Tối ưu hóa dịch vụ gọi xe bằng Machine Learning: Hành trình của Giám đốc sản phẩm

Hàng năm, hơn 1,4 tỷ người trên toàn thế giới chuyển sang sử dụng các ứng dụng gọi xe để di chuyển, trong đó riêng Nga chiếm hơn 2,5 tỷ chuyến đi mỗi năm. Trách nhiệm kết nối mỗi hành khách với tài xế lý tưởng cho mỗi chuyến đi đặt lên vai của dịch vụ gọi xe. Vì vậy, các nhà lãnh đạo thị trường giải quyết nhiệm vụ phức tạp này như thế nào? Bằng cách xử lý hàng gigabyte dữ liệu thời gian thực và triển khai các thuật toán, bao gồm cả các thuật toán dựa trên máy học, họ đảm bảo hành khách được ghép nối với người lái xe phù hợp nhất.

Nhưng chính xác thì tất cả những điểm dữ liệu này được tổng hợp như thế nào? Ở cấp độ cao, quy trình này bao gồm một số bước quan trọng:

• Tập hợp tất cả các tài xế có sẵn trong vùng lân cận.
• Ví dụ: lọc ra những người hiện không có mặt, những người lái xe ở trạng thái 'không có mặt' hoặc những người không đáp ứng tiêu chí hạng (chẳng hạn như người lái xe Phổ thông để đi xe Tiện nghi).
• Xếp hạng những người lái xe còn lại dựa trên các yếu tố đã biết, chẳng hạn như khoảng cách của họ với địa điểm đón, hướng dự định của họ và xu hướng chấp nhận các chuyến đi có hồ sơ tương tự.

Bước tiếp theo liên quan đến việc phân nhóm: tổng hợp các đơn đặt hàng lân cận trong một khoảng thời gian và sau đó phân phối lại các trình điều khiển một cách thông minh giữa các đơn đặt hàng này để đảm bảo mỗi đơn hàng nhận được kết quả phù hợp nhất. Chiến lược này cho phép các công ty phân bổ tài xế trong thời gian chưa đầy nửa phút, giảm đáng kể thời gian chờ đợi của khách hàng.

Tuy nhiên, mức độ hiệu quả này chỉ có thể đạt được khi bạn có:

• Trình điều khiển,
• Dữ liệu về họ,
• Một thuật toán hiệu quả.

Bây giờ, hãy để tôi chia sẻ kinh nghiệm của mình tại một trong những dịch vụ taxi phổ biến nhất toàn cầu, nơi tôi đóng vai trò trong dự án này với tư cách là Giám đốc sản phẩm tại miền Marketplace chịu trách nhiệm về độ tin cậy của khách hàng và lợi nhuận của công ty làm mục tiêu chính. Chịu trách nhiệm về cả việc tích hợp đối tác với tư cách là một sản phẩm cũng như tối ưu hóa logic phân bổ nguồn cung bằng cách sử dụng các công cụ học máy. Đi nào!

Nền tảng Ride Exchange ở Anh

Nền tảng ở Vương quốc Anh được ra mắt vào năm 2019. Mỗi lần ra mắt, chúng tôi phải định cấu hình thiết lập theo cách này hay cách khác. Nhìn chung, điều đó đã mang lại hiệu quả cho chúng tôi: chúng tôi đã đạt được những con số về độ tin cậy có thể chấp nhận được (trong thị trường dịch vụ gọi xe, chỉ số về độ tin cậy chính thường biểu thị tỷ lệ số chuyến đi đã hoàn thành thành công trên tất cả các đơn đặt hàng của khách hàng). Tuy nhiên, trong nhiều trường hợp, các quyết định của chúng tôi mang tính "dựa trên chuyên môn" hơn là dựa trên dữ liệu: chúng tôi sử dụng kiến thức của nhân viên nền tảng di động để tư vấn về điểm mạnh của từng đối tác.

Thật tuyệt vời khi thấy đề xuất giá trị độc đáo của chúng tôi thực sự hoạt động, được khách hàng sử dụng và tạo ra doanh thu. Tuy nhiên, công ty đã có kinh nghiệm trong việc kết nối tài xế và chúng tôi biết rằng mình có thể tối ưu hóa thị trường trao đổi chuyến xe. Vì vậy, các kỹ sư ML của chúng tôi đã được đưa vào làm việc và kết quả thật đáng khích lệ: trung bình mọi chỉ số quan trọng đều tăng 5%. Tôi cũng rất ngạc nhiên khi thấy trước đó một số cấu hình của chúng tôi đã được thiết lập không chính xác đến mức nào. Mặc dù chúng tôi đang hoạt động ở hai thị trường hoàn toàn khác nhau (xem thêm kinh nghiệm của Nga bên dưới), mô hình này vẫn lặp lại. Vẫn còn chỗ để cải thiện bằng cách tinh chỉnh dần trọng lượng của các tính năng, giới thiệu các tính năng mới hoặc loại bỏ một số tính năng. Tuy nhiên, một số khu vực (thành phố vùng sâu vùng xa hoặc chỉ những nơi mà nền tảng bất động không có lượng khách hàng lớn) vẫn phải chịu sự kiểm soát thủ công. Tuy nhiên, "nền tảng Ride Exchange" đã trở nên thông minh hơn, đáng tin cậy hơn và tiết kiệm chi phí hơn. Chưa kể, chúng tôi đã trở thành công ty đầu tiên trên thế giới tạo ra thị trường dịch vụ vận tải tích hợp đầy đủ cho khách hàng trong một ứng dụng và cũng là công ty đầu tiên hỗ trợ thị trường này bằng ML.

