网约车运力平台精细化运营下的数据价值思考

0 评论 2280 浏览 9 收藏 15 分钟

编辑导语:去年年初,一场始料未及的疫情给各行各业带来了不小的影响。随后各地“复工潮”陆续展开,凭借着安全优势的网约车行业迎来了爆发式的反弹增长,抢占公共交通的市场份额。不少平台更是制定了精细化运营的策略,本文作者就对其数据价值进行了思考。

1. 前言

本文建立在网约车聚合业务下,运力平台的精细化运营阶段的基础上,思考数据支撑/数据产品的价值和可落地的切入点。

2. 精细化业务方向拆解

基于启动阶段的业务经验,业务在早期可以通过快速开城扩张,得到体量的快速增长,但当达到一定量级后,体验和安全会成为制约增长的重要因素。

本文通过“运力”、“行程”两项业务实体,基于以下理解对业务方向进行拆解:体验与安全作为基石,支撑业务体量稳步增长。

2.1 安全

2.1.1 运力安全

  • 准入风控:司机准入作为网约车业务的起点,在业务扩张过程中是第一道风险点,且司机群体客观上存在不稳定的特殊性;
  • 健康管控:司机在工作过程中,存在疲劳驾驶等不安全因素,且在疫情期间司机的健康问题势必会收到监管部门、社会舆论的高度关注。

2.1.2 行程安全

  • 事前预警:行程安全的核心工作方向,势必在于如何有效避免发生安全事件;
  • 事中告警:一旦发生安全事件,或发生了安全风险,平台第一时间需要获取到风险告警,才能有后续的响应操作;
  • 事后响应:安全事件发生后,平台通过辅助公安、安抚受害者、回应舆情的方式,将事件影响降到最低。

2.2 体验

2.2.1 运力服务质量

  • 违规行为管控:平台对于司机刷单、恶意绕路、辱骂乘客等有损乘客、平台利益的行为,必须具备结构化、流程化的管控抓手;
  • 标准化流程管控:在非专车业务中,司机服务流程相对宽松,但仍需有框架性的约束,如上车提醒系安全带,下车提醒注意车辆。

2.2.2 行程质量

  • 行前高效接驾:派单的质量是重要的体验要素,一次满足用户预期的派单是良好的体验开端;
  • 行中路线合理:行程当前为司机规划的路线,既需要满足客观条件,更要符合司乘预期,一次糟糕的路径规划极有可能造成一次客诉;
  • 行后客诉响应:一旦发生客诉纠纷,需保证司乘向平台反馈的路径畅通,且平台的响应措施及时到位。

2.3 增长

2.3.1 运力规模

  • 司机拉新:公海司机是业务的主力军,其规模的增长速度决定了在城市内的司机群体影响力和业务扩张的速度;
  • 司机留存:司机入驻平台后,部分司机可能会在完成新人奖后流失,平台需要通过定向的产品、运营策略,加强新司机的留存比例;
  • 司机促活:平台大部分司机为第二平台司机,平台的关键工作在于促进各层级司机的跃迁,加强司机对平台的黏性。

2.3.2 交易效率

双边匹配效率:网约车交易的核心在于平衡供需,背后是如何将运力资源,乘客需求各自发挥最大价值,从而提升平台收益。

3. 数据支撑/运营的切入点

3.1 驱动业务/产品优先级的定义

上文通过MECE的方式,将精细化运营进行了二维的拆解。

虽已经定义了「体验与安全作为基石,支撑业务体量稳步增长」的大前提,但在细分领域仍很难快速且科学定义每个子项的优先级;而在研发资源、时间资源有限的背景下,科学地定义各子项优先级便是第一个事项,亦是数据支撑的第一个切入点。

在0-1阶段这个问题很好回答,因为大多是阻滞性,可以主观定性分析的业务问题。而当进入1-N阶段,我们需要通过一些可以量化的手段,通过客观定量的方式,表述业务问题所造成的影响。

下文我们简单的进行一次实践:在「提升司乘行程体验」的课题中,行前高效接驾、行中路线合理、行后快速响应客诉,这三个子项,如何佐证其各自的业务优先级?(或者如何通过数据驱动业务部门确定优先级?)

3.1.1 从目标指标出发,判断价值权重

此处我们假设「提升行程体验」课题的核心指标是:体验类CPO(每笔订单的体验类进线投诉率);舆情类投诉率。拉取近30天体验类的司乘进线,通过通话标题进行分类计数:

  • 行前体验投诉,如派单太远;
  • 行中体验投诉,如司机导航绕路;
  • 行后体验投诉,司乘重复进线反馈问题未解决。

通过此类方式计算行前、行中、行后三个子项,分别对体验CPO造成的影响,得出各自的权重。通过同样的分类计数方式,拉取近30日的舆情类工单并计数,拿到三个子项在舆情类投诉率这一指标下各自的权重。

假设我们判断体验类CPO下的权重为,行前:行中:行后 = 5:4:1,舆情类投诉率下的权重为,行前:行中:行后 = 1:2:7。而体验类CPO和舆情投诉率两项指标,在「提升行程体验」这一课题下的权重为8:2,则最终的价值权重为:行前:行中:行后 = 4.2 : 3.6 : 2.2。

3.1.2 对比边际效益,得出最终结论

完成上述步骤后,我们已经可以初步判断三个子项各自的业务影响程度,接下来需要通过计算边际效益,做出优先级的决策:假设通过产研各部门的综合评估,行前、行中、行后各自的产品方案成本为:行前90人日,行中70人日;行后30人日。

此时我们便可以通过三个子项各自的价值权重、开发成本,粗略的评估各自的边际效益(价值/成本),从而得出优先级的结论:行后快速响应 > 行中路线合理 > 行前高效接驾。

3.2 驱动策略设计与量化管控

上文我们已通过数据完成了业务/产品优先级的定义,接下来的工作便是:如何通过数据驱动精细化的产品策略、运营策略进行落地和监控。

3.2.1 如何驱动策略的定义与设计

抽象所有的产品/运营策略,可以得到下面的公式:精细化产品/运营策略 = 最佳的人群 + 最佳的手段。

3.2.1.1 圈选最佳的人群

在接入聚合平台的网约车业务内,司机是最主要的用户人群。我们通过以下的方式,利用数据资源将司机的各类特征进行量化,从而实现圈选。

  • 司机静态标签:如司机的城市属性、性别属性、年龄属性,这些内容在司机注册完成后,就已经确定不会变动;
  • 司机动态标签。

司机考核指标:我们在衡量一个司机对平台的忠实度、贡献度时,通常使用出车时长、完单数这两项司机维度的考核指标。

例如:我们在圈选「全职司机」时,条件可以为「近7日日均出车时长>6小时,且日均完单数>10单」。在进行运力增长(如沉睡司机激活、维系全职司机等)策略时,是最常用的圈选场景。

司机端App:App采集的司机行为日志,也可用作司机的动态标签。如「主动拨打乘客电话」、「习惯使用外置导航」等,司机端产品经理如需要对用户的操作路径进行可视化洞察,进而定义产品灰度实验时,这些都是实用的能力。

司机行动轨迹:在进行安全策略时,司机的行为轨迹是非常关键的人群圈选能力,例如在进行疫情防控的场景下,我们可以快速通过轨迹标签,圈选出风险司机。

3.2.1.2 执行最佳的手段

目前的运营场景下,运营同学选择策略手段通常是基于个人的运营经验,强依赖于运营人员的主观因素。

将上述的运营场景,通过业务用例推导系统用例:数据产品可以为运营人员提供运营手段的推荐,也可以定义为「基于历史数据的策略效果和成本预测」。

此处以最日常的B端(司机)现金补贴策略为例:运营定义活动:杭州当日新注册司机3天周期冲单奖,5单奖励10元,10单奖励30元,20单奖励50元,本次活动的核心指标是「新注册司机次日留存率」:

  • 成本预测:通过拉取本策略圈选人群(新注册司机)在过去命中的人数,预测明日的新注册司机数。辅以过去新注册司机的完单情况(5单人数、10单人数、20单人数),计算得到本次活动的成本置信区间;
  • 效果预测:选取N组历史数据中,施加外部策略情况下的数据,计算每一组的数据的「新注册司机次日留存率」以及每个策略的实际成本,根据历史数据计算ROI的中位数,基于此中位数以及上文中预测的成本置信区间,即可获得本次策略的效果置信区间。

3.2.2 如何有效地对策略进行量化管控

策略结束后,运营同学需要对本次策略进行ROI的量化评价。策略的成本是否在可接受的范围内,带来的收益是否符合了预期。此处为科学地量化ROI,此处引入「合成控制法」模型进行计算。

合成控制法的思路是反事实框架,即「如果没有施加此策略,会有怎样的结果,并与实际施加策略后的结果进行对比」。

4. 产品层面的落地方案

4.1 标签萃取平台

自定义司机静态/动态、订单标签:

  • 基础标签:支持用户通过字段属性,直接定义标签(如 `司机来源` ,`城市`,`司机类型`);
  • 复合标签:支持用户通过可视化建模的方式,萃取出复杂性、个性化较强的标签(如`最近出车时间` >= 昨日0点 且 `城市` = 杭州市)。

4.2 画像分析平台

4.2.1 分组画像分析

  • 基于标签萃取平台提供的标签结果,获取单标签属性分布;
  • 支持多基础标签进行交叉分析(如查看杭州市的司机类型分布);
  • 通过分组对比进行TGI指数分析(用于分析某个群体的特征是否显著,是否超过总体的均值)。

4.2.2个体画像分析

  • 通过路线轨迹,直观查看司机在使用app时的行为路线,可用于警察取证等特殊场景;
  • 对司机过往的接单行为、拒单行为、出车行为、调度日志等多方数据进行可视化呈现,既可用于排查case,也可用于客服处理司机进线。

4.3 A/B实验平台

4.3.1 实验分层和分桶

在设计和执行实验(包括产品功能、运营策略等)时,基于标签萃取平台提供的标签结果,对司机流量进行纵向分层和横向分桶。

4.3.2 实验结果可视化

系统自动生成实验数据报表(实时+离线),呈现本次实验的数据结果。

4.4 精准运营管理平台

4.4.1 智能运营计划

为运营人员提供策略成本预测、效果预测,辅助制定智能运营策略。

4.4.2 自动化效果评估

基于「合成控制法」的模型,对每一次策略结果进行自动化的量化评估。

 

作者:Sean,公众号:SeanZ的自我修养

本文由 @Sean 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

给作者打赏,鼓励TA抓紧创作!
更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!