Маркетинговая аналитика для каршеринга BelkaCar

1. Вводная задача от заказчика, проблематика, цели

Каршеринг BelkaCar работает в России с 2016 года. Сегодня в автопарке — около 6 000 машин, а число пользователей в Москве и Сочи превышает 1,5 миллиона.

С ростом клиентской базы сервису понадобился «умный» инструмент для управления спросом на автомобили и повышения качества обслуживания.

Для решения этой задачи команда BelkaCar объединилась с Epoch8.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Мы собрали анонимизированные данные в едином хранилище на базе Google BigQuery. После очистки и нормализации данных мы структурировали их в три ключевые аналитические сущности:

1. Данные пользователя:

• когда зарегистрировался;
• когда был одобрен;
• данные про промокоды;
• когда сделал первую поездку;
• когда сделал последнюю поездку;
• поездки по корп. тарифам;
• поездки без корп. тарифов;
• всего поездок в разрезе по моделям машин;
• выручка за все время;
• сколько оплачено деньгами;
• сколько оплачено бонусами:
• сколько раз арендовал за первые
• 30 дней.

2. Данные автомобиля

• ID;
• марка;
• сколько всего сделал поездок;
• сколько километров проехал;
• сколько минут проехал.

3. Данные аренды

• начальная локация;
• конечная локация (широта, долгота);
• прогнозируемая выручка этой машины в следующий час (на это влияет конечная локация, марка машины, время суток, бензин).

Как всё устроено

Структурирование данных о поездках – это отдельная задача.

Каждая поездка имеет координаты начала и завершения, и для анализа этих геоданных команда BelkaCar использует подход, разработанный инженерами Uber.

Вся территория покрытия делится на шестиугольную сетку (ячейки H3). Каждой ячейке присваивается метаинформация, включающая данные о спросе, предложении и событиях поездок.

Этот подход позволяет агрегировать и анализировать данные по географическим зонам, выявлять закономерности и прогнозировать спрос с высокой точностью.

Мы разрабатываем Customer Data Platform (CDP) — хранилище для централизованного сбора и хранения клиентских данных.

Все данные поступают в CDP и регулярно обновляются. В результате формируется единая платформа с большим объёмом структурированной информации — на её основе можно строить аналитические отчёты и запускать модели машинного обучения.

Возможности для бизнеса

Данные из Customer Data Platform (CDP) отображаются на интерактивных дашбордах, благодаря чему бизнес в любой момент видит актуальную информацию по пользователям и автомобилям.

Маркетинговая команда может анализировать поведение клиентов с помощью визуализаций и на основе этого запускать кампании и акции.

Например, перед бизнесом стоит задача сбалансировать спрос и предложение для автомобилей, находящихся и прибывающих в определённую локацию.

Когда потенциальный водитель открывает приложение, его запрос проходит через CDP. В этот момент модель машинного обучения прогнозирует, куда пользователь планирует поехать.

Если по нашим прогнозам водитель завершит поездку в локации с высоким спросом на автомобили, цена для него будет более привлекательной, чтобы повысить вероятность использования сервиса.

Такой пользователь увозит машину из локации с маленьким спросом на машину в локацию с большим спросом, и, как следствие, низким ожидаемым простоем.

Customer Data Platform позволяет находить всех пользователей, соответствующих заданным критериям.

С помощью CDP не только ML-модели, но и маркетинговая команда может сегментировать пользователей для push-уведомлений или почтовых рассылок, основываясь на определенных характеристиках.

С более чем 100 параметрами можно точно формулировать сегменты и эффективно работать с ними.

3. Результаты сотрудничества

Благодаря внедрению CDP заказчики получили инструменты для более гибкого и точного управления сервисом.

Теперь они могут:

• запускать эксперименты с ценообразованием и маркетинговыми активностями;
• адаптировать тарифные сетки под особенности регионов и поведение пользователей;
• проводить A/B-тесты для оценки эффективности моделей стимулирования поездок.