1. Pendahuluan
Platform transportasi penumpang online, seperti Uber, DiDi dan Yandex, baru-baru ini muncul, sementara mereka dengan cepat mencapai ukuran yang mengesankan dan, meskipun usianya kecil, secara signifikan memodifikasi dan menambah sistem transportasi kota. Teknologi dan model teoritis yang digunakan oleh platform ini (atau dikembangkan untuk mereka) saat ini merupakan area penelitian aktif untuk berbagai spesialis dalam komunitas ilmiah: ekonom, matematikawan, programmer dan insinyur.
Dalam artikel ini, kami (sebagai perwakilan dari tim Optimalisasi Pasar Uber) akan secara singkat menyajikan pandangan dalam pada tuas utama mengelola efektivitas platform online: algoritma yang bertanggung jawab untuk mengirimkan keputusan (pencocokan), harga dinamis, dan juga memperkenalkan salah satu konsep baru - waktu pengangkatan mobil yang dinamis (penantian dinamis). Berdasarkan pengalaman praktis yang sebenarnya, kami akan menunjukkan bahwa ketiga algoritma memainkan peran penting dalam menciptakan sistem dengan kinerja tinggi dan waktu tunggu yang rendah untuk pesanan untuk penumpang dan pengemudi.
Deskripsi algoritma yang disajikan akan bersifat eksplorasi dan sengaja tanpa kedalaman teknis dan kekakuan. Pembaca yang tertarik diundang untuk mempelajari artikel asli (
Penentuan Harga Dinamis dan Pencocokan dalam Platform Naik-Naik -
N. Korolko , D.Woodard, C.Yan, H.Zhu - 2019), yang diterbitkan oleh para peneliti dari Uber Marketplace, berdasarkan ulasan singkat pengantar ini. dan dibuat.
2. Deskripsi algoritma utama
Selama dekade terakhir, industri solusi transportasi telah berkembang pesat berkat ide dan teknologi konseptual baru, seperti platform transportasi penumpang online, pengembangan mobil self-driving dan mobil listrik. Sinergi dari teknologi ini, yang mana banyak perusahaan dan laboratorium bekerja pada saat yang sama, menjanjikan terobosan besar dalam mengurangi biaya unit transportasi penumpang, tidak kurang dari 10 kali selama beberapa dekade.
Pertumbuhan paling eksplosif dari daftar teknologi ini saat ini ditunjukkan oleh platform transportasi penumpang online. Sebagai contoh, Uber telah menghasilkan lebih dari 10 miliar perjalanan di lebih dari 80 negara dan 700 kota di seluruh dunia selama 10 tahun keberadaannya [Gambar 1]. Pasar global untuk transportasi online semacam itu menjanjikan untuk mencapai ukuran luar biasa sebesar $ 285 miliar pada tahun 2030. Oleh karena itu, tidak mengherankan bahwa efektivitas platform semacam itu yang secara dinamis mengendalikan pasar bilateral penumpang dan pengemudi sangat penting secara praktis.
Studi empiris menunjukkan bahwa algoritma otomatis untuk pemrosesan data, perutean, penetapan harga, dan pemesanan memungkinkan platform online untuk mencapai pemanfaatan jam kerja pengemudi yang lebih tinggi dan waktu tunggu yang lebih singkat bagi penumpang daripada layanan taksi klasik. Selain itu, dua karakteristik utama dari sistem ini (pemanfaatan waktu pengemudi dan waktu tunggu penumpang) terkait erat dengan keandalan dan stabilitas layanan: wabah permintaan lokal yang mendadak (misalnya, pada akhir konser besar atau pada Malam Tahun Baru) dapat secara signifikan memperburuk kedua metrik, dengan demikian memanfaatkan layanan tidak menarik untuk kedua sisi pasar. Hal ini disebabkan oleh fakta bahwa pengemudi di jalur di zona permintaan tinggi dengan cepat menerima sebagian kecil dari jumlah total pesanan, dan pengemudi dari daerah terpencil ditugaskan ke bagian pesanan yang tersisa. Ini meningkatkan waktu pengiriman mobil, yang paling sering tidak dibayarkan kepada pengemudi (dan karenanya mengurangi penghasilannya per unit waktu), dan pada saat yang sama membentuk kesan negatif pada penumpang. Dengan demikian, kedua belah pihak yang menggunakan platform mulai menggunakannya lebih sedikit. Karena itu, kedua metrik mulai memburuk bahkan lebih, sehingga memutar spiral kinerja platform ke arah efisiensi nol. Dalam sastra Inggris, fenomena negatif ini disebut Wild Goose Chase (WGC), terjemahan harfiahnya adalah "pengejaran angsa liar".
