網(wǎng)約車運(yùn)力平臺精細(xì)化運(yùn)營下的數(shù)據(jù)價值思考
編輯導(dǎo)語:去年年初,一場始料未及的疫情給各行各業(yè)帶來了不小的影響。隨后各地“復(fù)工潮”陸續(xù)展開,憑借著安全優(yōu)勢的網(wǎng)約車行業(yè)迎來了爆發(fā)式的反彈增長,搶占公共交通的市場份額。不少平臺更是制定了精細(xì)化運(yùn)營的策略,本文作者就對其數(shù)據(jù)價值進(jìn)行了思考。
1. 前言
本文建立在網(wǎng)約車聚合業(yè)務(wù)下,運(yùn)力平臺的精細(xì)化運(yùn)營階段的基礎(chǔ)上,思考數(shù)據(jù)支撐/數(shù)據(jù)產(chǎn)品的價值和可落地的切入點(diǎn)。
2. 精細(xì)化業(yè)務(wù)方向拆解
基于啟動階段的業(yè)務(wù)經(jīng)驗,業(yè)務(wù)在早期可以通過快速開城擴(kuò)張,得到體量的快速增長,但當(dāng)達(dá)到一定量級后,體驗和安全會成為制約增長的重要因素。
本文通過“運(yùn)力”、“行程”兩項業(yè)務(wù)實(shí)體,基于以下理解對業(yè)務(wù)方向進(jìn)行拆解:體驗與安全作為基石,支撐業(yè)務(wù)體量穩(wěn)步增長。
2.1 安全
2.1.1 運(yùn)力安全
- 準(zhǔn)入風(fēng)控:司機(jī)準(zhǔn)入作為網(wǎng)約車業(yè)務(wù)的起點(diǎn),在業(yè)務(wù)擴(kuò)張過程中是第一道風(fēng)險點(diǎn),且司機(jī)群體客觀上存在不穩(wěn)定的特殊性;
- 健康管控:司機(jī)在工作過程中,存在疲勞駕駛等不安全因素,且在疫情期間司機(jī)的健康問題勢必會收到監(jiān)管部門、社會輿論的高度關(guān)注。
2.1.2 行程安全
- 事前預(yù)警:行程安全的核心工作方向,勢必在于如何有效避免發(fā)生安全事件;
- 事中告警:一旦發(fā)生安全事件,或發(fā)生了安全風(fēng)險,平臺第一時間需要獲取到風(fēng)險告警,才能有后續(xù)的響應(yīng)操作;
- 事后響應(yīng):安全事件發(fā)生后,平臺通過輔助公安、安撫受害者、回應(yīng)輿情的方式,將事件影響降到最低。
2.2 體驗
2.2.1 運(yùn)力服務(wù)質(zhì)量
- 違規(guī)行為管控:平臺對于司機(jī)刷單、惡意繞路、辱罵乘客等有損乘客、平臺利益的行為,必須具備結(jié)構(gòu)化、流程化的管控抓手;
- 標(biāo)準(zhǔn)化流程管控:在非專車業(yè)務(wù)中,司機(jī)服務(wù)流程相對寬松,但仍需有框架性的約束,如上車提醒系安全帶,下車提醒注意車輛。
2.2.2 行程質(zhì)量
- 行前高效接駕:派單的質(zhì)量是重要的體驗要素,一次滿足用戶預(yù)期的派單是良好的體驗開端;
- 行中路線合理:行程當(dāng)前為司機(jī)規(guī)劃的路線,既需要滿足客觀條件,更要符合司乘預(yù)期,一次糟糕的路徑規(guī)劃極有可能造成一次客訴;
- 行后客訴響應(yīng):一旦發(fā)生客訴糾紛,需保證司乘向平臺反饋的路徑暢通,且平臺的響應(yīng)措施及時到位。
2.3 增長
2.3.1 運(yùn)力規(guī)模
- 司機(jī)拉新:公海司機(jī)是業(yè)務(wù)的主力軍,其規(guī)模的增長速度決定了在城市內(nèi)的司機(jī)群體影響力和業(yè)務(wù)擴(kuò)張的速度;
