利用机器学习优化叫车服务：产品经理的旅程

每年，全球有超过 14 亿人使用网约车应用程序出行，仅俄罗斯每年就有超过 25 亿次出行。为每位乘客匹配理想的司机是网约车服务的责任。那么，市场领导者如何应对这一复杂任务呢？通过处理千兆字节的实时数据并部署算法（包括基于机器学习的算法），他们确保为乘客匹配最合适的司机。

但所有这些数据点究竟是如何合成的呢？从高层次来看，该过程涉及几个关键步骤：

• 聚集附近所有可用的司机。
• 筛选出那些目前不可用的人员，例如处于“不可用”状态的司机或不符合等级标准的司机（例如舒适乘车的经济型司机）。
• 根据已知因素对剩余司机进行排名，例如他们与上车地点的距离、他们想要去的方向，以及他们接受类似乘车的倾向。

下一步是分批处理：汇总一段时间内的附近订单，然后智能地重新分配司机，以确保每个订单都能得到最佳匹配。这种策略使公司能够在半分钟内分配司机，大大减少客户的等待时间。

然而，只有满足以下条件才可实现这一效率水平：

• 各位司机朋友：
• 关于他们的数据，
• 一种有效的算法。

现在，让我分享一下我在最受欢迎的全球出租车服务公司之一的工作经历，我在这个项目中担任市场领域的产品经理，负责以客户可靠性和公司利润为主要目标。负责合作伙伴集成产品，以及使用机器学习工具优化供应分配逻辑。我们开始吧！

英国的 Ride Exchange 平台

该平台于 2019 年在英国推出。每次推出时，我们都必须以某种方式配置设置。总体而言，这对我们来说是成功的：我们实现了可接受的可靠性数据（在叫车市场，主要的可靠性指标通常代表成功完成的乘车次数与所有客户订单的比率）。然而，在许多情况下，我们的决策更多是“基于专业知识”而不是数据驱动：我们利用移动平台员工的知识来为每个合作伙伴的优势提供建议。

看到我们独特的价值主张真正发挥作用，被客户使用并产生收入，真是太好了。尽管如此，公司已经在司机匹配方面积累了经验，我们知道我们可以优化乘车交换市场。因此，我们的机器学习工程师开始工作，结果令人鼓舞：每个关键指标平均增加了 5%。令人惊讶的是，我们之前的一些配置设置有多么错误。尽管我们在两个完全不同的市场运营（下面详细介绍俄罗斯的经验），但这种模式仍然重复出现。通过逐步微调功能的权重、引入新功能或放弃一些功能，仍有改进空间。然而，一些地区（偏远城市或只是固定平台没有强大客户群的地方）必须保持手动控制。然而，“乘车交换平台”变得更智能、更可靠、更经济高效。更不用说，我们成为世界上第一个在一个应用程序中为客户创建完全集成的交通服务市场，也是第一个用机器学习为其提供支持的公司。

对于我们来说，主要指标是预订行程并最终到达目的地的满意客户百分比（GC/GCR——总完成率）。

10%/20%/50% –> ML 模型实施的百分比（而非手动驾驶员搜索配置）增加。蓝线说明了使用 ML 模型的 GCR（总完成率）指标的性能。与红线上的 GCR 形成对比的是手动驾驶员搜索配置。

自推出以来，我在该平台上经历了很多，也学到了很多教训。其中包括：

• 我们必须在数据的历史深度中找到适当的平衡，以同时反映供应商的最新数据（过去 24 小时的数据）和过去三个月的平均值。
• 哪些功能有用，哪些没用？有两种方法可以回答这个问题：进行模拟和/或进行真实实验。
• 如果你目前只有一个想法，如何说服利益相关者这是值得的？考虑向他们展示你的解决方案的原型或清晰的概念。虽然这可能不是以消费者为中心的产品的最佳做法，但在 B2B 和 B2B2C 设置中效果很好。在这些环境中，反馈周期可能会拖延，等待数周只是为了另一个演示并不理想。快速、有形的演示可以加快决策速度，并使协作顺利进行

我在俄罗斯市场做了什么？

初始场景

进入 2020 年代，俄罗斯的出租车服务由大约 4,300 家组织提供，其中大部分是私营实体。商业企业的激增归因于国家对许可证发放和关税控制监管措施的限制减少。这导致小型企业激增，市场竞争激烈。当时，我的移动平台作为标准的出租车服务聚合器运营，与 Uber、Yandex 和 Citymobil 等其他市场参与者争夺客户和司机。由于竞争加剧，出租车市场面临亏损，而消费者需求的变化使形势进一步复杂化。

使命

该出行平台旨在将全球所有可能的交通参与者整合到一个平台上，为企业客户创造全新的服务水平，优先考虑车辆到达速度和优化行程成本。该出行平台通过战略协议和合作伙伴关系获得了俄罗斯最大的司机群体，尤其是 2020 年与 Citymobil 的合作以及 2021 年与另一家主要参与者的合作

我们产品团队的目标在达成这些合作协议之后，我必须同步众多流程。关键任务之一是优化平台上客户订单在供应商之间的分配，以提高可靠性并降低每次旅行的成本。然而，出现了一个关键的市场问题：如何以对客户最有利的方式决定使用谁以及何时使用？

脚步

1. 从在供应商之间分配订单的手动规则开始。
2. 观察了结果，但并不令人满意。
3. 概念化一个 ML 模型，该模型可以根据其独特标准对每次特定行程的分布做出决策：
   • 订单概况：地点、持续时间、时间等。
   • 每个供应商的市场指标。
   • 有关我们合作伙伴的实时数据：动态价格、司机位置。
   • 每个地方的历史市场知识以及对特定时间的当前情况的评估。

需要考虑的两个因素：主要开支与旅行无关——获取和运营成本。

这些数据点说明了机器学习驱动的决策如何超越手动做出的决策。

主要指标

1. 订单成功率提升1.7%
2. 驾驶员搜索时间减少 12%
3. 旅行收入增加 9%

• 控制 -手动驱动程序搜索配置
• 测试——使用 ML 模型。
• GCR – 总完成率（总预订人数占总人数的比例），越高越好
• 取消率 – 找到司机后取消的行程数量，越低越好
• GP per ride – 每次行程的毛利润，越高越好
• 利润率——每趟行程的收入减去司机/合作伙伴支付的费用，越高越好
• AVG AT – 寻找司机所需的时间，越低越好

采取这些建议可以使 ML 部署流程更加高效：

1. 以用户为中心的优化：虽然优化效率和成本效益至关重要，但您应高度关注用户体验。平衡算法决策过程与用户偏好和期望对于确保持续的客户忠诚度至关重要。定期的反馈机制和用户调查可以为不断变化的客户需求提供宝贵的见解。
2. 特定市场策略：认识到不同市场之间的差异，尤其是俄罗斯出租车市场的按需性质，至关重要。您应该根据其运营的每个市场的具体需求和行为量身定制其策略。这可能涉及调整算法、促销策略或服务产品，以符合每个地区的独特特征。
3. 定期评估和调整：案例研究中展示的成功指标是积极的指标，但您应该建立一个持续的评估流程。定期评估机器学习驱动的决策对关键绩效指标、市场份额和客户满意度的影响，将有助于及时调整和改进。在各个运营方面持续投资机器学习技术，确保不断改进和适应市场变化。这应该超越供应分配逻辑，扩展到其他关键运营。