ihrem gewünschten Ziel gefahren sind (GC/GCR – Gross Completion Rate).

10 %/20 %/50 % –> Erhöhung des Prozentsatzes der Implementierung des ML-Modells anstelle der manuellen Treibersuchkonfiguration. Die blaue Linie veranschaulicht die Leistung der GCR-Metrik (Gross Completion Rate) unter Verwendung des ML-Modells. Im Gegensatz zur GCR auf der roten Linie – manuelle Treibersuchkonfiguration.

Seit dem Start habe ich viel mit der Plattform erlebt und viel gelernt. Einige davon sind:

• Wir mussten die richtige Balance in der historischen Datentiefe finden, um sowohl aktuelle Daten über den Lieferanten (aus den letzten 24 Stunden) als auch die Durchschnittswerte der letzten drei Monate zu berücksichtigen.
• Welche Funktionen sind nützlich und welche nicht? Dies lässt sich auf zwei Arten beantworten: durch eine Simulation und/oder ein reales Experiment.
• Wie überzeugen Sie Stakeholder, dass es sich lohnt, wenn Sie bisher nur eine Idee haben? Erwägen Sie, ihnen einen Prototyp oder ein klares Konzept Ihrer Lösung zu zeigen. Dies ist zwar nicht der beste Schritt für verbraucherorientierte Produkte, wirkt jedoch in B2B- und B2B2C-Konfigurationen Wunder. In diesen Umgebungen, in denen sich Feedback-Zyklen hinziehen können, ist es nicht ideal, wochenlang auf eine weitere Demo zu warten. Eine schnelle, greifbare Demo kann die Entscheidungsfindung beschleunigen und dafür sorgen, dass die Zusammenarbeit reibungslos verläuft

Was habe ich auf dem russischen Markt gemacht?

Das Ausgangsszenario

Zu Beginn der 2020er Jahre wurden Taxidienste in Russland von rund 4.300 Organisationen angeboten, hauptsächlich privaten Unternehmen. Die Zunahme kommerzieller Unternehmen wurde auf eine Verringerung staatlicher Beschränkungen bei der Erteilung von Genehmigungen und regulatorischer Maßnahmen zur Tarifkontrolle zurückgeführt. Dies führte zu einem Anstieg kleiner Unternehmen und einem intensiven Wettbewerb auf dem Markt. Zu dieser Zeit fungierte meine Mobilitätsplattform als Standardaggregator für Taxidienste und konkurrierte mit anderen Marktteilnehmern wie Uber, Yandex und Citymobil um Kunden und Fahrer. Der Taximarkt verzeichnete aufgrund des zunehmenden Wettbewerbs Verluste, während Veränderungen der Verbrauchernachfrage das Umfeld noch komplizierter machten.

Mission

Ziel der Mobilitätsplattform war es, alle möglichen Transportakteure weltweit auf einer einzigen Plattform zu vereinen und so ein grundlegend neues Serviceniveau für Firmenkunden zu schaffen, bei dem die Geschwindigkeit der Fahrzeugankunft und optimierte Fahrtkosten im Vordergrund stehen. Die Mobilitätsplattform sicherte sich durch strategische Vereinbarungen und Partnerschaften, insbesondere mit Citymobil im Jahr 2020 und einem weiteren großen Akteur im Jahr 2021, die größte Fahrerbasis in Russland

Das Ziel unseres Produktteams Nach diesen Partnerschaftsvereinbarungen musste ich zahlreiche Prozesse synchronisieren. Eine der wichtigsten Aufgaben bestand darin, die Verteilung der Kundenaufträge auf der Plattform auf die Anbieter zu optimieren, um die Zuverlässigkeit zu erhöhen und die Kosten für jede Fahrt zu senken. Allerdings stellte sich eine kritische Marktfrage: Wie kann ich am besten entscheiden, wen ich wann einsetze?

Schritte

1. Begonnen mit manuellen Regeln zur Verteilung der Bestellungen an die Anbieter.
2. Habe die Ergebnisse beobachtet, sie waren jedoch nicht zufriedenstellend.
3. Konzeptualisierung eines ML-Modells, das auf Grundlage seiner individuellen Kriterien Entscheidungen über die Verteilung jeder einzelnen Fahrt treffen kann:
   • Auftragsprofil: Ort, Dauer, Uhrzeit, etc.
   • Marktkennzahlen der einzelnen Anbieter.
   • Echtzeitdaten zu unseren Partnern: dynamische Preise, Fahrerstandorte.
   • Historische Marktkenntnisse an jedem Standort und eine Einschätzung der aktuellen Situation zu einem bestimmten Zeitpunkt.

Zwei Faktoren sind zu berücksichtigen: Die größten Ausgaben stehen nicht im Zusammenhang mit der Reise – Anschaffungs- und Betriebskosten.

Diese Datenpunkte veranschaulichen vielmehr, wie ML-gesteuerte Entscheidungen manuell getroffenen Entscheidungen überlegen sind.

Top-Metriken

1. Der Prozentsatz erfolgreicher Bestellungen wurde um 1,7 % erhöht
2. Reduzierte Fahrersuchzeit um 12 %
3. Steigerung des Reiseumsatzes um 9 %

• Steuerung - manuelle Konfiguration der Treibersuche
• Test – mithilfe des ML-Modells.
• GCR – Bruttoabschlussrate (Fahrten von allen gebuchten Fahrten), höher ist besser
• % Abgesagt – wie viele Fahrten werden abgesagt, nachdem ein Fahrer gefunden wurde, niedriger ist besser
• GP pro Fahrt – Bruttogewinn pro Fahrt, höher ist besser
• Marge – Umsatz pro Fahrt, abzüglich Fahrer-/Partnerzahlungen, höher ist besser
• AVG AT – benötigte Zeit zum Finden eines Treibers, niedriger ist besser

Beherzigen Sie diese Empfehlungen, um ML-Bereitstellungsprozesse effizienter zu gestalten:

1. Benutzerorientierte Optimierung: Während die Optimierung auf Effizienz und Kosteneffizienz von entscheidender Bedeutung ist, sollten Sie einen starken Fokus auf die Benutzererfahrung legen. Um eine nachhaltige Kundenbindung sicherzustellen, ist es wichtig, den algorithmischen Entscheidungsprozess mit den Benutzerpräferenzen und -erwartungen in Einklang zu bringen. Regelmäßige Feedback-Mechanismen und Benutzerumfragen können wertvolle Einblicke in sich entwickelnde Kundenbedürfnisse liefern.
2. Marktspezifische Strategien: Es ist wichtig, die Unterschiede zwischen den Märkten zu erkennen, insbesondere den On-Demand-Charakter des russischen Taximarkts. Sie sollten Ihre Strategien an die spezifischen Anforderungen und Verhaltensweisen der einzelnen Märkte anpassen, in denen Sie tätig sind. Dies kann die Anpassung von Algorithmen, Werbestrategien oder Serviceangeboten an die einzigartigen Merkmale jeder Region umfassen.
3. Regelmäßige Bewertung und Anpassung: Die in der Fallstudie vorgestellten Erfolgsmetriken sind positive Indikatoren, aber Sie sollten einen kontinuierlichen Bewertungsprozess etablieren. Die regelmäßige Bewertung der Auswirkungen von ML-gesteuerten Entscheidungen auf Leistungskennzahlen, Marktanteile und Kundenzufriedenheit ermöglicht zeitnahe Anpassungen und Verbesserungen. Investieren Sie weiterhin in Technologien für maschinelles Lernen in verschiedenen betrieblichen Facetten und sorgen Sie für eine kontinuierliche Verbesserung und Anpassung an Marktveränderungen. Dies sollte über die Logik der Angebotszuteilung hinaus auch andere kritische Vorgänge umfassen.