Anualmente, mais de 1,4 mil milhões de pessoas em todo o mundo recorrem a aplicações de transporte para transporte, sendo que só a Rússia é responsável por mais de 2,5 mil milhões de viagens por ano. A responsabilidade de combinar cada passageiro com o motorista ideal para cada viagem recai diretamente sobre os ombros do serviço de carona. Então, como é que os líderes de mercado enfrentam esta tarefa complexa? Ao processar gigabytes de dados em tempo real e implementar algoritmos, incluindo aqueles baseados em aprendizado de máquina, eles garantem que o passageiro esteja emparelhado com o motorista mais adequado.
Mas como exatamente todos esses pontos de dados são sintetizados? Em alto nível, o processo envolve várias etapas críticas:
A próxima etapa envolve o agrupamento em lote: agregar pedidos próximos por um período e, em seguida, redistribuir de forma inteligente os drivers entre esses pedidos para garantir que cada um receba a melhor correspondência. Esta estratégia permite às empresas alocar motoristas em menos de meio minuto, reduzindo significativamente o tempo de espera dos clientes.
No entanto, este nível de eficiência só é alcançável quando se tem:
Agora, deixe-me compartilhar minha experiência em um dos serviços de táxi mais populares do mundo, onde atuei neste projeto como Gerente de Produto no domínio Marketplace responsável pela confiabilidade dos clientes e lucros da empresa como objetivos principais. Sendo responsável tanto pelas integrações de parceiros como produto, quanto pela otimização da lógica de alocação de suprimentos utilizando ferramentas de machine learning. Vamos!
A plataforma no Reino Unido foi lançada em 2019. Cada vez que lançávamos, tínhamos que configurar a configuração de uma forma ou de outra. No geral, funcionou para nós: alcançamos números de confiabilidade aceitáveis (no mercado de carona, a principal métrica de confiabilidade geralmente representa a proporção de viagens concluídas com sucesso em relação a todos os pedidos dos clientes). No entanto, em muitos casos, as nossas decisões foram mais “baseadas em conhecimentos especializados” do que baseadas em dados: utilizámos o conhecimento do pessoal da plataforma de mobilidade para aconselhar sobre os pontos fortes de cada parceiro.
Foi maravilhoso ver nossa proposta de valor única realmente funcionando, sendo usada pelos clientes e gerando receita. No entanto, a empresa já tinha adquirido experiência em correspondência de motoristas e sabíamos que poderíamos otimizar o mercado de troca de viagens. Assim, nossos engenheiros de ML começaram a trabalhar e os resultados foram encorajadores: todas as principais métricas, em média, aumentaram 5%. Também foi surpreendente ver como algumas de nossas configurações foram configuradas incorretamente antes. Embora operássemos em dois mercados totalmente diferentes (mais sobre a experiência russa abaixo), o padrão repetiu-se. Ainda havia espaço para melhorias, ajustando gradualmente o peso dos recursos, introduzindo novos recursos ou descartando alguns. No entanto, algumas áreas (cidades remotas ou apenas locais onde a plataforma de imobilidade não tem uma base forte de clientes) tiveram de permanecer sob controlo manual. Mesmo assim, a “plataforma Ride Exchange” tornou-se mais inteligente, mais confiável e econômica. Sem mencionar que nos tornamos os primeiros no mundo a criar um mercado de serviços de transporte totalmente integrados para clientes em um único aplicativo, e também os primeiros a potencializá-lo com ML.
A principal métrica para nós é a porcentagem de clientes satisfeitos que reservaram uma viagem e eventualmente fizeram uma viagem até o destino desejado (GC/GCR – Gross Completion Rate).
10%/20%/50% –> Aumento na porcentagem de implementação de modelo de ML em vez de configuração de busca manual de driver. A linha azul ilustra o desempenho da métrica GCR (Taxa de conclusão bruta) usando o modelo ML. Comparado com o GCR na linha vermelha – configuração de pesquisa manual de driver.
Desde o lançamento, experimentei muito com a plataforma e aprendi muitas lições. Alguns deles incluem:
O cenário inicial
No início da década de 2020, os serviços de táxi na Rússia eram prestados por cerca de 4.300 organizações, na sua maioria entidades privadas. A proliferação de empresas comerciais foi atribuída à redução das restrições estatais à emissão de licenças e às medidas regulamentares de controlo tarifário. Isso levou a um aumento no número de pequenas empresas e a uma intensa concorrência no mercado. Naquela época, minha plataforma de mobilidade funcionava como um agregador padrão de serviços de táxi, competindo com outros participantes do mercado, como Uber, Yandex e Citymobil, tanto por clientes quanto por motoristas. O mercado dos táxis enfrentava perdas devido à escalada da concorrência, enquanto as mudanças na procura dos consumidores complicavam ainda mais o cenário.
Missão
A plataforma de mobilidade teve como objetivo unir todos os possíveis players de transporte em todo o mundo em uma única plataforma, criando um nível de serviço fundamentalmente novo para clientes corporativos que prioriza a velocidade de chegada do carro e otimiza os custos de viagem. A plataforma de mobilidade garantiu a maior base de motoristas na Rússia através de acordos e parcerias estratégicas, especialmente com a Citymobil em 2020 e outro grande player em 2021
O objetivo da nossa equipe de produtos Após esses acordos de parceria, tive que sincronizar vários processos. Uma das principais tarefas foi otimizar a distribuição dos pedidos dos clientes na plataforma entre os fornecedores para aumentar a confiabilidade e reduzir os custos de cada viagem. No entanto, surgiu uma questão crítica de mercado: como decidir quem usar e quando, da melhor forma para o cliente?
Passos
Dois fatores a serem considerados: as principais despesas não estão relacionadas à viagem – custos de aquisição e operacionais.
Esses dados ilustram como as decisões baseadas em ML superam as tomadas manualmente.
Principais métricas