- 司機(jī)留存:司機(jī)入駐平臺后,部分司機(jī)可能會在完成新人獎后流失,平臺需要通過定向的產(chǎn)品、運(yùn)營策略,加強(qiáng)新司機(jī)的留存比例;
- 司機(jī)促活:平臺大部分司機(jī)為第二平臺司機(jī),平臺的關(guān)鍵工作在于促進(jìn)各層級司機(jī)的躍遷,加強(qiáng)司機(jī)對平臺的黏性。
2.3.2 交易效率
雙邊匹配效率:網(wǎng)約車交易的核心在于平衡供需,背后是如何將運(yùn)力資源,乘客需求各自發(fā)揮最大價值,從而提升平臺收益。
3. 數(shù)據(jù)支撐/運(yùn)營的切入點(diǎn)
3.1 驅(qū)動業(yè)務(wù)/產(chǎn)品優(yōu)先級的定義
上文通過MECE的方式,將精細(xì)化運(yùn)營進(jìn)行了二維的拆解。
雖已經(jīng)定義了「體驗與安全作為基石,支撐業(yè)務(wù)體量穩(wěn)步增長」的大前提,但在細(xì)分領(lǐng)域仍很難快速且科學(xué)定義每個子項的優(yōu)先級;而在研發(fā)資源、時間資源有限的背景下,科學(xué)地定義各子項優(yōu)先級便是第一個事項,亦是數(shù)據(jù)支撐的第一個切入點(diǎn)。
在0-1階段這個問題很好回答,因為大多是阻滯性,可以主觀定性分析的業(yè)務(wù)問題。而當(dāng)進(jìn)入1-N階段,我們需要通過一些可以量化的手段,通過客觀定量的方式,表述業(yè)務(wù)問題所造成的影響。
下文我們簡單的進(jìn)行一次實(shí)踐:在「提升司乘行程體驗」的課題中,行前高效接駕、行中路線合理、行后快速響應(yīng)客訴,這三個子項,如何佐證其各自的業(yè)務(wù)優(yōu)先級?(或者如何通過數(shù)據(jù)驅(qū)動業(yè)務(wù)部門確定優(yōu)先級?)
3.1.1 從目標(biāo)指標(biāo)出發(fā),判斷價值權(quán)重
此處我們假設(shè)「提升行程體驗」課題的核心指標(biāo)是:體驗類CPO(每筆訂單的體驗類進(jìn)線投訴率);輿情類投訴率。拉取近30天體驗類的司乘進(jìn)線,通過通話標(biāo)題進(jìn)行分類計數(shù):
- 行前體驗投訴,如派單太遠(yuǎn);
- 行中體驗投訴,如司機(jī)導(dǎo)航繞路;
- 行后體驗投訴,司乘重復(fù)進(jìn)線反饋問題未解決。
通過此類方式計算行前、行中、行后三個子項,分別對體驗CPO造成的影響,得出各自的權(quán)重。通過同樣的分類計數(shù)方式,拉取近30日的輿情類工單并計數(shù),拿到三個子項在輿情類投訴率這一指標(biāo)下各自的權(quán)重。
假設(shè)我們判斷體驗類CPO下的權(quán)重為,行前:行中:行后 = 5:4:1,輿情類投訴率下的權(quán)重為,行前:行中:行后 = 1:2:7。而體驗類CPO和輿情投訴率兩項指標(biāo),在「提升行程體驗」這一課題下的權(quán)重為8:2,則最終的價值權(quán)重為:行前:行中:行后 = 4.2 : 3.6 : 2.2。
3.1.2 對比邊際效益,得出最終結(jié)論
完成上述步驟后,我們已經(jīng)可以初步判斷三個子項各自的業(yè)務(wù)影響程度,接下來需要通過計算邊際效益,做出優(yōu)先級的決策:假設(shè)通過產(chǎn)研各部門的綜合評估,行前、行中、行后各自的產(chǎn)品方案成本為:行前90人日,行中70人日;行后30人日。