Số liệu chính đối với chúng tôi là tỷ lệ phần trăm khách hàng hài lòng đã đặt chuyến đi và cuối cùng bắt chuyến đi đến điểm đến mong muốn của họ (GC/GCR - Tỷ lệ hoàn thành tổng).

10%/20%/50% –> Tăng tỷ lệ triển khai mô hình ML thay vì cấu hình tìm kiếm trình điều khiển thủ công. Đường màu xanh minh họa hiệu suất của chỉ số GCR (Tỷ lệ hoàn thành tổng) bằng mô hình ML. Ngược lại với GCR trên đường màu đỏ – cấu hình tìm kiếm trình điều khiển thủ công.

Kể từ khi ra mắt, tôi đã trải nghiệm rất nhiều với nền tảng này và học được nhiều bài học. Một số trong số họ bao gồm:

• Chúng tôi phải tìm sự cân bằng phù hợp về chiều sâu lịch sử của dữ liệu để tính cả dữ liệu gần đây về nhà cung cấp (từ 24 giờ qua) và mức trung bình trong ba tháng qua.
• Những tính năng nào sẽ hữu ích và tính năng nào không? Có hai cách để trả lời câu hỏi này: bằng cách tiến hành mô phỏng và/hoặc thử nghiệm thực tế.
• Làm thế nào để bạn thuyết phục các bên liên quan rằng điều đó đáng giá nếu bạn chỉ mới có một ý tưởng cho đến nay? Hãy cân nhắc việc cho họ xem nguyên mẫu hoặc ý tưởng rõ ràng về giải pháp của bạn. Mặc dù đây có thể không phải là động thái tốt nhất cho các sản phẩm tập trung vào người tiêu dùng, nhưng nó có tác dụng kỳ diệu trong các thiết lập B2B và B2B2C. Trong những môi trường này, nơi mà chu kỳ phản hồi có thể kéo dài, việc chờ đợi hàng tuần chỉ để có một bản demo khác là không lý tưởng. Một bản demo nhanh chóng, hữu hình có thể tăng tốc độ đưa ra quyết định và giúp quá trình cộng tác diễn ra suôn sẻ

Tôi đã làm gì ở thị trường Nga?

Kịch bản ban đầu

Khi chúng ta bước vào những năm 2020, dịch vụ taxi ở Nga được cung cấp bởi khoảng 4.300 tổ chức, chủ yếu là các tổ chức tư nhân. Sự phát triển nhanh chóng của các doanh nghiệp thương mại là do việc giảm bớt các hạn chế của nhà nước trong việc cấp giấy phép và các biện pháp quản lý về kiểm soát thuế quan. Điều này dẫn đến sự gia tăng các doanh nghiệp nhỏ và sự cạnh tranh khốc liệt trên thị trường. Vào thời điểm đó, nền tảng di động của tôi hoạt động như một công cụ tổng hợp dịch vụ taxi tiêu chuẩn, cạnh tranh với các đối thủ khác trên thị trường như Uber, Yandex và CityMobil để giành lấy cả khách hàng và tài xế. Thị trường taxi đang phải đối mặt với tình trạng thua lỗ do cạnh tranh ngày càng leo thang, trong khi sự thay đổi về nhu cầu của người tiêu dùng càng khiến tình hình trở nên phức tạp hơn.

