`

СПЕЦИАЛЬНЫЕ
ПАРТНЕРЫ
ПРОЕКТА

Архив номеров

Что для вас является метрикой простоя серверной инфраструктуры?

Best CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Умный баланс

+22
голоса

Время подачи машины является одним из важнейших параметров для пассажирских таксомоторных перевозок. После резкого обострения конкуренции на украинском рынке сервисов поиска авто в 2016 г. его игроки включились в борьбу на выживание. Из статьи вы узнаете как компания Uklon, при поддержке SMART business и с помощью прогнозной аналитики Microsoft, смогла усовершенствовать систему ценообразования и повысить качество услуг.

Еще сравнительно недавно существовал лишь один способ вызвать такси – позвонить по телефону в диспетчерскую службу. Однако, по оценкам специалистов, на одном только столичном рынке работают десятки компаний-перевозчиков и тысячи водителей (причем около половины на нерегулярной основе). Не говоря уже о ситуации, когда путешественник попадает в незнакомый город. Кроме того, в периоды повышенного спроса процесс поиска свободной машины может существенно затянуться. Поэтому с развитием мобильного доступа в Интернет абсолютно логичным стало появление сервисов вызова авто, заметно упрощающих и ускоряющих задачу.

Одним из первых в Украине начал работу сервис Uklon. Он дает возможность найти автомобиль через приложение на смартфоне или на интернет-сайте. Его разработка стартовала в 2009 г., а первый заказ был выполнен в марте 2010 г. Проект динамично развивается и на сегодня он доступен на основных мобильных платформах и уже в десяти городах.

Умный баланс
Дмитрий Солопов: «Необходимо, чтобы заказчик был заинтересован в реализации проекта. Мы стараемся дать какую-то добавленную ценность бизнесу, используя предиктивную аналитику и машинное обучение»

Отличительной особенностью приложения Uklon является заранее оговоренная стоимость поездки и изначально рекомендательный ее характер. Пассажир на начальном этапе может на свое усмотрение откорректировать ее в любую сторону, находя наиболее подходящее соотношение время\ деньги. Для пользователя все выглядит предельно просто – указать начальную и конечную точку маршрута и, если предложенная цена устраивает, вызвать машину. Однако за кулисами все значительно сложнее.

Чтобы сделка состоялась к обоюдному удовлетворению сторон, при подборе авто учитывается ряд факторов, включая индивидуальные рейтинги водителей и т.д. Одним из ключевых, конечно же, является цена. Причем поскольку она оговаривается изначально, необходимо спрогнозировать все по возможности точно. Высокая может отпугнуть пассажира, а низкая – водителя. Во втором случае поиск подходящего варианта затягивается, особенно в часы пик, и в результате заказчик также останется недовольным. Ведь если желающих везти за предложенную сумму нет, приходится повышать базовый тариф до тех пор, пока машина не найдется. И это может занять немало времени, либо переплата окажется большой.

Изначально Uklon использовал традиционную и наиболее очевидную систему ценообразования – по километражу. Однако результат мог быть неудовлетворительным ввиду динамически меняющейся обстановки в городе – в случае заторов на дороге или шофер теряет деньги на невыгодном объездном маршруте, или клиент время – из-за простоя. К тому же, в 2016 г. на украинский, а по сути столичный, рынок такси в одночасье вышли еще по меньшей четыре аналогичных информационных сервиса, включая американский Uber, и ситуация резко обострилась. На стороне Uklon была фора в шесть лет, отлаженные взаимоотношения с перевозчиками и немалая клиентская база. Но у привыкших к удобству пассажиров появилась возможность легко быстро сравнить предложения нескольких агрегаторов и любая недоработка могла стать фатальной.

Отметим, что по некоторым оценкам, в Киеве занимаются извозом около 20 тыс. водителей – примерно половина на постоянной основе, остальные время от времени. Считается, что именно на свободных агентов в первую очередь ориентируются агрегаторы. Но на поверку немало водителей также используют несколько вариантов поиска клиентов. С усилением конкуренции началась гонка возможностей приложений. Пользование вызовом такси онлайн в 2016 г. примерно удвоилось – ориентировочно до пятой части всех заказов.

Собственно Uklon сотрудничает в столице с более чем 5 тыс. партнеров. В настоящее время сервис обрабатывает ежемесячно шестикратное количество заказов, при этом в часы пик, в зависимости от дня недели и ряда внешних факторов, спрос вырастает до нескольких тысяч запросов от клиентов.

Летом 2016 г. Uklon внедрил систему формирования цены с динамическим коэффициентом, учитывающую уровень спроса – количество заказов и наличие свободных бортов. Это несколько ускорило выход на оптимальную стоимость. Но не до конца решило проблему вывоза из отдельных точек города и длительного поиска машины в некоторых ситуациях.

Появилась идея для улучшения ключевых показателей работы сервиса попробовать в сотрудничестве с Microsoft задействовать возможности нейронных сетей и прогнозной аналитики. Техническим партнером проекта выступила компания SMART business, имеющая богатый опыт, в том числе в области анализа больших данных и машинного обучения. Таким образом, собралась команда из консультантов киевского офиса «Майкрософт», инженеров интегратора и специалистов заказчика.

«Необходимо, чтобы заказчик был заинтересован в реализации проекта. Мы стараемся дать какую-то добавленную ценность бизнесу, используя предиктивную аналитику и машинное обучение. Uklon для себя ее увидел. У них оказалась достаточно отзывчивая команда. Ну и, конечно же, вопрос готовности данных. В этом плане Uklon показал себя вполне современной продвинутой компанией. Подобные решения также могут быть полезны розничным сетям, FMCG, агро-бизнесу, почтово-логистическим компаниям, в электронной коммерции», – рассказывает Дмитрий Солопов, менеджер по развитию бизнеса SMART business по направлению Advanced Analytics.

Перед разработчиками стояла задача сократить ожидаемое время прибытия авто и повысить процент вывоза. От этого зависит, будет ли выполнен заказ, и, в конечном счете, лояльность клиента. В свою очередь на указанные два показателя могут влиять множество параметров – от географии, до погоды. Требовалось создать новую модель, которая помогла бы в каждой конкретной ситуации максимально быстро найти справедливую цену, устраивающую обе стороны сделки.

После изучения бизнес-процессов Uklon инженеры SMART business сформировали ряд гипотез и начали их проверку на 20 ГБ обезличенных исторических данных по заказам и поездкам в Киеве, представленных в виде таблицы CSV с десятками полей. Параллельно использовалась информация из нескольких открытых источников о погоде. Под проверкой гипотез подразумевается выяснение, какие факторы влияют на ключевой показатель и насколько существенно.

Для упрощения обработки данных параметры разделили по группам. В частности, на основе изучения наиболее популярных мест подачи машин были сформированы кластеры, отличные от административного деления на районы.

Затем посредством анализа всплесков спроса в зависимости от сезона, дня недели и часа образовались временные группы.

Также была проведена сегментация пассажиров по поведенческой модели – маршруты, время, частота и другие характеристики поездок, отмена заказов, готовность повышать цену и т.п.

Умный баланс
Виталий Дятленко, технический директор и сооснователь сервиса Uklon: «Нашу ИТ-инфраструктуру скорее можно назвать гибридной, мы стараемся использовать преимущества всех подходов»

После такой предварительной подготовки наборы параметров загружались в базу данных Azure SQL и использовались для тренировки модели в Azure Data Science Virtual Machine. Затем ее работа проверялась на специальной выборке и, в случае необходимости, процесс повторялся с другим набором, вплоть до получения требуемого результата.

Готовая модель была развернута в виде веб-сервиса на базе платформы Azure Machine Learning и схема работы решения в общих чертах стала следующей. На этапе формирования заказа сервер Uklon сначала рассчитывает минимальную стоимость на основе протяженности маршрута. Затем, исходя из текущей ситуации и с учетом значимых параметров, обученная модель формирует оптимальную цену для поездки, на которую с высокой вероятностью согласятся и клиент и водитель. Видя предложенный вариант, пассажир может на свое усмотрение откорректировать его в любую сторону. Но, как правило, торг увеличивает продолжительность заказа машины и тут уж каждый волен сам искать оптимальный баланс временных и финансовых затрат.

После запуска разработанной специалистами SMART business модели в эксплуатацию параллельно с системой ценообразования на основе динамического коэффициента (50\50) выяснилось, что в трех из четырех случаев клиенты соглашаются на предложенную цену не торгуясь. Новый алгоритм позволил улучшить целевые показатели времени подачи машины и процента выполнения заказов на 5-15%, в зависимости от ситуации. Помимо этого, несколько вырос средний чек поездки и соответственно доход сервиса, без сокращения клиентской базы.

Описанный проект занял около пяти месяцев – полтора на проверку гипотез и построение модели, остальное – на ее тестирование и интеграцию. К эксплуатации решения Uklon приступил в конце 2017 г. Стоимость внедрения составила до 10 тыс. долл., включая разработку плату за использование облачной инфраструктуры Microsoft.

В целом результат проекта был признан положительным и в дальнейшем планируется его развитие. В частности, есть намерение научить модель учитывать проходящие в городе массовые мероприятия, а также регулярно переобучать ее на основе обновленных данных. В перспективе этот процесс будет полностью автоматизирован.

Таким образом, разработанный инженерами SMART business алгоритм с использованием машинного обучения и предиктивной аналитики Microsoft позволяет клиентам Uklon за минимальное время найти оптимальный баланс спроса и предложения для каждого конкретного случая в виде цены. Благодаря этому пассажир быстро и за приемлемую стоимость получает необходимый ему транспорт, водитель – заказ с достойной оплатой, а сервис – вознаграждение за отлично проделанную работу.

«Нашу ИТ-инфраструктуру скорее можно назвать гибридной, мы стараемся использовать преимущества всех подходов. Там, где реально спрогнозировать нагрузку – используем выделенные серверы, там, где нужна гибкость и быстрая масштабируемость – облака. Для быстрого запуска модели динамического ценообразования без лишних затрат на дорогостоящее оборудование было выбрано облачное решение от Microsoft. То же касается и баз данных, к примеру. В качестве надежного хранилища используется MS SQL, для работы с большими объемами данных MongoDB, быстрое и распределенное хранилище – Redis», – говорит Виталий Дятленко, технический директор и сооснователь сервиса Uklon.

+22
голоса

Напечатать Отправить другу

Читайте также

 
 
IDC
Реклама

  •  Home  •  Рынок  •  ИТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Сети  •  Безопасность  •  Наука  •  IoT