此時我們便可以通過三個子項各自的價值權(quán)重、開發(fā)成本,粗略的評估各自的邊際效益(價值/成本),從而得出優(yōu)先級的結(jié)論:行后快速響應(yīng) > 行中路線合理 > 行前高效接駕。
3.2 驅(qū)動策略設(shè)計與量化管控
上文我們已通過數(shù)據(jù)完成了業(yè)務(wù)/產(chǎn)品優(yōu)先級的定義,接下來的工作便是:如何通過數(shù)據(jù)驅(qū)動精細(xì)化的產(chǎn)品策略、運(yùn)營策略進(jìn)行落地和監(jiān)控。
3.2.1 如何驅(qū)動策略的定義與設(shè)計
抽象所有的產(chǎn)品/運(yùn)營策略,可以得到下面的公式:精細(xì)化產(chǎn)品/運(yùn)營策略 = 最佳的人群 + 最佳的手段。
3.2.1.1 圈選最佳的人群
在接入聚合平臺的網(wǎng)約車業(yè)務(wù)內(nèi),司機(jī)是最主要的用戶人群。我們通過以下的方式,利用數(shù)據(jù)資源將司機(jī)的各類特征進(jìn)行量化,從而實(shí)現(xiàn)圈選。
- 司機(jī)靜態(tài)標(biāo)簽:如司機(jī)的城市屬性、性別屬性、年齡屬性,這些內(nèi)容在司機(jī)注冊完成后,就已經(jīng)確定不會變動;
- 司機(jī)動態(tài)標(biāo)簽。
司機(jī)考核指標(biāo):我們在衡量一個司機(jī)對平臺的忠實(shí)度、貢獻(xiàn)度時,通常使用出車時長、完單數(shù)這兩項司機(jī)維度的考核指標(biāo)。
例如:我們在圈選「全職司機(jī)」時,條件可以為「近7日日均出車時長>6小時,且日均完單數(shù)>10單」。在進(jìn)行運(yùn)力增長(如沉睡司機(jī)激活、維系全職司機(jī)等)策略時,是最常用的圈選場景。
司機(jī)端App:App采集的司機(jī)行為日志,也可用作司機(jī)的動態(tài)標(biāo)簽。如「主動撥打乘客電話」、「習(xí)慣使用外置導(dǎo)航」等,司機(jī)端產(chǎn)品經(jīng)理如需要對用戶的操作路徑進(jìn)行可視化洞察,進(jìn)而定義產(chǎn)品灰度實(shí)驗時,這些都是實(shí)用的能力。
司機(jī)行動軌跡:在進(jìn)行安全策略時,司機(jī)的行為軌跡是非常關(guān)鍵的人群圈選能力,例如在進(jìn)行疫情防控的場景下,我們可以快速通過軌跡標(biāo)簽,圈選出風(fēng)險司機(jī)。
3.2.1.2 執(zhí)行最佳的手段
目前的運(yùn)營場景下,運(yùn)營同學(xué)選擇策略手段通常是基于個人的運(yùn)營經(jīng)驗,強(qiáng)依賴于運(yùn)營人員的主觀因素。
將上述的運(yùn)營場景,通過業(yè)務(wù)用例推導(dǎo)系統(tǒng)用例:數(shù)據(jù)產(chǎn)品可以為運(yùn)營人員提供運(yùn)營手段的推薦,也可以定義為「基于歷史數(shù)據(jù)的策略效果和成本預(yù)測」。
此處以最日常的B端(司機(jī))現(xiàn)金補(bǔ)貼策略為例:運(yùn)營定義活動:杭州當(dāng)日新注冊司機(jī)3天周期沖單獎,5單獎勵10元,10單獎勵30元,20單獎勵50元,本次活動的核心指標(biāo)是「新注冊司機(jī)次日留存率」:
- 成本預(yù)測:通過拉取本策略圈選人群(新注冊司機(jī))在過去命中的人數(shù),預(yù)測明日的新注冊司機(jī)數(shù)。輔以過去新注冊司機(jī)的完單情況(5單人數(shù)、10單人數(shù)、20單人數(shù)),計算得到本次活動的成本置信區(qū)間;
