Optimización del transporte compartido con aprendizaje automático: el viaje de un gerente de producto

Anualmente, más de 1.400 millones de personas en todo el mundo recurren a aplicaciones de transporte compartido, y solo Rusia representa más de 2.500 millones de viajes al año. La responsabilidad de encontrar a cada pasajero con el conductor ideal para cada viaje recae directamente sobre los hombros del servicio de transporte compartido. Entonces, ¿cómo abordan los líderes del mercado esta compleja tarea? Al procesar gigabytes de datos en tiempo real y desplegar algoritmos, incluidos aquellos basados en aprendizaje automático, garantizan que el pasajero esté emparejado con el conductor más adecuado.

Pero, ¿cómo se sintetizan exactamente todos estos puntos de datos? A alto nivel, el proceso implica varios pasos críticos:

• Reuniendo a todos los conductores disponibles en las cercanías.
• Filtrar aquellos que no están disponibles actualmente, por ejemplo, los conductores que están en estado "no disponible" o aquellos que no cumplen con los criterios de clase (como los conductores de Economía para un viaje Confort).
• Clasificar a los conductores restantes en función de factores conocidos, como su proximidad al lugar de recogida, la dirección prevista y su tendencia a aceptar viajes con un perfil similar.

El siguiente paso implica el procesamiento por lotes: agregar pedidos cercanos durante un período y luego redistribuir inteligentemente a los conductores entre estos pedidos para garantizar que cada uno reciba la mejor combinación. Esta estrategia permite a las empresas asignar conductores en menos de medio minuto, reduciendo significativamente el tiempo de espera de los clientes.

Sin embargo, este nivel de eficiencia sólo se puede lograr cuando se tiene:

• conductores,
• Datos sobre ellos,
• Un algoritmo eficaz.

Ahora, permítanme compartir mi experiencia en uno de los servicios de taxi más populares a nivel mundial, donde actué en este proyecto como Gerente de Producto en el dominio Marketplace responsable de la confiabilidad de los clientes y las ganancias de la empresa como objetivos clave. Siendo responsable tanto de las integraciones de partners como de producto, así como de la optimización de la lógica de asignación de suministro mediante herramientas de aprendizaje automático. ¡Vamos!

La plataforma Ride Exchange en el Reino Unido

La plataforma en el Reino Unido se lanzó en 2019. Cada vez que la lanzamos, teníamos que configurar la configuración de una forma u otra. En general, funcionó para nosotros: logramos cifras de confiabilidad aceptables (en el mercado de viajes compartidos, la principal métrica de confiabilidad generalmente representa la proporción de viajes completados con éxito con respecto a todos los pedidos de los clientes). Sin embargo, en muchos casos, nuestras decisiones se basaron más en "la experiencia" que en los datos: utilizamos el conocimiento del personal de la plataforma de movilidad para asesorar sobre las fortalezas de cada socio.

Fue maravilloso ver que nuestra propuesta de valor única realmente funcionaba, era utilizada por los clientes y generaba ingresos. Sin embargo, la empresa ya había adquirido experiencia en la búsqueda de conductores y sabíamos que podíamos optimizar el mercado de intercambio de viajes. Entonces, nuestros ingenieros de ML se pusieron a trabajar y los resultados fueron alentadores: cada métrica clave, en promedio, aumentó un 5 %. También fue sorprendente ver cuán incorrectamente se habían configurado algunas de nuestras configuraciones antes. Aunque estábamos operando en dos mercados completamente diferentes (más adelante hablaremos más sobre la experiencia rusa), el patrón se repitió. Todavía había margen de mejora ajustando gradualmente el peso de las funciones, introduciendo nuevas funciones o descartando algunas. Sin embargo, algunas áreas (ciudades remotas o simplemente lugares donde la plataforma de inmovilidad no tiene una base de clientes sólida) tuvieron que permanecer bajo control manual. Sin embargo, la "plataforma Ride Exchange" se volvió más inteligente, más confiable y rentable. Sin mencionar que nos convertimos en los primeros en el mundo en crear un mercado de servicios de transporte totalmente integrados para clientes en una sola aplicación, y también en los primeros en impulsarlo con ML.

La métrica principal para nosotros es el porcentaje de clientes satisfechos que reservaron un viaje y finalmente lo llevaron a su destino deseado (GC/GCR – Tasa bruta de finalización).

10%/20%/50% –> Aumento del porcentaje de implementación del modelo ML en lugar de configuración de búsqueda manual de controladores. La línea azul ilustra el rendimiento de la métrica GCR (tasa bruta de finalización) utilizando el modelo ML. En contraste con el GCR en la línea roja: configuración de búsqueda manual de controladores.

Desde el lanzamiento, he experimentado mucho con la plataforma y he aprendido muchas lecciones. Algunos de ellos incluyen:

• Tuvimos que encontrar el equilibrio adecuado en la profundidad histórica de los datos para tener en cuenta tanto los datos recientes sobre el proveedor (de las últimas 24 horas) como los promedios de los últimos tres meses.
• ¿Qué funciones serán útiles y cuáles no? Hay dos formas de responder a esto: realizando una simulación y/o un experimento real.
• ¿Cómo convencer a las partes interesadas de que vale la pena si hasta el momento solo tienes una idea? Considere mostrarles un prototipo o un concepto claro de su solución. Si bien este puede no ser el mejor movimiento para productos centrados en el consumidor, funciona de maravilla en configuraciones B2B y B2B2C. En estos entornos, donde los ciclos de retroalimentación pueden prolongarse, esperar semanas para ver otra demostración no es lo ideal. Una demostración rápida y tangible puede acelerar la toma de decisiones y mantener la colaboración fluida

¿Qué hice en el mercado ruso?

