Зачем это нужно
2. Чтобы сделать сервис выгоднее для пользователей. Если заранее предположить, куда поедет водитель, можно предложить ему скидку или подсказать более дешевое направление.
Что мы сделали
Мы собрали обезличенные данные пользователей в отдельном месте — в DWH на Google BigQuery. Затем очистили их, привели к единому стандарту и объединили в аналитические группы. Эти данные помогли нам обучить ML-модели прогнозировать спрос на автомобили, высчитывать выручку и дарить скидки пользователям..
Как структурируем данные о поездках
У каждой поездки есть координаты начала и завершения. Для анализа таких геоданных BelkaCar использует подход инженеров Uber. Вся территория, где работает BelkaCar, разделяется на шестиугольный ячейки H3. Каждой ячейке присваивается метаинформация — данные о спросе, предложении и событиях поездок.
Также ячейки сетки H3 мы обогатили метаданными, чтобы делать предсказания о спросе и простое машин. Поэтому мы добавили:
- исторические данные о погоде на период до одного часа;
- пробки;
- геофункции: расположение метро, аэропорта, торгового центра, бизнес-центра, вокзала и т. д.
Разрабатываем Customer Data Platform
Место, где мы собираем и храним данные о клиентах
Возможности для бизнеса
Все данные из CDP отображаются на дашбордах, поэтому бизнес всегда знает статус по всем пользователям и машинам. Маркетологи могут проанализировать поведение пользователей на графиках, придумать и реализовать маркетинговую акцию.
Когда маркетинг формулирует очередную акцию, мы с помощью ML-модели выбираем те сегменты пользователей, которые подходят под нее.
Например, у бизнеса возникает задача сбалансировать спрос и предложение для машин в определенной локации. Когда потенциальный водитель открывает приложение, его запрос проходит через CDP. В этот момент модель машинного обучения пытается предсказать, куда планирует поехать пользователь.
Если водитель, по нашим прогнозам, завершит поездку в локации, где на автомобиль большой спрос, цена для него будет более выгодной, чтобы он с большей вероятностью воспользовался сервисом. Такой пользователь увозит машину из локации с маленьким спросом в локацию с большим спросом и, как следствие, низким простоем.
Результат
Заказчики благодаря CDP смогли:
- запускать маркетинговые эксперименты;
- гибко менять тарифные сетки в разных регионах в зависимости от требований рынка и работать с лояльностью пользователей;
- запускать А/Б-тесты по модели стимулирования поездок;
- снизить простой автомобилей.
Команда AGIMA
-
Андрей Татаринов
Тимлид проекта
-
Бадма Онтаев
Ведущий аналитик
-
Алексей Ланских
Аналитик
-
Ольга Татаринова
Руководитель проекта
-
Сергей Гордеев
Ведущий архитектор и аналитик проекта
-
Алексей Андреев
Аналитик
-
Евгения Заворина
ML-инженер
Команда BelkaCar
-
Илья Качалин
Head of ML
-
Иван Никитин
СРО