- 效果預(yù)測:選取N組歷史數(shù)據(jù)中,施加外部策略情況下的數(shù)據(jù),計算每一組的數(shù)據(jù)的「新注冊司機(jī)次日留存率」以及每個策略的實(shí)際成本,根據(jù)歷史數(shù)據(jù)計算ROI的中位數(shù),基于此中位數(shù)以及上文中預(yù)測的成本置信區(qū)間,即可獲得本次策略的效果置信區(qū)間。
3.2.2 如何有效地對策略進(jìn)行量化管控
策略結(jié)束后,運(yùn)營同學(xué)需要對本次策略進(jìn)行ROI的量化評價。策略的成本是否在可接受的范圍內(nèi),帶來的收益是否符合了預(yù)期。此處為科學(xué)地量化ROI,此處引入「合成控制法」模型進(jìn)行計算。
合成控制法的思路是反事實(shí)框架,即「如果沒有施加此策略,會有怎樣的結(jié)果,并與實(shí)際施加策略后的結(jié)果進(jìn)行對比」。
4. 產(chǎn)品層面的落地方案
4.1 標(biāo)簽萃取平臺
自定義司機(jī)靜態(tài)/動態(tài)、訂單標(biāo)簽:
- 基礎(chǔ)標(biāo)簽:支持用戶通過字段屬性,直接定義標(biāo)簽(如 `司機(jī)來源` ,`城市`,`司機(jī)類型`);
- 復(fù)合標(biāo)簽:支持用戶通過可視化建模的方式,萃取出復(fù)雜性、個性化較強(qiáng)的標(biāo)簽(如`最近出車時間` >= 昨日0點(diǎn) 且 `城市` = 杭州市)。
4.2 畫像分析平臺
4.2.1 分組畫像分析
- 基于標(biāo)簽萃取平臺提供的標(biāo)簽結(jié)果,獲取單標(biāo)簽屬性分布;
- 支持多基礎(chǔ)標(biāo)簽進(jìn)行交叉分析(如查看杭州市的司機(jī)類型分布);
- 通過分組對比進(jìn)行TGI指數(shù)分析(用于分析某個群體的特征是否顯著,是否超過總體的均值)。
4.2.2個體畫像分析
- 通過路線軌跡,直觀查看司機(jī)在使用app時的行為路線,可用于警察取證等特殊場景;
- 對司機(jī)過往的接單行為、拒單行為、出車行為、調(diào)度日志等多方數(shù)據(jù)進(jìn)行可視化呈現(xiàn),既可用于排查case,也可用于客服處理司機(jī)進(jìn)線。
4.3 A/B實(shí)驗平臺
4.3.1 實(shí)驗分層和分桶
在設(shè)計和執(zhí)行實(shí)驗(包括產(chǎn)品功能、運(yùn)營策略等)時,基于標(biāo)簽萃取平臺提供的標(biāo)簽結(jié)果,對司機(jī)流量進(jìn)行縱向分層和橫向分桶。
4.3.2 實(shí)驗結(jié)果可視化
系統(tǒng)自動生成實(shí)驗數(shù)據(jù)報表(實(shí)時+離線),呈現(xiàn)本次實(shí)驗的數(shù)據(jù)結(jié)果。
4.4 精準(zhǔn)運(yùn)營管理平臺
4.4.1 智能運(yùn)營計劃
為運(yùn)營人員提供策略成本預(yù)測、效果預(yù)測,輔助制定智能運(yùn)營策略。
4.4.2 自動化效果評估
基于「合成控制法」的模型,對每一次策略結(jié)果進(jìn)行自動化的量化評估。
作者:Sean,公眾號:SeanZ的自我修養(yǎng)
本文由 @Sean 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理,未經(jīng)許可,禁止轉(zhuǎn)載
題圖來自 Unsplash,基于 CC0 協(xié)議
很專業(yè)了