Recommandations chez Uber Freight : Améliorer l’adéquation des chargements grâce à l’IA

Par : Ran Sun, Sr. Product Manager, Jia Wang, Sr. Ingénieur en apprentissage automatique, Gowtham Suresh, Sr. Scientifique appliqué

Problème : Comment faire correspondre les chargements des chargeurs aux transporteurs intéressés ?

On peut considérer l’activité de courtage numérique d’Uber Freight comme une plateforme de rencontres en ligne. Tout comme les rencontres en ligne cherchent à mettre en relation des individus, le courtage vise à mettre en relation les chargements des expéditeurs avec les transporteurs disposés à les prendre. Plus précisément, les chargeurs s’adressent à nous pour accéder à une base de transporteurs plus large que celle à laquelle ils ont accès. Non seulement cela maximise leur potentiel pour atteindre les meilleurs résultats possibles en termes de coûts et de services, mais les deux parties peuvent également compter sur notre expertise et notre technologie pour gérer le cycle de vie de la charge en aval.

Pour trouver l’unique et véritable amour Vous êtes plutôt casanier et vous avez donc besoin d’un itinéraire récurrent qui vous ramène à la maison, ou vous avez un penchant pour le voyage et vous êtes prêt à emprunter n’importe quel itinéraire ? Mais les gens ne peuvent pas toujours exprimer clairement ce qu’ils veulent, ni l’importance de leurs désirs.

C’est cette nuance qui a motivé le lancement d’un système de recommandations chez Uber Freight. Nous avions demandé aux transporteurs de nous dire ce qu’ils voulaient par le biais de la recherche, mais la recherche est fastidieuse, les transporteurs ont des intentions de recherche multiples et ils ne rendent pas toujours leurs préférences explicites. En mettant en place un processus de découverte automatisé, nous pouvons gérer les charges de manière plus efficace et plus rentable. Cela permet de renforcer la confiance des expéditeurs et d’augmenter le volume de fret qu’ils proposent sur notre plateforme, ce qui profite aux transporteurs, qui disposent ainsi de plus d’options pour trouver le chargement idéal. L’augmentation du volume de chargement attire davantage de transporteurs sur la plateforme, ce qui accroît la capacité des chargeurs à soumissionner leur fret de manière efficace et rentable. En résumé, un système de recommandations est un moyen d’activer le volant d’inertie du courtage, en prêtant main forte aux expéditeurs et aux transporteurs en jouant les entremetteurs.

Le volant de courtage. Les recommandations sont une composante d’un réseau automatisé et instantané et facilitent une meilleure utilisation des transporteurs.

Qu’est-ce que l’adaptation de la charge ?

Avant de nous pencher sur notre solution, prenons le temps de définir plus précisément l’adéquation de la charge. Dans un réseau parfaitement optimiséNous pourrions ainsi faire correspondre exactement le bon chargement au bon transporteur dans tout le pays. Cependant, les capacités et les préférences des transporteurs compliquent l’appariement des chargements, tout comme les exigences du chargement, telles que le type de fret, la distance à parcourir et le délai de livraison. Notre système de recommandations évalue l’adéquation entre un transporteur et un chargement afin de proposer les meilleures combinaisons.

Quelle est la différence entre l’appariement des charges et l’appariement numérique des marchandises (DFM) ?

L’adaptation des charges et la DFM sont des concepts étroitement liés. L’appariement des charges est le terme le plus général ; il désigne le processus de mise en relation des expéditeurs avec les transporteurs afin d’utiliser efficacement la capacité de transport. L’appariement des charges peut se faire de manière numérique ou non numérique (par exemple, par le biais d’appels téléphoniques ou de relations personnelles). La DFM se réfère spécifiquement à l’adaptation de la charge par des méthodes numériques. Il permet une visibilité en temps réel des besoins du réseau et de la capacité des opérateurs, réduisant ainsi la nécessité d’une intervention manuelle.

Solution : Un système de recommandations

Nous avons émis l’hypothèse qu’en remplaçant la page de recherche par défaut par une page de recommandations, nous pourrions éloigner les porteurs d’un modèle de recherche de type « chasseur de primes » et les orienter vers une expérience de découverte dans laquelle ils trouveraient des charges qu’ils n’avaient même pas pensé à chercher. La conception de l’expérience utilisateur et de l’algorithme lui-même a été déterminante pour le succès de ce produit. Dans ce billet, nous allons nous plonger dans l’algorithme.

Notre système de recommandations privilégie la conversion et l’engagement, à l’instar de ceux déployés dans le secteur du commerce électronique. Il y a deux composantes : la génération de candidats et le classificateur/booster.

Étape 1 : Génération de candidats

Nous voulions initialement utiliser le filtrage collaboratif pour générer des charges candidates à recommander. Le filtrage collaboratif examine les utilisateurs ayant un comportement similaire afin de déduire les préférences de l’utilisateur en question, de la même manière que votre service de streaming préféré exploite les données des utilisateurs pour recommander du contenu. Cependant, l’utilisation de cette technique en utilisant les réservations de charge comme unité de similarité pose des problèmes, car les réservations de charge sont exclusives. Dans le contexte des services de diffusion en continu, deux utilisateurs peuvent aimer le même film. Dans notre contexte, deux utilisateurs
ne peut pas
réserver la même charge.

Pour contourner ce problème, nous avons essayé des méthodes telles que l’examen des données sur les
voie
les réservations et les charges sont enregistrées comme des signaux positifs. (Les réservations de couloirs sont des chargements multiples réservés sur le même itinéraire géographique, par exemple de San Francisco à Los Angeles). Les deux ne souffrent pas d’exclusivité. Toutefois, la viabilité de ces approches a été réduite à néant par la rareté des données.

En fin de compte, nous avons utilisé plusieurs signes d’intérêt de la part des transporteurs pour générer des candidats à la recommandation de charge :

• Charges sauvegardées
• Cliquer sur les charges
• Charges similaires à celles des réservations précédentes
• Chargements transportés par des chauffeurs de fret jusqu’à leur adresse de facturation en tant qu’approximation du domicile
• Recherches effectuées sur les sites de nos fournisseurs partenaires

Comparaison de la précision et du rappel pour différents types de génération de candidats

Le graphique ci-dessus représente la précision et le rappel en considérant les 20 chargements les mieux classés pour chacun des types de génération candidats. La précision mesure le nombre de recommandations qui ont été effectivement réservées, tandis que le rappel vérifie la part des réservations qui ont été recommandées. En règle générale, nous donnons la priorité à la précision plutôt qu’au rappel lorsqu’il s’agit de recommandations, car il s’agit d’une évaluation directe de la pertinence. Notre objectif premier est de cultiver la confiance des transporteurs en leur présentant les chargements les plus pertinents. Même lorsque ces charges sont rares, nous préférons afficher moins de recommandations plutôt que d’encombrer l’espace avec des recommandations moins pertinentes. Dans nos tests hors ligne, les chargements sauvegardés ont toujours donné la plus grande précision, ce qui en fait un signal robuste. Les clics et les réservations présentent une précision relativement similaire et contribuent de manière significative au rappel. Nous donnons intentionnellement un coup de pouce supplémentaire aux candidats des charges sauvegardées grâce à leur performance de précision exceptionnellement élevée.

Étape n°2 : Ranker/Booster

Nous avons utilisé l’algorithme XGBoost pour classer les charges candidates générées à partir des sources mentionnées ci-dessus. L’algorithme utilise les caractéristiques de la charge, les personas des transporteurs établis dans le cadre de la recherche sur les utilisateurs et étayés par des données, ainsi que l’intersection entre les caractéristiques de la charge et les préférences des transporteurs comme caractéristiques. Il utilise ensuite l’étiquette indiquant si la charge a été réservée à des fins de formation et de prédiction.

Vous trouverez ci-dessous les valeurs SHAP des trois principales caractéristiques d’un échantillon de charge candidate. L’ordre des caractéristiques illustre leur importance, la couleur indique l’impact positif (rouge) ou négatif (bleu) sur la variable de résultat, et l’axe des x indique l’ampleur de l’impact. Ici, la variable de résultat est la probabilité de réservation. Temps d’avance dérivé est la caractéristique la plus importante pour déterminer la probabilité de réservation. Le délai d’exécution pour cet échantillon indique une faible probabilité de réservation. Notez que l’ordre d’importance des caractéristiques et leur ampleur varient en fonction de la charge.

Importance des caractéristiques à l’aide des valeurs SHAP pour un échantillon de charge

Nous mettons l’accent sur les trois caractéristiques suivantes :

• Délai d’enlèvement (« derived_lead_time »)délai_d’enlèvement_dérivé« ) : Sur le marché du fret, les chargements peuvent être considérés comme des denrées périssables, pour lesquelles il est crucial de les réserver à temps. Si un chargement n’est pas réservé avant l’enlèvement prévu, nous devons le reprogrammer, ce qui entraîne des relations tendues avec les expéditeurs. L’intégration du délai d’exécution dans l’algorithme nous permet de saisir la dynamique des transporteurs qui deviennent plus enclins à réserver à l’approche de l’heure d’enlèvement (parce que le prix augmente).
• Réservation répétée (« derived_is_repeated »)derived_is_repeated« ) : De nombreux transporteurs privilégient la familiarité. La familiarité, c’est peut-être emprunter le même itinéraire et apprendre à connaître le meilleur restaurant le long de la route, ou se lier d’amitié avec les réceptionnaires de l’entrepôt et se faire décharger plus tôt. Pour simuler ce désir, nous avons développé une fonction de noyau exponentielle qui quantifie la similarité géographique entre une charge donnée et les réservations précédentes de l’utilisateur.
• Distance (« score_distance_dérivée ») : Tout comme certaines personnes apprécient les longs voyages et d’autres préfèrent les courtes escapades, les transporteurs ont également des préférences en matière de distance. Nous avons pris en compte la longueur des trajets précédemment réservés par un transporteur pour en déduire sa préférence à cet égard. Un score de préférence a ensuite été attribué à chaque chargement candidat en fonction de sa longueur de transport.

Résultats : Une meilleure adéquation de la charge augmente les réservations

Nous avons testé notre nouveau système de recommandations à l’aide d’une expérience A/B au niveau de l’utilisateur, qui a donné des résultats positifs. Des améliorations ont été constatées tout au long de l’entonnoir de réservation du transporteur, notamment une augmentation de 12 % des réservations pour les utilisateurs actifs et une augmentation globale de 3 % des réservations et de 5 % des clics.

Quelle est la prochaine étape ? Nous étudierons plusieurs itérations, de l’amélioration de l’expérience pour certains groupes d’utilisateurs à l’exploitation d’un plus grand nombre de sources de données pour générer des candidats au chargement. Avec ces changements, les transporteurs peuvent compter sur Uber Freight pour les aider à trouver le meilleur chargement possible compte tenu de leurs préférences, le plus efficacement possible. Voilà une fin heureuse.

Vous souhaitez en savoir plus sur la manière dont notre équipe utilise les algorithmes pilotés par l’IA pour améliorer la logistique des expéditeurs et des transporteurs ? Découvrez notre modèle de probabilité d’arrivée tardive (PLA).