paint-brush
Araç Aramayı Makine Öğrenimiyle Optimize Etme: Bir Ürün Yöneticisinin Yolculuğuile@maxs
38,083 okumalar
38,083 okumalar

Araç Aramayı Makine Öğrenimiyle Optimize Etme: Bir Ürün Yöneticisinin Yolculuğu

ile Maksim Sadontsev6m2024/03/15
Read on Terminal Reader
Read this story w/o Javascript

Çok uzun; Okumak

Güvenilirliği ve kârlılığı optimize etmek için makine öğreniminden yararlanan bir Ürün Yöneticisinin taksi sektöründeki yolculuğunu keşfedin. Stratejik ortaklıklardan makine öğrenimi odaklı karar almaya kadar, araç çağırma pazarını dönüştürmeye yönelik temel bilgileri ortaya çıkarın. Birleşik Krallık ve Rusya'dan gerçek dünyadan örneklerle, kullanıcı odaklı optimizasyonun ve pazara özel stratejilerin başarıyı nasıl artırdığını öğrenin.
featured image - Araç Aramayı Makine Öğrenimiyle Optimize Etme: Bir Ürün Yöneticisinin Yolculuğu
Maksim Sadontsev HackerNoon profile picture
0-item


Her yıl, dünya çapında 1,4 milyardan fazla insan ulaşım için araç çağırma uygulamalarına başvuruyor; yalnızca Rusya yılda 2,5 milyardan fazla yolculuk gerçekleştiriyor. Her yolcuyu her yolculuk için ideal sürücüyle eşleştirme sorumluluğu doğrudan araç çağırma hizmetinin omuzlarına düşüyor. Peki pazar liderleri bu karmaşık görevin üstesinden nasıl geliyor? Gigabaytlarca gerçek zamanlı veriyi işleyerek ve makine öğrenimine dayalı olanlar da dahil olmak üzere algoritmalar uygulayarak yolcunun en uygun sürücüyle eşleştirilmesini sağlarlar.

Peki tüm bu veri noktaları tam olarak nasıl sentezleniyor? Yüksek düzeyde süreç birkaç kritik adımı içerir:

  • Çevredeki tüm mevcut sürücüleri toplamak.
  • Şu anda müsait olmayanları, örneğin 'müsait değil' durumundaki sürücüleri veya sınıf kriterlerini karşılamayanları (Konforlu sürüş için Ekonomi sürücüleri gibi) filtrelemek.
  • Geri kalan sürücüleri, alım konumuna yakınlıkları, niyetlendikleri yön ve benzer profile sahip yolculukları kabul etme eğilimleri gibi bilinen faktörlere göre sıralıyoruz.

Bir sonraki adım, gruplandırmayı içeriyor: yakındaki siparişleri belirli bir süre boyunca toplamak ve ardından her birinin en iyi eşleşmeyi almasını sağlamak için sürücüleri bu siparişler arasında akıllıca yeniden dağıtmak. Bu strateji, şirketlerin sürücüleri yarım dakikadan daha kısa sürede tahsis etmelerine olanak tanıyarak müşterilerin bekleme süresini önemli ölçüde azaltır.

Ancak bu düzeyde bir verimlilik yalnızca aşağıdakilere sahip olduğunuzda elde edilebilir:

  • Sürücüler,
  • Onlarla ilgili veriler,
  • Etkili bir algoritma.

Şimdi, en popüler küresel taksi hizmetlerinden birinde, bu projede Pazaryeri alanında müşterilerin güvenilirliğinden ve ana hedefler olarak şirket kârından sorumlu Ürün Yöneticisi olarak görev yaptığım deneyimimi paylaşmama izin verin. Hem ürün olarak iş ortağı entegrasyonlarından hem de makine öğrenimi araçlarını kullanarak tedarik tahsis mantığının optimizasyonundan sorumlu olmak. Hadi gidelim!

Birleşik Krallık'taki Ride Exchange platformu

Platform İngiltere'de 2019'da piyasaya sürüldü. Her lansmanımızda kurulumu şu veya bu şekilde yapılandırmak zorunda kalıyorduk. Genel olarak bizim için işe yaradı: kabul edilebilir güvenilirlik rakamlarına ulaştık (araç çağırma pazarında ana güvenilirlik ölçütü genellikle başarıyla tamamlanan yolculukların tüm müşteri siparişlerine oranını temsil eder). Ancak çoğu durumda kararlarımız veriye dayalı olmaktan çok "uzmanlığa dayalıydı": Her bir ortağın güçlü yönleri hakkında tavsiyelerde bulunmak için mobilite platformu personelinin bilgisinden yararlandık.