Dua teknologi utama yang ditujukan untuk meningkatkan stabilitas dan produktivitas platform adalah algoritma distribusi pesanan dan harga dinamis. Teknologi pertama mengontrol keputusan pengiriman, dan penetapan harga real-time yang dinamis menyeimbangkan rasio permintaan-penawaran yang sangat fluktuatif untuk transportasi penumpang. Harga dinamis sangat penting untuk menjaga kinerja sistem, mengurangi waktu tunggu untuk mobil, dan meningkatkan jumlah pengemudi selama periode permintaan tinggi. Selain itu, studi empiris dan teoritis menunjukkan bahwa penetapan harga dinamis dapat mengurangi skala efek berbahaya patologis WGC.
2.1 Algoritma untuk distribusi pesanan (matching)
Algoritma pengiriman paling sederhana untuk menetapkan driver untuk memesan adalah apa yang disebut protokol pengiriman pertama. Terlepas dari kesederhanaan dan indikator kinerja praktis yang baik, mudah untuk menunjukkan bahwa algoritma ini tidak efektif dalam sejumlah besar situasi yang sering terjadi. Pertama, ia memilih pengemudi hanya dari kelompok pengemudi yang bebas pada saat memesan, mengabaikan pengemudi yang mungkin hampir menyelesaikan perjalanan di sekitar pesanan baru [Gambar 4]. Kedua, algoritma sederhana ini hanya memperhitungkan informasi tentang sistem dalam periode waktu tertentu, sementara paling sering platform dapat diberikan informasi yang cukup akurat tentang apa yang akan terjadi dengan aliran pesanan dan distribusi spasial driver dalam waktu dekat. Dalam literatur, kelas tugas serupa yang memberikan resep praktis bagaimana informasi tersebut dapat digunakan untuk meningkatkan kualitas algoritma disebut "masalah K-server".
Algoritma pengiriman populer lainnya didasarkan pada gagasan menggabungkan sekelompok pesanan perjalanan dalam interval waktu singkat dan memecahkan masalah optimasi agregat penugasan berpasangan. Dengan kata lain, alih-alih secara instan dan berurutan menetapkan mobil untuk setiap pesanan individu, sistem mengumpulkan informasi tentang pesanan yang masuk dan mendistribusikan pesanan yang terakumulasi di antara pengemudi di jalur dengan beberapa frekuensi. Jika beberapa pesanan dibiarkan tanpa driver yang ditunjuk, maka mereka tetap dalam sistem dan berpartisipasi dalam tugas mendistribusikan langkah waktu berikutnya. Fungsi objektif tugas pengoptimalan yang harus diselesaikan pada setiap langkah dapat mencakup berbagai metrik yang mencirikan kualitas janji pengiriman yang dihasilkan: waktu tunggu penumpang untuk mobil, jarak antara pesanan dan pengemudi yang ditunjuk, kemungkinan pembatalan pesanan oleh penumpang atau pengemudi, dll.
Dalam praktiknya, algoritma pengiriman terlihat jauh lebih rumit, karena mereka harus memperhitungkan sejumlah besar fitur dari berbagai produk yang secara bersamaan disajikan dalam antarmuka aplikasi. Misalnya, mobil yang terdaftar di platform dapat dari kelas kenyamanan yang berbeda dan kapasitas yang berbeda. Beberapa produk platform online menyiratkan penggunaan simultan satu mobil oleh penumpang yang berbeda (UberPool, Lyft Line), jika rute mereka cukup dekat. Selain itu, keputusan pengiriman seringkali harus mempertimbangkan preferensi pengemudi untuk area layanan dan arah pesanan yang diterima oleh mereka. Dengan demikian, berbagai masalah optimisasi yang timbul yang ditujukan untuk meningkatkan efisiensi keputusan pengiriman, yang juga perlu diselesaikan secara real time, terus diperbarui dengan formulasi baru yang semakin kompleks.
