چگونه اوبر با استفاده از داده‌ها سرویس خود را بهبود می‌بخشد

وقتی صحبت از حمل‌ونقل یا رساندن بسته‌ها با تاکسی اینترنتی می‌شود، اوبر (Uber) اولین اسمی است که به ذهنمان می‌رسد و کمتر شرکتی به‌اندازه اوبر، بین کاربران شناخته شده و محبوب است. اما، رمز موفقیت اوبر چیست؟ و پی‌بردن به این راز چه اطلاعات سودمندی در اختیار ما می‌گذارد؟ از قرار معلوم، در پشت‌صحنهٔ اوبر، حجم وسیعی از داده‌ها جمع‌آوری، تولید و مصورسازی می‌شوند و همین امر موجب افزایش بازدهی و تأثیرگذاری این شرکت در زمینهٔ حمل‌ونقل شده است. در این مقاله نگاه دقیق‌تری به این موضوع خواهیم داشت.

دربارهٔ اوبر (Uber)

اوبر (Uber) فعالیتش را در سان‌فرانسیسکو و با نام «اوبر کَب»(UberCab) آغاز کرد. این شرکت در ابتدا از ماشین‌های گران‌قیمت به‌عنوان تاکسی استفاده می‌کرد. علی‌رغم اینکه کرایهٔ اوبر  یک و نیم برابر کرایهٔ تاکسی معمولی بود، کاربران از این سرویس بسیار استقبال کردند، چرا که رزرو تاکسی از طریق تلفن همراه برای آنها شیوه‌ای تازه و جذاب بود. اوبر به‌سرعت، شهرهای بیشتری را تحت پوشش قرارداد و امکانات دیگری مانند پیک‌های دوچرخه و تحویل غذا را هم در برخی شهرها راه‌اندازی و آزمایش کرد.

اوبر چگونه کار می‌کند؟

یکی از دلایل جذابیت برنامهٔ اوبر، سادگی کار با آن است: وارد برنامه می‌شوید، آدرس مبدأ را انتخاب می‌کنید، ماشین درخواست می‌کنید، سوار می‌شوید و با زدن یک دکمه هزینهٔ سفر را پرداخت می‌کنید. اما برای اینکه همهٔ اینها به‌سهولت انجام شود، حجم زیادی از داده‌ها باید آماده‌سازی شوند. این را هم در نظر بگیرید که گاهی مشکلاتی پیش می‌آید که از کنترل اوبر خارج است. مانند زیرساخت‌های حمل‌ونقل ضعیف در برخی از شهرها، گره های ترافیکی، عدم همکاری رانندگان و جز اینها.

با وجود این موانع، اوبر شیوهٔ حمل‌ونقل ما را تحت تأثیر قرار داده و مصمم است شهرهای بیشتری را تحت پوشش قرار دهد و به این تأثیرگذاری ادامه دهد. اما در پس پرده، دقیقاً چه اتفاقی در حال رخ‌دادن است و ما چه چیزی می‌توانیم از آن یاد بگیریم؟

فرایند پشت‌صحنه

اوبر بانک اطلاعاتی عظیمی از رانندگانش در اختیار دارد. به‌محض اینکه کاربر ماشین درخواست می‌کند، الگوریتم اوبر ظرف چند ثانیه شروع به کار می‌کند و نزدیک‌ترین راننده را به کاربر معرفی می‌کند. در پس‌زمینه، اوبر اطلاعاتِ تمام سفرها را ذخیره می‌کند، حتی اگر راننده هیچ مسافری نداشته باشد و سفری نرفته باشد. تمام این اطلاعات ذخیره و پردازش می‌شوند تا میزان کرایه و عرضه و تقاضا بهتر پیش‌بینی شود. اوبر همچنین وضعیت حمل‌ونقل شهرهای مختلف را بررسی می‌کند و تلاش می‌کند خود را با مشکلات ترافیکیِ هر شهر تطبیق دهد و داده‌های مربوط به رانندگانش را هم جمع‌آوری می‌کند. علاوه بر اطلاعات مربوط به خودرو و موقعیت آنها، اوبر بر سرعت و مسیرهای طی شده توسط رانندگان نیز نظارت می‌کند و بررسی می‌کند که آیا رانندگانش برای شرکت‌های رقیب، مانند «لیفت» (Lyft)، نیز کار می‌کنند یا نه.

اگر احساس می‌کنید این کار تعرض به حریم شخصیِ افراد است، باید بگوییم شما اولین نفر نیستید که چنین حسی دارید. اما اوبر کاملاً شفاف و واضح بیان کرده که چطور از داده‌های جمع‌آوری شده استفاده می‌کند. مثلاً در قسمتی از خط‌مشی حریم خصوصیِ کاربران و رانندگانِ امریکایی آمده است:

«اوبر اطلاعات شخصی کاربران را به‌صورت ناشناس و انبوه جمع‌آوری می‌کند تا بررسی کند از کدام قسمتِ سرویسش بیشتر استفاده می‌شود. همچنین اوبر با استفاده از این اطلاعات، الگوهای استفاده را تحلیل می‌کند تا بتواند سرویس‌دهی‌اش را در نقاط مختلف بهبود ببخشد. ممکن است اوبر این اطلاعات را به‌عنوان آمار با شخص ثالث به اشتراک بگذارد تا به انجام تحلیل‌هایی در سطح صنعت کمک کنند.»

گرچه خطرِ همیشگیِ استفادهٔ نادرست از داده‌ در کمین اوبر است، اما بدون شک جمع‌آوری داده‌ها به‌صورت انبوه و ناشناس نیز روشِ شگفت انگیزی است. تمام این داده‌ها جمع‌آوری، پردازش، تحلیل و استفاده می‌شوند تا همه چیز از مقدار زمانِ انتظار مسافر گرفته تا نقاطی که مسافرانِ بیشتر و کرایه‌های مناسب‌تری دارند، تخمین زده شود. تمام این اطلاعات در نقشه‌های حرارتی (heat map) برای رانندگان و البته برای مسافران به نمایش درمی‌آید.

نظارت بر عرضه و تقاضا

یکی از مهم‌ترین کاربردهای داده در اوبر، کمک به افزایش قیمت‌هاست که احتمالاً بیشتر از هر چیزی موجب نارضایتی کاربران می‌شود. افزایش قیمت باتوجه‌به ساعت و میزان شلوغی اعمال می‌شود و در اوبر به «ژئو سِرج» معروف است. مثلاً اگر می‌خواهید به محلهٔ شلوغی در محله‌های تجاری شهر بروید و دیرتان شده و راننده کمی در مبدا شما وجود دارد، اوبر درصدی  بیشتر از شما کرایه خواهد گرفت.

در سال ۲۰۱۱ و در شب سال نو در نیویورک، کرایهٔ یک مسیر ۱٫۶ کیلومتری یکشبه از ۳۷ دلار به ۱۳۵ دلار رسید.

هتل‌ها و آژانس‌های هواپیمایی هم برای تعطیلات و مناسبت‌ها، مانند اوبر قیمت‌هایشان را افزایش می‌دهند، با این تفاوت که اوبر با درنظرگرفتن الگوی ترافیک و میزان عرضه و تقاضا، درلحظه قیمت را تخمین می‌زند. اوبر حتی این نوع قیمت‌گذاری را به‌عنوان حق انحصاری خود ثبت کرده است.

اگر فکر می‌کنید این افزایش قیمت باعث کاهش مشتریان می‌شود، باید بدانید که اوبر بدون حساب و کتاب و صرفاً برای درآمدِ بیشتر قیمت‌ها را بالا نمی‌برد. در عوض، اوبر با استفاده از علمِ داده‌ها، اثرات بلندمدت و کوتاه‌مدت افزایش قیمت بر مشتریان را تحلیل می‌کند.

اگر چه در کوتاه‌مدت، افزایش قیمت به طور چشمگیری بر میزان تقاضا اثر می‌گذارد، اما در بلندمدت می‌تواند این عامل می‌تواند به حفظ یا به از دست دادن مشتریان منجر شود. با توجه به اینکه مشتریان به افزایش قیمت‌ها واکنش شدیدی نشان می‌دهند، اوبر تصمیم گرفت با استفاده از الگوریتم‌های یادگیریِ ماشینی، نقاط پر درخواست را پیش‌بینی کند تا رانندگان خود را برای پاسخ به این درخواست‌ها آماده کنند و در نتیجه، قیمت‌ها کاهش یابد. در واقع اوبر می‌داند که برای حفظ مشتریان و رانندگانش باید با روش‌های نوین و خلاقانه‌ای از داده‌ها استفاده کند.

