Ежегодно более 1,4 миллиарда человек во всем мире обращаются к приложениям для заказа транспорта, при этом только в России совершается более 2,5 миллиардов поездок в год. Ответственность за подбор каждому пассажиру идеального водителя для каждой поездки полностью ложится на плечи службы такси. Итак, как же лидеры рынка решают эту сложную задачу? Обрабатывая гигабайты данных в режиме реального времени и применяя алгоритмы, в том числе основанные на машинном обучении, они обеспечивают соединение пассажира с наиболее подходящим водителем.
Но как именно синтезируются все эти данные? На высоком уровне этот процесс включает в себя несколько важных этапов:
Следующий шаг включает пакетирование: агрегирование близлежащих заказов за определенный период, а затем разумное перераспределение драйверов между этими заказами, чтобы гарантировать, что каждый из них получит наилучшее соответствие. Эта стратегия позволяет компаниям назначать водителей менее чем за полминуты, что значительно сокращает время ожидания клиентов.
Однако такой уровень эффективности достижим только при наличии:
Теперь позвольте мне поделиться своим опытом работы в одной из самых популярных служб такси в мире, где я выступал в этом проекте в качестве менеджера по продукту в домене Marketplace, отвечая за надежность клиентов и прибыль компании как ключевые цели. Отвечать как за интеграцию партнеров как продукта, так и за оптимизацию логики распределения поставок с использованием инструментов машинного обучения. Пойдем!
Платформа в Великобритании была запущена в 2019 году. Каждый раз при запуске нам приходилось тем или иным образом настраивать установку. В целом у нас получилось: мы добились приемлемых показателей надежности (на рынке такси основной метрикой надежности обычно является соотношение успешно выполненных поездок ко всем заказам клиентов). Однако во многих случаях наши решения были скорее «основаны на опыте», чем на данных: мы использовали знания сотрудников мобильной платформы, чтобы консультировать по сильным сторонам каждого партнера.
Было замечательно видеть, что наше уникальное ценностное предложение действительно работает, используется клиентами и приносит доход. Тем не менее, компания уже накопила опыт подбора водителей, и мы знали, что можем оптимизировать рынок обмена поездками. Итак, наши инженеры по машинному обучению были привлечены к работе, и результаты были обнадеживающими: каждый ключевой показатель в среднем увеличился на 5%. Также было удивительно увидеть, насколько неправильно были настроены некоторые из наших конфигураций ранее. Несмотря на то, что мы работали на двух совершенно разных рынках (подробнее о российском опыте ниже), ситуация повторилась. Еще оставалось место для совершенствования путем постепенной настройки веса функций, введения новых функций или отказа от некоторых. Однако некоторые территории (отдаленные города или просто места, где платформа иммобильности не имеет сильной клиентской базы) пришлось оставить под ручным контролем. Тем не менее, «платформа Ride Exchange» стала умнее, надежнее и экономичнее. Не говоря уже о том, что мы стали первыми в мире, кто создал рынок полностью интегрированных транспортных услуг для клиентов в одном приложении, а также первыми, кто внедрил его с помощью машинного обучения.
Основным показателем для нас является процент довольных клиентов, которые забронировали поездку и в конечном итоге доехали до желаемого пункта назначения (GC/GCR – Gross Completion Rate).
10%/20%/50% —> Увеличение процента внедрения модели ML вместо настройки ручного поиска драйверов. Синяя линия иллюстрирует эффективность метрики GCR (общий коэффициент завершения) с использованием модели ML. В отличие от ГКЛ на красной линии – настройка ручного поиска драйверов.
С момента запуска я многое испытал на платформе и усвоил много уроков. Некоторые из них включают в себя:
Начальный сценарий
На пороге 2020-х годов услуги такси в России оказывали около 4300 организаций, преимущественно частных. Увеличение числа коммерческих предприятий было связано со снижением государственных ограничений на выдачу разрешений и мер регулирования тарифного контроля. Это привело к всплеску малого бизнеса и острой конкуренции на рынке. В то время моя мобильная платформа работала как стандартный агрегатор служб такси, конкурируя с другими игроками рынка, такими как Uber, Яндекс и Ситимобил, как за клиентов, так и за водителей. Рынок такси терпел убытки из-за обостряющейся конкуренции, а изменения в потребительском спросе еще больше усложнили ситуацию.
Миссия
Мобильная платформа призвана объединить всех возможных транспортных игроков по всему миру на единой платформе, создав принципиально новый уровень сервиса для корпоративных клиентов, в котором приоритет отдается скорости прибытия автомобилей и оптимизации затрат на поездку. Платформа мобильности обеспечила крупнейшую базу водителей в России благодаря стратегическим соглашениям и партнерским отношениям, в частности с «Ситимобил» в 2020 году и еще одним крупным игроком в 2021 году.
Задача нашей продуктовой команды После заключения партнерских соглашений мне пришлось синхронизировать множество процессов. Одной из ключевых задач была оптимизация распределения заказов клиентов на платформе между поставщиками для повышения надежности и снижения затрат на каждую поездку. Однако возник важнейший рыночный вопрос: как решить, кого и когда использовать наилучшим образом для клиента?
Шаги
Следует учитывать два фактора: основные расходы не связаны с поездкой — приобретение и эксплуатационные расходы.
Эти данные скорее иллюстрируют, насколько решения, основанные на машинном обучении, превосходят решения, принимаемые вручную.
Лучшие показатели