El escenario inicial

Cuando entramos en la década de 2020, los servicios de taxi en Rusia eran prestados por alrededor de 4.300 organizaciones, en su mayoría entidades privadas. La proliferación de empresas comerciales se atribuyó a una reducción de las restricciones estatales a la emisión de permisos y a las medidas regulatorias sobre el control arancelario. Esto provocó un aumento de las pequeñas empresas y una intensa competencia en el mercado. En ese momento, mi plataforma de movilidad operaba como un agregador de servicios de taxi estándar, compitiendo con otros actores del mercado como Uber, Yandex y Citymobil tanto por clientes como por conductores. El mercado del taxi se enfrentaba a pérdidas debido a la creciente competencia, mientras que los cambios en la demanda de los consumidores complicaban aún más el panorama.

Misión

La plataforma de movilidad tenía como objetivo unir a todos los posibles actores del transporte en todo el mundo en una sola plataforma, creando un nivel de servicio fundamentalmente nuevo para clientes corporativos que prioriza la velocidad de llegada del automóvil y los costos de viaje optimizados. La plataforma de movilidad aseguró la mayor base de conductores en Rusia a través de acuerdos y asociaciones estratégicas, particularmente con Citymobil en 2020 y otro actor importante en 2021.

El objetivo de nuestro equipo de producto Después de estos acuerdos de colaboración, tuve que sincronizar numerosos procesos. Una de las tareas clave fue optimizar la distribución de los pedidos de los clientes en la plataforma entre los proveedores para mejorar la confiabilidad y reducir los costos de cada viaje. Sin embargo, surgió una pregunta crítica del mercado: ¿Cómo decidir a quién utilizar y cuándo de la mejor manera para el cliente?

Pasos

1. Comenzó con reglas manuales para distribuir pedidos entre proveedores.
2. Observé los resultados, pero no fueron satisfactorios.
3. Conceptualizó un modelo de ML que podría tomar decisiones sobre la distribución de cada viaje específico en función de sus criterios únicos:
   • Perfil del pedido: ubicación, duración, hora, etc.
   • Métricas de mercado de cada proveedor individual.
   • Datos en tiempo real sobre nuestros socios: precios dinámicos, ubicaciones de conductores.
   • Conocimiento histórico del mercado en cada localización y valoración de la situación actual en un momento determinado.

Dos factores a considerar: los gastos principales no están relacionados con el viaje: costos de adquisición y operativos.

Estos puntos de datos ilustran más bien cómo las decisiones impulsadas por ML superan a las tomadas manualmente.

Métricas principales

1. Aumentó el porcentaje de pedidos exitosos en un 1,7%.
2. Reducción del tiempo de búsqueda de conductores en un 12 %.
3. Aumento de los ingresos por viajes en un 9%

• Control - configuración de búsqueda manual de controladores
• Prueba: utilizando el modelo ML.
• GCR: tasa bruta de finalización (viajes tomados de todos los reservados), cuanto más alto, mejor
• % cancelado: cuántos viajes se cancelan después de encontrar un conductor; cuanto menor sea, mejor
• GP por viaje: beneficio bruto por viaje, cuanto más alto, mejor
• Margen: ingresos por viaje, menos pagos al conductor/socio, cuanto más alto, mejor
• AVG AT: tiempo que lleva encontrar un controlador, cuanto menos, mejor

Lleve consigo estas recomendaciones para hacer que los procesos de implementación de ML sean más eficientes:

1. Optimización centrada en el usuario: si bien la optimización para lograr eficiencia y rentabilidad es crucial, debe mantener un fuerte enfoque en la experiencia del usuario. Equilibrar el proceso algorítmico de toma de decisiones con las preferencias y expectativas del usuario es esencial para garantizar la lealtad sostenida del cliente. Los mecanismos de retroalimentación periódicos y las encuestas a los usuarios pueden proporcionar información valiosa sobre las necesidades cambiantes de los clientes.
2. Estrategias específicas de mercado: Es vital reconocer las diferencias entre los mercados, especialmente la naturaleza bajo demanda del mercado de taxis ruso. Debe adaptar sus estrategias para que se adapten a las demandas y comportamientos específicos de cada mercado en el que opera. Esto puede implicar ajustar algoritmos, estrategias promocionales u ofertas de servicios para alinearse con las características únicas de cada región.
3. Evaluación y ajuste periódicos: las métricas de éxito mostradas en el estudio de caso son indicadores positivos, pero se debe establecer un proceso de evaluación continuo. La evaluación periódica del impacto de las decisiones impulsadas por el ML en los indicadores clave de rendimiento, la participación de mercado y la satisfacción del cliente permitirá realizar ajustes y mejoras rápidamente. Mantener la inversión en tecnologías de aprendizaje automático en diversas facetas operativas, garantizando el refinamiento y la adaptación continuos a los cambios del mercado. Esto debería extenderse más allá de la lógica de asignación de suministros a otras operaciones críticas.