«Главной болью были отмены: в час пик клиенты не дожидались машину, а водители простаивали не там, где нужно. Reviro построили для нас ML-ценообразование и подсказки водителям по зонам спроса — отмен стало заметно меньше, а заработок водителей в пик вырос. Система сама подстраивает цены под спрос, без ручного управления.»
Акыл Аманов
Руководитель
Проблема
В NaviTaxi свыше 50% заказов отменялись — в основном из-за долгого ожидания. Не хватало машин в зонах высокого спроса в часы пик, водители были распределены по городу неравномерно, а негибкая модель цен не реагировала на спрос.
Задача
Сбалансировать спрос и предложение в реальном времени: снизить отмены и время ожидания, перераспределить водителей в зоны спроса и повысить их продуктивность.
Решение
Построили ML-модуль динамического ценообразования поверх платформы NaviTaxi. Система работает по замкнутому циклу: модель прогнозирует спрос по зонам города, платформа заранее направляет водителей в зоны ожидаемого спроса и автоматически корректирует тариф — баланс спроса и предложения поддерживается без ручного управления ценами.
Прогноз спроса
Ядро модуля — модели машинного обучения, обученные на данных сервиса:
Модели CatBoost предсказывают спрос по времени, локации, дню и событиям;- Признаки формируются из истории поездок, погоды, событий и паттернов поведения;
- Хранилище признаков (feature store) и переобучение моделей по расписанию (MLOps-пайплайн) — качество прогноза поддерживается без ручного вмешательства.
Зонирование и подсказки водителям
Прогноз превращается в конкретные рекомендации, в какие зоны города ехать за заказами:
- Гексагональное зонирование H3, тепловая карта спроса в приложении водителя (темнее зона — выше спрос);
- Проактивное направление водителей в зоны ожидаемого спроса — автомобили оказываются там, где скоро появятся заказы.
Динамическое ценообразование
Тариф автоматически балансирует спрос и предложение и остаётся прозрачным для обеих сторон:
- Автоматический множитель тарифа по прогнозу спроса и доступности водителей;
- Показ повышенного тарифа и пассажиру, и водителю в реальном времени.
Инфраструктура
Инференс и обучение моделей размещены в том же облаке, что и платформа (DigitalOcean), — модуль работает в едином контуре с диспетчеризацией и данными сервиса.
Результаты
Снизились отмены и время ожидания
Выровнялось распределение водителей по городу
Выросли их заработок в часы пик и удержание клиентов
Ценообразование стало адаптивным и масштабируемым на основе данных
Статистика
−30%
Отмен заказов
Меньше потерянных поездок и недовольных клиентов.
+25%
Заработка водителей в часы пик
Стабильный доход снижает отток водителей.
+20%
Завершённых поездок в часы пик
Выше пропускная способность при высоком спросе.
+15%
Удержание клиентов
Быстрее подача и меньше отмен повышают лояльность.
≈85%
Точность прогноза спроса (MAPE ≈15%)
Достаточная точность для автоматического ценообразования и перераспределения водителей.
Умное ценообразование
без ручной настройки
Адаптивная модель на основе данных оптимизирует тарифы
под спрос в реальном времени
Ценообразование увеличило выручку в часы пик, стабилизировало заработок и удержание водителей, снизило количество отмен и обеспечило масштабируемые операции без ручного управления тарифами.
Технологии