2.2 Algoritma penetapan harga dinamis
Salah satu kesulitan operasional utama dalam mengelola platform transportasi penumpang online adalah volume permintaan dan pasokan untuk layanan taksi yang terus berubah dalam ruang dan waktu. Gambar di bawah ini [Gambar 5] menunjukkan hubungan antara jumlah permintaan perjalanan online dari penumpang dan jumlah jam yang dihabiskan pengemudi di jalur untuk dua area San Francisco: pusat keuangan dan area tidur perumahan di pinggiran kota. Grafik ini menggambarkan dengan baik volatilitas yang tinggi dan kurangnya keseimbangan antara penawaran dan permintaan (rasio yang terkadang dapat mengambil nilai yang sangat tinggi), serta keragaman perilaku keseimbangan ini tergantung pada lokasi geografis.
Untuk mengontrol keseimbangan penawaran dan permintaan dalam ruang dan waktu, platform online menggunakan algoritma penetapan harga dinamis yang meningkatkan tarif dasar secara real time jika jumlah pesanan yang diterima dari penumpang secara signifikan melebihi jumlah pengemudi gratis. Manfaat penetapan harga dinamis untuk mempertahankan kinerja platform yang stabil didukung oleh sejumlah besar model teoretis, eksperimen, dan pengamatan empiris yang terkait dengan beban sistem yang tertinggi. Beban seperti itu dapat terjadi karena sejumlah besar alasan yang dapat diprediksi dan tidak terlalu: kondisi cuaca buruk, peristiwa publik, kerusakan sistem transportasi umum, dll. Dalam hal operasi yang salah dari algoritma penetapan harga, dengan peningkatan tajam dalam jumlah permintaan dari penumpang (atau dengan penurunan tajam dalam jumlah mobil yang tersedia), Anda dapat mengamati proporsi penumpang yang sangat rendah kepada siapa mobil itu ditugaskan sebagai hasil dan waktu pengajuan yang tidak memuaskan secara memuaskan. Peran kunci dari penetapan harga dinamis untuk platform online adalah untuk memungkinkan pengguna mana saja dan kapan saja untuk memanggil taksi. Bahkan jika tarif yang diusulkan lebih tinggi dari biasanya, itu akan menjadi pilihan yang lebih menguntungkan daripada memberi tahu pengguna platform (yang mungkin sangat membutuhkan mobil) bahwa saat ini tidak ada mesin yang tersedia.
Metode pemodelan penetapan harga dinamis yang populer meliputi model ekonomi yang menggambarkan model kondisi-mapan, model pemrograman dinamis, analisis regresi, dan model optimisasi yang menggambarkan efek jaringan. Studi terbaru para ekonom (Castillo, 2017) menunjukkan bahwa kenaikan tarif yang dinamis juga memungkinkan platform untuk menghindari jatuh ke dalam zona efek negatif dari WGC, yang kita bicarakan di atas.
Penentuan harga dinamis memiliki kelemahan objektif. Pertama, harga akhir untuk perjalanan, yang dilihat penumpang ketika memesan taksi, dapat sangat bervariasi karena volatilitas penawaran dan permintaan, sehingga meningkatkan ketidakpastian tarif pada rute yang sama. Di sisi lain, driver dari platform online sering memiliki akses ke informasi dalam aplikasi tentang area-area kota di mana faktor peningkatannya aktif. Namun, karena volatilitas yang tinggi dari koefisien ini, pada saat pengemudi pindah ke zona harga yang lebih tinggi, tarif dapat kembali ke nilai dasar. Selain itu, peningkatan tarif otomatis oleh algoritma dapat mendorong pengemudi untuk bekerja sama dan secara buatan menciptakan di pasar lokal situasi kekurangan mobil yang tersedia untuk dipesan, sehingga mengaktifkan peningkatan koefisien untuk perjalanan. Tentu saja, perilaku pengemudi yang terkoordinasi seperti itu tidak sulit dideteksi untuk platform yang memproses sejumlah besar data pesanan dan mengambil tindakan perlindungan yang diperlukan, tetapi bagi penumpang pengalaman seperti harga yang terlalu tinggi mungkin tidak memuaskan.
2.3 Waktu tunggu dinamis mobil (Tunggu dinamis)
Untuk menghindari masalah yang terkait dengan penetapan harga dinamis, dalam praktiknya, algoritma lain digunakan untuk menyeimbangkan penawaran dan permintaan, serta untuk menghindari masuknya sistem ke zona efek WGC. Ini termasuk gagasan untuk membatasi jarak maksimum antara pesanan dan pengemudi yang ditunjuk (Radius Pengiriman Maksimum), serta pembentukan antrian pesanan perjalanan (antrian) yang diterima dalam sistem, menggantikan pengangkatan instan pengemudi untuk setiap pesanan.
