Задача
Каршеринг BelkaCar работает в России с 2016 года и насчитывает около 6 000 автомобилей и более 1,5 миллиона пользователей в Москве и Сочи. В связи с ростом количества клиентов, сервису потребовалась «умная» программа - инструмент для управления и оптимизации спроса на автомобили. Чтобы улучшить качество обслуживания, команда BelkaCar совместно с Epoch8 приступила к реализации этой задачи.
Наш подход
Мы собрали значимые анонимизированные данные в едином месте (в DWH на Google BigQuery), очистили их и объединили в ключевые аналитические сущности:
КАК ВСЕ УСТРОЕНО
ОТДЕЛЬНАЯ ИНТЕРЕСНАЯ ЗАДАЧА — ЭТО СТРУКТУРИРОВАНИЕ ДАННЫХ О ПОЕЗДКАХ.
Каждая поездка имеет координаты начала и завершения, и для анализа таких геоданных BelkaCar использует подход, разработанный инженерами Uber. Вся территория работы сервиса делится на шестиугольную сетку (ячейки H3). Каждой ячейке присваивается метаинформация, включающая данные о спросе, предложении и событиях поездок.
На приведенных выше картах изображен процесс разбивки точек на группы с помощью H3: автомобили в городе; автомобили в шестиугольниках; шестиугольники, затененные по количеству автомобилей.
Разрабатываем Customer Data Platform – хранилище для сбора и хранения данных о клиентах.
Все собранные данные мы загружаем в Customer Data Platform (CDP) и регулярно обновляем их. В результате получилась платформа, содержащая большой массив структурированных данных, на основе которых можно строить аналитические отчеты и запускать модели машинного обучения.
ВОЗМОЖНОСТИ ДЛЯ БИЗНЕСА
Все данные из CDP отображаются на дашбордах, поэтому бизнес всегда знает статус по всем пользователям и машинам.
Маркетологи могут анализировать поведение пользователей с помощью графиков и на основе этой информации придумывать и реализовывать маркетинговые акции.
Маркетологи могут анализировать поведение пользователей с помощью графиков и на основе этой информации придумывать и реализовывать маркетинговые акции.
Например, перед бизнесом стоит задача сбалансировать спрос и предложение для автомобилей, находящихся и прибывающих в определённую локацию.
Когда потенциальный водитель открывает приложение, его запрос проходит через CDP. В этот момент модель машинного обучения прогнозирует, куда пользователь планирует поехать.
Если по нашим прогнозам водитель завершит поездку в локации с высоким спросом на автомобили, цена для него будет более привлекательной, чтобы повысить вероятность использования сервиса.
Такой пользователь увозит машину из локации с маленьким спросом на машину в локацию с большим спросом, и, как следствие, низким ожидаемым простоем.
Если по нашим прогнозам водитель завершит поездку в локации с высоким спросом на автомобили, цена для него будет более привлекательной, чтобы повысить вероятность использования сервиса.
Такой пользователь увозит машину из локации с маленьким спросом на машину в локацию с большим спросом, и, как следствие, низким ожидаемым простоем.
Customer Data Platform позволяет находить всех пользователей, соответствующих заданным критериям.
С помощью CDP не только ML-модели, но и маркетинговая команда может сегментировать пользователей для push-уведомлений или почтовых рассылок, основываясь на определенных характеристиках.
С более чем 100 параметрами можно точно формулировать сегменты и эффективно работать с ними.
С помощью CDP не только ML-модели, но и маркетинговая команда может сегментировать пользователей для push-уведомлений или почтовых рассылок, основываясь на определенных характеристиках.
С более чем 100 параметрами можно точно формулировать сегменты и эффективно работать с ними.
ВОЗМОЖНОСТИ
РЕЗУЛЬТАТЫ
Благодаря CDP заказчики могут
- Запускать эксперименты с ценообразованием и маркетинговые эксперименты.
- Гибко менять тарифные сетки в разных регионах в зависимости от требований рынка и работать с лояльностью пользователей.
- Запускать A/B-тесты по модели стимулирования поездок.
