ML-модель для каршеринга Belka Car

Помогаем маркетологам делать индивидуальные предложения для клиентов с помощью Customer Data Platform и машинного обучения.

Превью проекта
Каршеринг BelkaCar работает в России с 2016 года. В сервисе около 6 000 автомобилей и более 1,5 миллиона пользователей в Москве и Сочи. Их количество постоянно растет. Поэтому сервису потребовалась технология, которая ускорит поиск машин и предложит водителю выгодные условия. BelkaCar и AGIMA. AI взялись за эту задачу вместе.

Зачем это нужно

1. Чтобы прогнозировать спрос на машину в конкретном месте в конкретное время. Если машина простаивает — заказчик теряет деньги. Правильный прогноз помогает влиять на процесс.


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..

Превью проекта

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.

Превью проекта
Мы разбиваем локацию на шестиугольники. В каждом собираем информацию по спросу, времени суток и даже погоде. Затем анализируем ее и формируем цену поездки. Отдельные шестиугольники мы собираем в соты. Это помогает анализировать данные как точечно, так и по целым районам.
Превью проекта

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.
Превью проекта

Разрабатываем Customer Data Platform

Место, где мы собираем и храним данные о клиентах

Все собранные данные мы складываем в CDP (Customer Data Platform) и регулярно их обновляем. В результате получилась платформа, хранящая огромный массив структурированных данных, поверх 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 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.

Превью проекта
Превью проекта
В Customer Data Platform можно найти всех пользователей, которые отвечают заданным критериям. С помощью CDP не только ML-модели, но и маркетинг сегментирует аудиторию для push-уведомлений или почтовых рассылок. У нас 100+ параметров, поэтому сегменты можно четко формулировать и работать с ними.
Превью проекта

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.

Над проектом работали

 

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

Связаться с нами

Отправьте нам запрос, чтобы начать общение по вашему проекту.

Стать клиентом
+7 495 981-01-85 + Стать клиентом
Услуги Кейсы Контент-хаб