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:
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:
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!
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:
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
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