اوبر این کار را با ساختنِ ده‌ها هزار سیستم داخلی آماده‌سازی داده انجام می‌دهد؛ سیستم‌هایی مانند «آرگوس» (Argos)که میلیون‌ها سنجه و تعامل بین سیستم‌های دیگر را کنترل می‌کند و در صورت قطع شدن سرویس‌ها، به مهندسان هشدار می‌دهد و همچنین «گورافو» (Gurafu)، ابزاری که مسیر بهتر و امن‌تری را در اختیار رانندگان قرار می‌دهد. از این سیستم‌ها در سرویس‌های دیگر اوبر مانند سرویس سفر مشترک (UberPOOL) و سرویس ارسال غذا (UberEATS) هم استفاده خواهد شد.

باتوجه‌به اینکه داده‌های مربوط به عرضه و تقاضا برای همه شهرها یکسان نیست، مهندسانِ اوبر روشی برای نقشه‌برداری از «نبض» هر شهر ابداع کرده‌اند که باعث بهبود ارتباط بین رانندگان و مسافران می‌شود. اگر فکر می‌کنید همهٔ کلان شهرهای بزرگ مثل هم هستند، اشتباه می‌کنید. در شکل زیر لندن و نیویورک با هم مقایسه شده‌اند:

زمانِ سفرهایِ انجام شده با اوبر در طول هفته، در شهرهای نیویورک و لندن. درجهٔ روشنی در هر ساعت و هر روز، در مقایسه با خودِ شهر مشخص شده است. همهٔ زمان‌ها طبق وقت محلیِ استاندارد و به‌صورت ۲۴ ساعته نوشته شده‌اند. (۲۰ یعنی ۲۰:۰۰ یا ۸ بعدازظهر)

مسافرها در نیویورک بیشتر در طول عصر از اوبر استفاده می‌کنند، درحالی‌که طبق نمودار، در لندن، در شب سفرهای بیشتری انجام شده است. این نکته بیانگر این است که برای سیستم اوبر هر شهر با شهر دیگر متفاوت است.

مصورسازی داده‌ها

قطعاً جمع‌آوری این حجم از اطلاعات، فقط یک مرحله از فرایند عظیم کار بر روی داده‌هاست. سؤال اصلی این است اوبر چگونه از این اطلاعات به بهترین شکل ممکن استفاده می‌کند؟ آنها چگونه از داده‌های جمع‌آوری شده، راهکارهای عملی استخراج می‌کنند؟

به‌عنوان‌مثال، اوبر میلیاردها موقعیتِ مکانیِ جی‌پی‌اس را مدیریت می‌کند. پلتفرم آنها در هر دقیقه به میلیون‌ها پیشامد جدید برخورد می‌کند. آنها چگونه همه این جزئیات را به کار می‌گیرند تا بتوانند جابه‌جایی افراد و اشیاء را بهتر مدیریت کنند؟ پاسخ این سؤال، مصورسازی داده‌هاست.

اوبر در وبلاگِ هوشِ داده‌اش (data intelligence blog) عنوان کرده که در این شرکت، از متخصصان حرفه‌ای گرافیک رایانه گرفته تا متخصصان طراحیِ اطلاعات، همه به مصورسازی داده‌ها می‌پردازند. آنها با موارد مختلفی مانند ترسیم و توسعه چهارچوب‌ها و داده‌هایی که برای عموم (مانند راننده‌ها) قابل‌مشاهده است سروکار دارند. بسیاری از این مصورسازی‌ها و برآوردها قبلاً هرگز انجام نشده است، در نتیجه نیاز به توسعه برنامه‌های جدید توسط متخصصانِ شرکت کاملاً محسوس است.

در ادامه بخشی از روش‌های مصورسازی داده‌ها در اوبر را به طور خلاصه می‌خوانیم:

برنامه‌های نقشه‌برداری برای تیم شهری و مدیران کل

این تیم‌ها باید هر دقیقه جدیدترین جزئیات مربوط به تقاضا و عرضه را بدانند. علاوه بر این، ممکن است متخصصان بازاریابیِ اوبر نیز برایِ برنامه‌ریزی کمپین خود نیاز به داده‌های جمع‌آوری شده داشته باشند؛ بنابراین تیم مهندسان اوبر سیستمی طراحی کرد که به کمک آن می‌توان با حرکت نشانگر ماوس بر روی هر ناحیه، پراکندگیِ سفرهای انجام شده در آن ناحیه را مشاهده کرد.

مثال بعدی اهمیت شناخت تراکم تقاضا در شهرهای بزرگ را نمایان می‌کند. چرا که درک میزان تقاضایِ یک ناحیه، افزایش قیمتِ منعطف‌تری را به همراه دارد. اوبر برای نشان‌دادن این اطلاعات، از ترکیب چندین لایه استفاده می‌کند. با تمرکز بر روی یک ناحیه خاص، می‌توان جزئیات و اطلاعات بیشتری از آن.

