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:  Reunindo todos os motoristas disponíveis nas proximidades.  Filtrar aqueles que não estão disponíveis no momento, por exemplo, motoristas que estão com status 'indisponível' ou aqueles que não atendem aos critérios de classe (como motoristas Econômicos para uma viagem Comfort).  Classificar os motoristas restantes com base em fatores conhecidos, como proximidade do local de partida, direção pretendida e tendência a aceitar viagens com perfil semelhante.  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:  Motoristas,  Dados sobre eles,  Um algoritmo eficaz.   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 Ride Exchange no Reino Unido  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:  Tivemos que encontrar o equilíbrio certo na profundidade histórica dos dados para contabilizar tanto os dados recentes sobre o fornecedor (das últimas 24 horas) como as médias dos últimos três meses.  Quais recursos serão úteis e quais não? Existem duas maneiras de responder a isso: conduzindo uma simulação e/ou um experimento real.  Como você convence as partes interessadas de que vale a pena se você só tem uma ideia até agora? Considere mostrar a eles um protótipo ou um conceito claro de sua solução. Embora esta possa não ser a melhor jogada para produtos focados no consumidor, ela faz maravilhas em configurações B2B e B2B2C. Nesses ambientes, onde os ciclos de feedback podem se arrastar, esperar semanas apenas por outra demonstração não é o ideal. Uma demonstração rápida e tangível pode acelerar a tomada de decisões e manter a colaboração fluindo sem problemas   O que eu fiz no mercado russo?   O cenário inicial  No início da década de 2020,   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. os serviços de táxi na Rússia eram prestados por cerca de 4.300 organizações,   Missão    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 A plataforma de mobilidade    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? O objetivo da nossa equipe de produtos   Passos  Começou com regras manuais para distribuição de pedidos entre fornecedores.  Observei os resultados, mas não foram satisfatórios.  Conceituei um modelo de ML que poderia tomar decisões sobre a distribuição de cada viagem específica com base em seus critérios únicos:  Perfil do pedido: localização, duração, horário, etc.  Métricas de mercado de cada fornecedor individual.  Dados em tempo real sobre os nossos parceiros: preços dinâmicos, localização dos motoristas.  Conhecimento histórico do mercado em cada localidade e avaliação da situação atual em determinado momento.   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  Aumentou a porcentagem de pedidos bem-sucedidos em 1,7%  Tempo de busca de motorista reduzido em 12%  Aumento da receita de viagens em 9%   Controle -  configuração de pesquisa manual de driver  Teste -  usando o modelo ML.  GCR – taxa bruta de conclusão (viagens realizadas de todas as reservadas), quanto maior, melhor  % cancelada – quantas viagens são canceladas depois que um motorista é encontrado, quanto menor, melhor  GP por viagem – lucro bruto por viagem, quanto maior, melhor  Margem – receita por viagem, menos pagamentos de motorista/parceiro, quanto maior, melhor  AVG AT – tempo que leva para encontrar um driver, quanto menor, melhor   Leve estas recomendações com você para tornar os processos de implantação de ML mais eficientes:    embora a otimização para eficiência e economia seja crucial, você deve manter um forte foco na experiência do usuário. Equilibrar o processo algorítmico de tomada de decisão com as preferências e expectativas do usuário é essencial para garantir a fidelidade sustentada do cliente. Mecanismos regulares de feedback e pesquisas com usuários podem fornecer informações valiosas sobre a evolução das necessidades dos clientes. Otimização focada no usuário:    É vital reconhecer as diferenças entre os mercados, especialmente a natureza on-demand do mercado de táxis russo. Você deve adaptar suas estratégias para atender às demandas e comportamentos específicos de cada mercado em que atua. Isso pode envolver o ajuste de algoritmos, estratégias promocionais ou ofertas de serviços para se alinharem às características únicas de cada região. Estratégias específicas de mercado:    As métricas de sucesso apresentadas no estudo de caso são indicadores positivos, mas você deve estabelecer um processo de avaliação contínua. A avaliação regular do impacto das decisões baseadas em ML nos principais indicadores de desempenho, participação de mercado e satisfação do cliente permitirá ajustes e melhorias imediatos. Sustentar o investimento em tecnologias de aprendizagem automática em diversas facetas operacionais, garantindo o refinamento contínuo e a adaptação às mudanças do mercado. Isto deverá estender-se para além da lógica de atribuição de abastecimento, abrangendo outras operações críticas. Avaliação e ajuste regulares:

This story contains new, firsthand information uncovered by the writer.

Read My Stories

Este áudio é produzido no idioma original da história!

Otimizando Ride-Hailing com aprendizado de máquina: a jornada de um gerente de produto

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Telegram: a ponte da Crypto Island para o continente

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Telegram: a ponte da Crypto Island para o continente

Criando produtos criptográficos centrados no usuário: a importância do feedback do cliente

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps