На выходных я просматривал различные инженерные блоги и видеоролики, в которых рассказывалось о процессах регистрации и оформления заказов в Lyft. Этот опыт привел меня к осознанию того, что индустрия такси в Индии не так развита, как у Lyft, которая предоставляет своим пользователям исключительное и индивидуальное обслуживание. В то время как inDrive делает успехи в понимании потребностей индийских пользователей, Uber и Ola предстоит пройти долгий путь.
На мой взгляд, индустрия такси представляет собой особенно увлекательную область для науки о данных. Хотя мне удалось поработать над ним всего несколько месяцев в качестве подрядчика, я нашел этот опыт невероятно увлекательным. Если вам интересно узнать больше об этой теме, не стесняйтесь ознакомиться с первым выпуском моего информационного бюллетеня.
Объем персонализации в Ride-Hailing
В предыдущем информационном бюллетене Ride Hailing Newsletter я рассказал о различных случаях использования науки об операционных данных, включая алгоритм сопоставления водителя и пассажира, динамическое ценообразование и прогнозирование спроса. Однако в этом выпуске я углублюсь в методы, используемые для персонализации, упрощения оформления заказа и дополнительных/перекрестных продаж, которые направлены на улучшение взаимодействия с пользователем на такой платформе, как Lyft.
Поездка в одно касание и ценообразование в зависимости от времени прибытия. Для частых путешественников или «суперпользователей» Lyft предлагает модуль «в одно касание», с помощью которого они могут предсказать свой маршрут, что ускоряет процесс оформления заказа. А для тех, кто ценит время, Lyft ранжирует варианты в зависимости от типа пользователя. Студенты, например, предпочитают более дешевые варианты и не против подождать несколько дополнительных минут. Кроме того, Lyft запоминает ваши предыдущие варианты выбора на основе маршрута и времени, чтобы быстро оформить заказ.
Визуальное выделение. Настоящим преимуществом является визуальное выделение. Даже если цена и такси одинаковы, Lyft показывает их по-разному, чтобы вы чувствовали себя особенными. Я имею в виду, кто не хочет чувствовать себя особенным, верно? Было бы интересно проанализировать, как меняется поведение пользователя при разных визуальных выделениях. Отличная стратегия.
Допродажа. А если этого недостаточно, после оформления заказа Lyft предлагает дополнительные продажи для более быстрой поездки или поездки в более высоком сегменте, вариант обновления с таймером, который дает вам ощущение срочности. Вы можете нажать эту кнопку обновления, когда увидите исходный тариф плюс немного больше сообщений.
Перекрестные продажи. Если кто-то забронировал поездку на велосипеде в следующем бронировании, предоставьте скидку на поездку в такси или, если у вас есть что-то вроде Uber Eats, предоставьте купон на еду.
Чтобы получить четкое представление о различиях между Upsell и Cross-sell, обратитесь к прилагаемому изображению. Это поможет людям, незнакомым с этими понятиями, легче понять их.
Как достичь вышеперечисленного с помощью науки о данных?
- OneTap Ride: модель прогнозирования поведения пользователей, местоположения и времени заказа такси. Мы можем точно прогнозировать рутинные заказы часто путешествующих и предлагать им возможность бронирования OneTap домой или на работу.
- Цена на основе времени прибытия: это очень интересно и может быть очень полезным для моделей прогнозирования спроса. Lyft экспериментирует с динамическим ценообразованием с прозрачностью спроса и доступности пассажиров в определенной области. Для этого нам нужны точные модели прогнозирования ожидаемого времени прибытия.
- Ранжирование сущностей можно настроить в соответствии с предпочтениями пользователя путем предварительного выбора сущностей и ранжирования их на основе уровня пользователя или уровня когорты. Такой подход обеспечивает более персонализированный опыт. Например, группа студентов может предпочесть самую дешевую поездку, в то время как бизнесмены могут предпочесть роскошные такси. Чтобы эффективно моделировать ранжирование объектов, важно учитывать сегментацию пользователей, прошлые действия при выборе, географические особенности и т. д.
- Visual Highlight — это классическая проблема: ее можно решить с помощью контекстных Multi-Arm Bandits, придающих пользователю более персонализированный вид.
- Upsell и Cross-sell не являются чем-то особенным, так как они хорошо решены в сфере электронной коммерции. Это часть селективной модели с ценообразованием и маржинальными играми.
Рейтинг опционов в Lyft
У Lyft так много вариантов, и упомянутая выше точка рейтинга 3 важна для более быстрого и персонализированного оформления заказа для пользователя.
ЦЕЛЬ: Разработать модель склонности, чтобы прогнозировать вероятность того, что гонщик перейдет в каждый режим, и соответствующим образом настроить рейтинг. Модели учитывают обширную информацию, включая временные характеристики, такие как информация о местоположении и времени, сигналы спроса/предложения, истории поездок и предпочтения пользователя.
В фоновом режиме для этого Lyft использует:
- Алгоритм: LightGBM (каждый режим рассматривается как отдельный класс с весами, определяемыми путем анализа финансовых показателей для конкретного режима)
- Цель модели: лямбда-ранг или многоклассовая классификация в зависимости от различных вариантов использования.
- Гиперпараметры: для достижения желаемых результатов требуется много настроек типичных гиперпараметров, таких как максимальная глубина и скорость обучения.
Хотя это может показаться простой проблемой, рекомендовать и ранжировать элементы становится все труднее для бизнеса. Это связано с тем, что теперь они требуют как персонализации пользователей, так и более высоких показателей монетизации. Чтобы решить эту проблему, многие платформы начали использовать методы персонализации рекламы. Эти методы включают ранжирование объектов на основе комбинации оценки предпочтений пользователя и показателя монетизации. Используя этот подход, предприятия могут предоставлять пользователям персонализированные рекомендации, а также максимизировать свой доход.
Поскольку компании все больше отдают предпочтение прибыльности, перед учеными, работающими с данными, стоит задача найти решения, которые уравновешивают показатели монетизации и предпочтения пользователей.
Эта проблема имеет гораздо большее значение. Проблемы ранжирования и релевантности всегда интересно разрабатывать и обдумывать. Я хотел бы услышать ваше мнение об этой проблеме и поделиться своим мнением в комментариях.
Ссылка
Система рекомендаций в Lyft от Jinshu Niu
Я оттачиваю свои супергеройские навыки решения проблем, и если вам нужен специалист по обработке и анализу данных, чтобы помочь вам с какой-либо консультационной работой, вы знаете, где меня найти! Напишите мне по адресу [email protected], и мы сотворим чудо.
НАЖМИТЕ НА ЗНАЧОК СЛЕДУЮЩИЙ В МОЕМ ПРОФИЛЕ, ЧТОБЫ ПОЛУЧАТЬ МОИ ОБНОВЛЕНИЯ НАУКИ ДАННЫХ И УВЕДОМЛЕНИЯ О БЮЛЛЕТЕНЯХ.
Подпишитесь, чтобы получать уведомления по электронной почте о каждой публикации информационного бюллетеня: ЗДЕСЬ
Первоначально опубликовано на https://www.linkedin.com.
Подпишитесь на DDIntel Здесь.
Посетите наш сайт здесь: https://www.datadriveninvestor.com
Присоединяйтесь к нашей сети здесь: https://datadriveninvestor.com/collaborate