Benzersiz değer teklifimizin gerçekten işe yaradığını, müşteriler tarafından kullanıldığını ve gelir elde ettiğini görmek harikaydı. Bununla birlikte şirket, sürücü eşleştirme konusunda zaten deneyim kazanmıştı ve araç takası pazarını optimize edebileceğimizi biliyorduk. Böylece makine öğrenimi mühendislerimiz çalışmaya başladı ve sonuçlar cesaret vericiydi: her önemli metrik ortalama %5 arttı. Bazı konfigürasyonlarımızın daha önce ne kadar yanlış kurulduğunu görmek de şaşırtıcıydı. Her ne kadar tamamen farklı iki pazarda faaliyet gösteriyor olsak da (Rusya deneyimi hakkında daha fazla bilgi aşağıda), bu model tekrarlandı. Özelliklerin ağırlıklarına kademeli olarak ince ayar yapılarak, yeni özellikler eklenerek veya bazılarının atılmasıyla hâlâ iyileştirmeler yapılabilecek alan vardı. Ancak bazı alanların (uzak şehirler veya sadece hareketsizlik platformunun güçlü bir müşteri tabanına sahip olmadığı yerler) manuel kontrol altında kalması gerekiyordu. Ancak "Ride Exchange platformu" daha akıllı, daha güvenilir ve uygun maliyetli hale geldi. Üstelik dünyada tek bir uygulamada müşteriler için tam entegre ulaşım hizmetleri pazarı yaratan ve bunu ML ile güçlendiren ilk şirket olduk.

Bizim için temel ölçüm, araç rezervasyonu yapan ve sonunda istedikleri destinasyona araçla ulaşan memnun müşterilerin yüzdesidir (GC/GCR – Brüt Tamamlanma Oranı).



%10/%20/%50 –> Manuel sürücü arama yapılandırması yerine ML modeli uygulama yüzdesinde artış. Mavi çizgi, ML modelini kullanan GCR (Brüt Tamamlanma Oranı) ölçümünün performansını gösterir. Kırmızı çizgide GCR ile kontrast oluşturuyor - manuel sürücü arama yapılandırması.

Lansmandan bu yana platformla ilgili çok şey deneyimledim ve birçok ders öğrendim. Bunlardan bazıları şunlardır:

  • Hem tedarikçi hakkındaki güncel verileri (son 24 saate ait) hem de son üç aydaki ortalamaları hesaba katmak için verilerin tarihsel derinliğinde doğru dengeyi bulmamız gerekiyordu.
  • Hangi özellikler faydalı olacak, hangileri olmayacak? Buna cevap vermenin iki yolu vardır: Bir simülasyon ve/veya gerçek bir deney yapmak.
  • Şimdiye kadar sadece bir fikriniz varsa, paydaşları buna değeceğine nasıl ikna edersiniz? Onlara bir prototip veya çözümünüzün net bir konseptini göstermeyi düşünün. Bu, tüketici odaklı ürünler için en iyi hareket olmasa da B2B ve B2B2C kurulumlarında harikalar yaratıyor. Geri bildirim döngülerinin uzayabileceği bu ortamlarda, başka bir demo için haftalarca beklemek ideal değildir. Hızlı, somut bir demo, karar almayı hızlandırabilir ve işbirliğinin sorunsuz ilerlemesini sağlayabilir

Rusya pazarında ne yaptım?

İlk Senaryo

2020'li yıllara girerken Rusya'da taksi hizmeti çoğunluğu özel kuruluşlar olmak üzere 4.300 civarında kuruluş tarafından sağlanıyordu . Ticari işletmelerin çoğalması, izinlerin verilmesine ilişkin devlet kısıtlamalarındaki azalmaya ve tarife kontrolüne ilişkin düzenleyici tedbirlere bağlandı. Bu durum küçük işletmelerin artmasına ve pazarda yoğun rekabetin yaşanmasına neden oldu. O zamanlar mobilite platformum standart bir taksi hizmeti toplayıcı olarak çalışıyordu ve hem müşteriler hem de sürücüler için Uber, Yandex ve Citymobil gibi diğer pazar oyuncularıyla rekabet ediyordu. Taksi pazarı artan rekabet nedeniyle kayıplarla karşı karşıyayken, tüketici talebindeki değişimler durumu daha da karmaşık hale getirdi.

Misyon

Mobilite platformu, dünya çapındaki tüm olası ulaşım oyuncularını tek bir platformda birleştirmeyi amaçlayarak, kurumsal müşteriler için arabanın varış hızına ve optimize edilmiş yolculuk maliyetlerine öncelik veren temelde yeni bir hizmet düzeyi yarattı. Mobilite platformu, özellikle 2020'de Citymobil ve 2021'de bir başka büyük oyuncuyla stratejik anlaşmalar ve ortaklıklar yoluyla Rusya'daki en büyük sürücü tabanını güvence altına aldı.

