Por: Ran Sun, gerente sénior de productos; Jia Wang, ingeniero sénior de aprendizaje automático; Gowtham Suresh, científico aplicado sénior
Problema: ¿Cómo hacer coincidir las cargas de los expedidores con los transportistas interesados?
Podrías pensar en el negocio de corretaje digital de Uber Freight como una plataforma de citas en línea. Así como las citas en línea buscan conectar personas, el objetivo de la corretaje es conectar las cargas de los expedidores con transportistas dispuestos a transportarlas. En concreto, los expedidores recurren a nosotros para llegar a una base de transportistas más amplia de la que tienen acceso. Esto no solo maximiza su potencial para lograr los mejores resultados posibles en cuanto a costos y servicio, sino que también ambas partes pueden confiar en nuestra experiencia y tecnología para gestionar el ciclo de vida de la carga posterior.
Para encontrar esa carga que tanto te gusta , podríamos pedirle al transportista que especifique sus preferencias mediante una búsqueda: ¿eres hogareño y necesitas una ruta recurrente que te lleve a casa, o tienes pasión por viajar y estás dispuesto a conducir cualquier ruta? Pero la gente no siempre puede expresar lo que quiere, ni la importancia de esos deseos.
Este matiz fue el impulso para lanzar un sistema de recomendaciones en Uber Freight. Habíamos estado obligando a los transportistas a indicarnos qué buscan mediante búsquedas, pero buscar es tedioso, los transportistas tienen múltiples intenciones de búsqueda y no siempre explicitan sus preferencias. Al habilitar un proceso de descubrimiento automatizado, podemos gestionar las cargas de forma más eficiente y rentable. Esto genera confianza con los transportistas y aumenta la cantidad de carga que ofrecen a nuestra plataforma, lo que beneficia a los transportistas, brindándoles más opciones para encontrar la carga perfecta. Un mayor volumen de carga atrae a más transportistas a la plataforma, lo que aumenta la capacidad de los transportistas para ofrecer su carga de forma eficiente y rentable. En resumen, un sistema de recomendaciones es una forma de activar el volante de negociación, ayudando a los transportistas y transportistas a actuar como intermediarios.
El volante de corretaje. Las recomendaciones son un componente de una red automatizada e instantánea y facilitan una mejor utilización de los operadores.
¿Qué es la igualación de carga?
Antes de profundizar en nuestra solución, dediquemos un momento a definir con más detalle la compatibilidad de cargas. En una red perfectamente optimizada , podríamos asignar la carga exacta al transportista adecuado en todo el país. Sin embargo, las capacidades y preferencias de los transportistas, al igual que los requisitos de la carga, como el tipo de carga, la distancia recorrida y el plazo de entrega, complican la compatibilidad de cargas. Nuestro sistema de recomendaciones evalúa la compatibilidad entre un transportista y una carga para ofrecer las mejores combinaciones.
¿Cuál es la diferencia entre la correspondencia de carga y la correspondencia digital de carga (DFM)?
La igualación de carga y el DFM son conceptos estrechamente relacionados. La igualación de carga es un término más amplio; se refiere al proceso de conectar a los expedidores con los transportistas para optimizar la capacidad de transporte. La igualación de carga puede realizarse de forma digital o no digital (por ejemplo, mediante llamadas telefónicas o relaciones personales). El DFM se refiere específicamente a la igualación de carga mediante métodos digitales. Permite visibilidad en tiempo real de las necesidades de la red y la capacidad de los transportistas, reduciendo la necesidad de intervención manual.
Solución: Un sistema de recomendaciones
Planteamos la hipótesis de que, al sustituir la página de búsqueda predeterminada por una página de recomendaciones, podríamos alejar a los operadores de un modelo de búsqueda de búsqueda selectiva y acercarlos a una experiencia de descubrimiento donde encontrarían mucho que ni siquiera se les había ocurrido buscar. Tanto el diseño de la experiencia de usuario como el propio algoritmo fueron fundamentales para el éxito de este producto. En esta publicación, profundizaremos en el algoritmo.
Nuestro sistema de recomendaciones prioriza la conversión y la interacción, similar a los implementados en el sector del comercio electrónico. Consta de dos componentes: generación de candidatos y posicionamiento/potenciación.
Paso n.° 1: Generación de candidatos
Inicialmente, queríamos utilizar el filtrado colaborativo para generar candidatas a recomendación. El filtrado colaborativo examina usuarios con comportamientos similares para inferir las preferencias del usuario en cuestión, de forma similar a cómo tu servicio de streaming favorito utiliza los datos del usuario para recomendar contenido. Sin embargo, emplear esta técnica utilizando las reservas de carga como unidad de similitud presenta dificultades, ya que estas son exclusivas. En el contexto de los servicios de streaming, dos usuarios pueden indicar que les gusta la misma película. En nuestro contexto, dos usuarios no pueden reservar la misma carga.
Para solucionar este problema, probamos métodos como considerar las reservas de carril y las cargas guardadas como indicadores positivos. (Las reservas de carril son múltiples cargas reservadas en la misma ruta geográfica, por ejemplo, de San Francisco a Los Ángeles). Ninguno de estos métodos se ve afectado por la exclusividad. Sin embargo, la viabilidad de estos enfoques se vio afectada por la escasez de datos.
Finalmente, utilizamos varias señales de interés de los transportistas para generar candidatos de recomendación de carga:
Cargas guardadas
Hizo clic en cargas
Cargas similares a reservas anteriores
Cargas que llevan a los conductores de transporte a su dirección de facturación como proxy de su domicilio
Búsquedas realizadas en los sitios de nuestros proveedores asociados
Comparación de precisión y recuperación para diferentes tipos de generación de candidatos
El gráfico anterior representa la precisión y la recuperación considerando las 20 cargas mejor clasificadas de cada tipo de generación de candidatos. La precisión mide cuántas recomendaciones se reservaron realmente, mientras que la recuperación verifica qué proporción de reservas se recomendaron. Normalmente, priorizamos la precisión sobre la recuperación en las recomendaciones, ya que se trata de una evaluación directa de la relevancia. Nuestro objetivo principal es generar confianza entre los operadores presentándoles las cargas más relevantes. Incluso cuando estas cargas son escasas, preferimos mostrar menos recomendaciones en lugar de saturar el espacio con las menos relevantes. En nuestras pruebas offline, las cargas guardadas arrojaron consistentemente la mayor precisión, lo que las convierte en una señal sólida. Los clics y las reservas muestran una precisión relativamente similar y contribuyen significativamente a la recuperación. Intencionalmente, proporcionamos un impulso adicional a los candidatos de las cargas guardadas debido a su excepcionalmente alta precisión.
Paso n.° 2: Ranker/Booster
Utilizamos el algoritmo XGBoost para ordenar las cargas candidatas generadas a partir de las fuentes mencionadas anteriormente. El algoritmo utiliza las características de la carga, las personalidades de los transportistas establecidas en la investigación de usuarios y corroboradas con datos, y la intersección entre las características de la carga y las preferencias de los transportistas como características. Posteriormente, utiliza la etiqueta que indica si la carga se reservó para fines de entrenamiento y predicción.
A continuación se muestran los valores SHAP de las 3 características principales para una muestra de carga candidata. El orden de las características ilustra su importancia; el color indica su impacto positivo (rojo) o negativo (azul) en la variable de resultado, y el eje x indica la magnitud del impacto. En este caso, la variable de resultado es la probabilidad de reserva. El tiempo de entrega derivado es la característica más importante para determinar la probabilidad de reserva. El tiempo de entrega para esta muestra indica una baja probabilidad de reserva. Tenga en cuenta que el orden de importancia de las características y su magnitud varían según la carga.
Importancia de las características utilizando valores SHAP para una carga de muestra
Destacamos tres características clave a continuación:
Plazo de entrega hasta la recogida (“ derived_lead_time ”): En el mercado de transporte de mercancías, las cargas pueden considerarse similares a los productos perecederos, donde la reserva oportuna es crucial. Si una carga permanece sin reservar antes de su recogida programada, debemos reprogramarla, lo que genera tensiones en las relaciones con los transportistas. Incorporar el plazo de entrega como una característica en el algoritmo nos permite capturar la dinámica de los transportistas, que se inclinan más a reservar a medida que se acerca la hora de recogida (debido al aumento de precios).
Reservas repetidas (“ derived_is_repeated ”): Muchos transportistas priorizan la familiaridad. Quizás la familiaridad signifique recorrer la misma ruta y conocer al mejor restaurante de la zona, o entablar amistad con los recepcionistas del almacén y descargar antes. Para simular este deseo, desarrollamos una función kernel exponencial que cuantifica la similitud geográfica entre una carga dada y las reservas previas del usuario.
Distancia (“ puntaje_de_distancia_de_ruta_derivada” ): Al igual que algunas personas disfrutan de los viajes largos mientras que otras prefieren escapadas cortas, los transportistas también tienen preferencias por la distancia. Consideramos las distancias reservadas previamente por cada transportista para inferir su preferencia al respecto. Posteriormente, se asignó un puntaje de preferencia a cada carga candidata en función de su distancia.
Resultados: Una mejor adecuación de la carga aumenta las reservas
Probamos nuestro nuevo sistema de recomendaciones con un experimento A/B a nivel de usuario, con resultados positivos. Se observaron mejoras en todo el embudo de reservas de la aerolínea, destacando un aumento del 12 % en las reservas de usuarios activos y un aumento general del 3 % en las reservas y del 5 % en los clics.
¿Qué sigue? Investigaremos varias iteraciones, desde mejorar la experiencia para grupos selectos de usuarios hasta aprovechar más fuentes de datos para generar candidatos a carga. Con estos cambios, los transportistas pueden confiar en Uber Freight para encontrar la mejor carga posible según sus preferencias, de la forma más eficiente posible. ¡Un final feliz!
¿Le interesa saber más sobre cómo nuestro equipo utiliza algoritmos basados en IA para mejorar la logística tanto para expedidores como para transportistas? Descubra nuestro modelo de probabilidad de llegada tardía (PLA).