Konsep yang lebih baru yang bertujuan mengganti atau menambah kenaikan harga yang dinamis adalah mekanisme untuk secara dinamis mengendalikan waktu menunggu sebelum menugaskan mobil (penantian dinamis). Salah satu varian dari mekanisme ini digunakan dalam produk Express Pool, yang baru-baru ini diluncurkan oleh Uber di beberapa pasar besar. Jenis transportasi penumpang dicirikan oleh tarif serendah mungkin dan menyiratkan penggunaan simultan dari satu mobil oleh beberapa penumpang independen untuk bepergian di sepanjang jalan.
Gagasan umum dari mekanisme waktu tujuan dinamis adalah sebagai berikut. Untuk penumpang yang memesan perjalanan, aplikasi tidak menunjuk pengemudi secara instan, tetapi menawarkan untuk menunggu, tetapi tidak lebih dari jumlah waktu tertentu yang ditunjukkan sebelumnya (batas atas biasanya 2 atau 5 menit). Selain itu, penunjukan pengemudi dapat terjadi kapan saja sesuai dengan platform: dari instan ke batas atas yang ditentukan. Dalam hal ini, total waktu tunggu penumpang untuk mobil terdiri dari dua bagian (hampir independen): waktu sampai pengemudi ditunjuk dan waktu dari pengangkatannya hingga tiba di tempat pesanan. Ketidaknyamanan menunggu penumpang dikompensasi oleh tarif yang lebih rendah.
Di sisi platform, tingkat kebebasan tambahan atas driver yang ditugaskan untuk pesanan digunakan sebagai berikut. Karena produk ini melibatkan kombinasi pesanan dan penunjukan satu mobil untuk transportasi simultan beberapa penumpang, waktu tambahan untuk mengumpulkan informasi memungkinkan Anda meningkatkan jumlah opsi kombinatorial dan sebagai hasilnya menghasilkan perjalanan yang lebih efisien. Dalam hal ini, metrik efisiensi dapat berupa, misalnya, kedekatan rute penumpang yang jatuh ke dalam satu mobil. Jelas, begitu platform menemukan kombinasi perjalanan yang cukup efektif, ia segera membuat janji dengan pengemudi yang diperlukan dan memberi tahu semua pesertanya. Jika kombinasi yang sukses dan mudah tidak ditemukan, maka platform mengirimkan driver individual ke masing-masing penumpang yang melakukan pemesanan.
Mekanisme yang dijelaskan terutama mengoptimalkan keputusan pengiriman dan waktu ketika keputusan ini dibuat, dan itu dapat digunakan secara bersamaan dengan optimasi harga yang dinamis. Model teoritis yang dikembangkan dan dianalisis dalam artikel utama menunjukkan bahwa optimalisasi simultan harga dan waktu memiliki sejumlah besar keuntungan: dapat mengurangi volatilitas tarif, mengurangi risiko efek WGC, dan juga meningkatkan jumlah perjalanan yang dihasilkan oleh platform per unit waktu. Selain itu, opsi transportasi ini lebih ekonomis baik untuk pengemudi (yang secara bersamaan menerima beberapa penumpang yang membayar untuk perjalanan), dan untuk penumpang (yang menerima diskon dengan imbalan fleksibilitas dengan waktu tunggu).
3. Kesimpulan
Dalam artikel ini, kami menjelaskan secara singkat tugas manajemen optimalisasi utama yang menyelesaikan platform transportasi penumpang online untuk memastikan operasi yang stabil dan meningkatkan efisiensinya. Tugas-tugas tersebut meliputi pembangunan algoritma pengiriman, algoritma penetapan harga dinamis dan penentuan waktu janji temu pengemudi secara dinamis. Manajemen simultan dari tuas-tuas ini memungkinkan mencapai tingkat pemanfaatan waktu pengemudi yang tinggi, waktu tunggu yang rendah untuk mobil dan jumlah perjalanan yang dihasilkan oleh platform per unit waktu. Kelas tugas-tugas ini terus diperbarui dengan contoh-contoh baru yang semakin realistis, membuka cakrawala luas untuk penelitian teoretis dan praktis.
Semua referensi ke sumber yang dikutip dapat ditemukan dalam artikel asli (
Penentuan Harga Dinamis dan Pencocokan dalam Platform Naik-Naik -
N. Korolko , D. Woodard, C. Yan, H. Zhu - 2019).