Ürün ekibimizin hedefi Bu ortaklık anlaşmalarından sonra birçok süreci senkronize etmek zorunda kaldım. Temel görevlerden biri, güvenilirliği artırmak ve her yolculuk için maliyetleri azaltmak amacıyla platformdaki müşteri siparişlerinin sağlayıcılar arasındaki dağıtımını optimize etmekti. Ancak kritik bir pazar sorusu ortaya çıktı: Müşteri için kimin ve ne zaman kullanılacağına en iyi şekilde nasıl karar verilecek?

Adımlar

  1. Siparişlerin sağlayıcılar arasında dağıtılmasına ilişkin manuel kurallarla başlandı.
  2. Sonuçları gözlemledim ama tatmin edici değildi.
  3. Her bir seyahatin benzersiz kriterlerine göre dağıtımına ilişkin kararlar verebilecek bir ML modelini kavramsallaştırdı:
    • Sipariş profili: konum, süre, zaman vb.
    • Her bir sağlayıcının pazar ölçümleri.
    • Ortaklarımıza ilişkin gerçek zamanlı veriler: dinamik fiyatlar, sürücü konumları.
    • Her konumdaki geçmiş pazar bilgisi ve belirli bir zamandaki mevcut durumun değerlendirilmesi.

Göz önünde bulundurulması gereken iki faktör: Büyük harcamaların seyahatle ilgisi yoktur; satın alma ve işletme maliyetleri.

Bu veri noktaları, makine öğrenimi odaklı kararların manuel olarak alınan kararları nasıl geride bıraktığını gösteriyor.

En İyi Metrikler

  1. Başarılı siparişlerin yüzdesi %1,7 arttı
  2. Sürücü arama süresi %12 azaldı
  3. Seyahat geliri %9 arttı

  • Kontrol - manuel sürücü arama yapılandırması
  • Test - ML modelini kullanarak.
  • GCR – brüt tamamlanma oranı (tüm rezerve edilen yolculukların çıkarılması), ne kadar yüksekse o kadar iyidir
  • İptal Edilen Yüzde - sürücü bulunduktan sonra kaç yolculuk iptal edilir, ne kadar düşükse o kadar iyidir
  • Sürüş başına GP – sürüş başına brüt kar, ne kadar yüksek olursa o kadar iyidir
  • Marj – yolculuk başına gelir, daha az sürücü/ortak ödemesi, ne kadar yüksekse o kadar iyidir
  • AVG AT – sürücü bulmak için gereken süre; ne kadar düşükse o kadar iyidir

ML dağıtım süreçlerini daha verimli hale getirmek için bu önerileri yanınıza alın:

  1. Kullanıcı odaklı optimizasyon: Verimlilik ve maliyet etkinliği için optimizasyon yapmak çok önemli olsa da, kullanıcı deneyimine güçlü bir şekilde odaklanmanız gerekir. Algoritmik karar verme sürecini kullanıcı tercihleri ve beklentileriyle dengelemek, sürdürülebilir müşteri sadakati sağlamak için çok önemlidir. Düzenli geri bildirim mekanizmaları ve kullanıcı anketleri, gelişen müşteri ihtiyaçlarına ilişkin değerli bilgiler sağlayabilir.
  2. Pazara özel stratejiler: Pazarlar arasındaki farklılıkların, özellikle de Rusya taksi pazarının talep üzerine doğasının farkına varılması hayati önem taşımaktadır. Stratejilerini, faaliyet gösterdiği her pazarın özel taleplerine ve davranışlarına uyacak şekilde uyarlamanız gerekir. Bu, algoritmaların, tanıtım stratejilerinin veya hizmet tekliflerinin her bölgenin benzersiz özelliklerine uygun hale getirilmesini içerebilir.
  3. Düzenli değerlendirme ve ayarlama: Örnek olayda gösterilen başarı ölçütleri olumlu göstergelerdir ancak sürekli bir değerlendirme süreci oluşturmalısınız. ML odaklı kararların temel performans göstergeleri, pazar payı ve müşteri memnuniyeti üzerindeki etkisinin düzenli olarak değerlendirilmesi, hızlı ayarlamalara ve iyileştirmelere olanak sağlayacaktır. Çeşitli operasyonel yönlerde makine öğrenimi teknolojilerine yapılan yatırımı sürdürerek sürekli iyileştirme ve pazar değişikliklerine uyum sağlamayı sağlayın. Bu, tedarik tahsisi mantığının ötesine geçerek diğer kritik operasyonlara kadar uzanmalıdır.