Nhiệm vụ

Nền tảng di động nhằm mục đích hợp nhất tất cả những người tham gia vận tải có thể có trên toàn thế giới trên một nền tảng duy nhất, tạo ra một cấp độ dịch vụ mới về cơ bản cho các khách hàng doanh nghiệp, ưu tiên tốc độ đến của ô tô và tối ưu hóa chi phí chuyến đi. Nền tảng di chuyển đã đảm bảo cơ sở lái xe lớn nhất ở Nga thông qua các thỏa thuận và quan hệ đối tác chiến lược, đặc biệt là với CityMobil vào năm 2020 và một công ty lớn khác vào năm 2021

Mục tiêu của nhóm sản phẩm của chúng tôi Sau những thỏa thuận hợp tác này, tôi phải đồng bộ hóa nhiều quy trình. Một trong những nhiệm vụ trọng tâm là tối ưu hóa việc phân phối đơn hàng của khách hàng trên nền tảng giữa các nhà cung cấp nhằm nâng cao độ tin cậy và giảm chi phí cho mỗi chuyến đi. Tuy nhiên, một câu hỏi quan trọng của thị trường đã nảy sinh: Làm thế nào để quyết định sử dụng ai và khi nào theo cách tốt nhất cho khách hàng?

bước

1. Bắt đầu với các quy tắc thủ công để phân phối đơn đặt hàng giữa các nhà cung cấp.
2. Quan sát kết quả, nhưng họ không thỏa đáng.
3. Đã khái niệm hóa một mô hình ML có thể đưa ra quyết định phân phối từng chuyến đi cụ thể dựa trên các tiêu chí riêng của nó:
   • Hồ sơ đặt hàng: địa điểm, thời gian, thời gian, v.v.
   • Số liệu thị trường của từng nhà cung cấp riêng lẻ.
   • Dữ liệu thời gian thực về các đối tác của chúng tôi: giá cả linh hoạt, vị trí tài xế.
   • Kiến thức lịch sử thị trường ở từng địa điểm và đánh giá tình hình hiện tại tại một thời điểm nhất định.

Hai yếu tố cần xem xét: các chi phí chính không liên quan đến chuyến đi—chi phí mua lại và chi phí vận hành.

Những điểm dữ liệu này minh họa rõ hơn cách các quyết định do ML điều khiển vượt qua các quyết định được thực hiện thủ công.

Số liệu hàng đầu

1. Tăng tỷ lệ đơn hàng thành công lên 1,7%
2. Giảm thời gian tìm kiếm trình điều khiển xuống 12%
3. Doanh thu chuyến đi tăng 9%

• Kiểm soát - cấu hình tìm kiếm trình điều khiển thủ công
• Kiểm tra - sử dụng mô hình ML.
• GCR – tỷ lệ hoàn thành tổng thể (các chuyến đi được tính trong số tất cả các chuyến đã đặt), càng cao thì càng tốt
• % Đã hủy – bao nhiêu chuyến xe bị hủy sau khi tìm thấy tài xế, càng thấp càng tốt
• GP trên mỗi chuyến đi – tổng lợi nhuận trên mỗi chuyến đi, càng cao càng tốt
• Biên lợi nhuận – doanh thu trên mỗi chuyến đi, thanh toán cho tài xế/đối tác ít hơn, càng cao càng tốt
• AVG AT – thời gian tìm driver, càng thấp càng tốt

Hãy mang theo những đề xuất này để giúp quá trình triển khai ML hiệu quả hơn:

1. Tối ưu hóa tập trung vào người dùng: Mặc dù việc tối ưu hóa hiệu quả và tiết kiệm chi phí là rất quan trọng nhưng bạn nên duy trì sự tập trung mạnh mẽ vào trải nghiệm người dùng. Cân bằng quá trình ra quyết định theo thuật toán với sở thích và mong đợi của người dùng là điều cần thiết để đảm bảo lòng trung thành của khách hàng được duy trì. Cơ chế phản hồi thường xuyên và khảo sát người dùng có thể cung cấp những hiểu biết có giá trị về nhu cầu ngày càng tăng của khách hàng.
2. Chiến lược dành riêng cho thị trường: Nhận thức được sự khác biệt giữa các thị trường, đặc biệt là tính chất theo yêu cầu của thị trường taxi ở Nga, là rất quan trọng. Bạn nên điều chỉnh chiến lược của mình cho phù hợp với nhu cầu và hành vi cụ thể của từng thị trường mà nó hoạt động. Điều này có thể liên quan đến việc điều chỉnh các thuật toán, chiến lược quảng cáo hoặc cung cấp dịch vụ để phù hợp với đặc điểm riêng của từng khu vực.
3. Đánh giá và điều chỉnh thường xuyên: Các số liệu thành công được trình bày trong nghiên cứu điển hình là những chỉ số tích cực, nhưng bạn nên thiết lập một quy trình đánh giá liên tục. Việc thường xuyên đánh giá tác động của các quyết định do ML thúc đẩy đối với các chỉ số hiệu suất chính, thị phần và sự hài lòng của khách hàng sẽ cho phép điều chỉnh và cải tiến kịp thời. Duy trì đầu tư vào công nghệ máy học trên nhiều khía cạnh hoạt động khác nhau, đảm bảo liên tục cải tiến và thích ứng với những thay đổi của thị trường. Điều này sẽ mở rộng ra ngoài logic phân bổ nguồn cung cấp cho các hoạt động quan trọng khác.