اما این داده‌های مصور شده فقط برای مهندسان و متخصصان علم داده سودمند نیستند. با کمک داده‌های مصور شده، مردم می‌توانند شیوه کار اوبر و چگونگی انجام آن را درک کنند. به‌عنوان‌مثال در تصویر زیر می‌بینیم که چگونه سرویس سفر مشترک اوبر (UberPOOL) به کاهش ترافیک کمک می‌کند. در سخنرانی تد تاکِ تراویس کالانیک، بنیان‌گذار اوبر، به نمایش درآمد.

از همهٔ اینها چه می‌توان آموخت؟

نشان‌دادن اینکه اوبر چطور از علومِ داده استفاده می‌کند با درک کردن اینکه یافته‌های آنها چه کمکی به ما می‌کند، بسیار متفاوت است. کاری که اوبر برای ما می‌کند فراتر از رزرو یک تاکسی است. اوبر به ما یاد می‌دهد که از کلان‌ داده‌ استفاده کنیم و آنها را بی‌هدف به انحصار خود در نیاوریم. همچنین اوبر به ما یاد می‌دهد به دنبال کشف رابطه بین کوچک‌ترین داده‌ها باشیم. با جمع‌آوری کردن اطلاعات و استفاده‌نکردن از آن، فرصت ارتقا و رشدِ کسب‌وکار ما از دست می‌رود.

اگر می‌خواهید از داده‌ها استفاده کنید ولی برنامه‌ای مطابق میل شما برای این کار وجود ندارد، تلاش کنید تا آن را بسازید، حتی اگر مجبور شوید برنامه‌های موجود را از پایه و اساس تغییر دهید و اصلاح کنید. بیشتر سیستم‌هایی که اوبر طراحی کرده بود باید دوباره اصلاح می‌شدند تا برای قالبِ جدید مناسب باشند. به همین دلیل آنها همیشه در برخورد با شرایط جدید منعطف و وفق‌پذیر هستند. ویژگی کلیدی‌ای که هر کسب‌وکار دیجیتالِ خوبی باید داشته باشد.

به یاد داشته باشیم که اوبر برای هر شهر، داده‌های مجزایی جمع‌آوری می‌کند. پس اگر داده‌های یک شهر، راه حلی در اختیار ما قرار می‌دهند، نمی‌توانیم از آن راه‌حل برای شهرهای دیگر هم استفاده کنیم. جمع‌آوری داده‌ها به طور مجزا و تحلیلِ اختصاصی آن (بدون توجه به اینکه با داده‌های دیگر چه شباهت یا تفاوتی دارد) همان چیزی است که باعث شکل گرفتن فرصت‌ها و ایده‌ها می‌شود.

و در نهایت، اوبر به ما یاد داد که ایده‌هایمان را پیش ببریم. اوبر ابتدا یک کسب‌وکار کوچک بود، اما وقتی در سانفرانسیسکو به موفقیت بزرگی دست‌یافت، فهمید که سرویسش می‌تواند در سراسر کشور و در همه جای دنیا بسیار سودمند باشد. نه فقط با وسایل نقلیه معمولی، بلکه با خودروهای شاسی‌بلند، ماشین‌های لوکس، پیک غذا، پیک دوچرخه و موارد دیگر. این یک فرصتِ دست‌نخورده بود که باید کشف می‌شد. باید دید که آیا این سرویس‌ها مانند سرویس اوبرِ اصلی موفق خواهند شد یا نه. چیزی که واضح است این است که هیچ شرکتی مانند اوبِر فرصت‌ها را در هوا نمی‌قاپد!

ممکن است با خودتان فکر کنید، از این حجم از فناوری و داده‌ها فقط برای رزرو یک تاکسی استفاده می‌شود؟! در واقع کار اوبِر بیشتر از اینهاست. به لطف اوبر، شیوه جابه‌جایی افراد و بسته‌ها در سراسر دنیا رو به تغییر است. اوبر با گسترش فعالیتش سعی دارد از حجم ترافیک و آلودگی هوا بکاهد و توجه‌ها را به سمت ضعف‌های موجود در زیرساخت‌های شهرها جلب کند. اوبر تأثیر قابل‌توجهی بر اقتصاد، حمل‌ونقل و فرهنگ ما گذاشته. اتفاقی که فقط با قدرت داده‌ها میسر می‌شود.