Как мы закрываем 98% заявок с помощью ИИ — и при чём здесь осьминог

С самого старта ключевая цель платформы — закрывать потребность бизнеса в линейном персонале, а людям давать возможность работать и зарабатывать, когда и где они хотят. Например, если днём в понедельник даркстору нужно десять грузчиков, то именно столько людей в назначенный срок выйдет в смену. Они качественно отработают и в тот же день получат оплату. Так выглядит классическая Uber-модель (почитать о ней можно в этом нашем тексте). Мы ежегодно растём в 3,5 раза — такой рост и масштабирование на сотни тысяч человек невозможны при традиционной аутсорсинговой или кадровой модели привлечения персонала. Как и в Uber, за каждым заказом у нас нет выделенного оператора или диспетчера. Ядром нашей платформы стал ИИ-алгоритм на основе машинного обучения. Между собой мы называем его Пауль, в честь осьминога-предсказателя. О нём мы и расскажем в статье.

Почему появился Пауль

Объясним на примере.

Допустим, у платформы гибкой занятости 150 торговых точек и 1 000 исполнителей. Команда проекта внимательно следит за закрытием заявок и контролирует, все ли исполнители вышли на задания, потому что платформа гарантирует заказчику, что люди в нужном количестве в нужный срок будут на объекте.

Теперь представьте, что у платформы 15 000 объектов и миллион исполнителей. Как при таких объёмах закрывать заявки, контролировать выходы на задания, работать с пользователями приложения и сохранять высокий уровень сервиса? Стандартные инструменты не подойдут.

Поэтому мы решили, что платформа должна самостоятельно прогнозировать выходы исполнителей на смены и давать уверенность в закрытии заявок. Так появился Пауль.

Мы обучали алгоритм по накопленным данным: заявкам, откликам, логам исполнителей, рейтингам, отзывам, геолокациям. Со временем список анализируемых параметров вырос до 400 показателей.

Как работает Пауль

Пауль играет сразу за две команды — заказчиков и исполнителей.

Закрывает потребности заказчиков во временном персонале

Смотрит на геолокацию, ставку, спрос, историю заявок, рейтинг среди работников, заполняемость заявок и многое другое.

Алгоритм прогнозирует, какому магазину нужна помощь с закрытием заявки на персонал, а также, с какой вероятностью тот или иной исполнитель выйдет на задание. Оценивает возможные проблемы и принимает меры — от расширения локации поиска до сигналов в отдел маркетинга, что нужно привлечь больше активных исполнителей на платформу рядом с этой торговой точкой.

Фактически для команды платформы появился светофор, который показывает вероятность закрытия каждой заявки:

• Какие заявки закроются автоматически (зелёный).
• Каким заявкам нужно дополнительное внимание (жёлтый).
• Где требуется включение дополнительных инструментов (красный).

Пауль анализирует данные и принимает решение, как действовать дальше. Если заявка в красной зоне, он, например, может автоматически отправить сообщения подходящим пользователям, подключить операторов для обзвона исполнителей рядом с магазином или другим способом активировать базы пользователей в этой локации.

Например, магазин вчера оставил заявку на услуги двух разнорабочих. Два исполнителя взяли задания. По профилю, сценариям поведения и другим параметрам Пауль рассчитал, что первый исполнитель с большой вероятностью не выйдет на смену. Алгоритм просигнализирует об этом и «подстрахует» заявку.

Делает платформу удобнее для исполнителей

Анализирует пользовательское поведение и показывает наиболее релевантные заявки «лучшим» исполнителям.

Пауль оценивает все факторы и определяет, насколько задание подойдёт конкретному исполнителю — наиболее релевантные он покажет в первую очередь.

Для расчёта он использует не только пол, возраст, гео — руководствуется более чем 400+ характеристиками. Алгоритм учитывает всю историю действий исполнителя внутри платформы: берёт ли он заявки рядом с домом или в другой локации, когда заходит в приложение, когда, какие заявки и сколько времени смотрит, и многое другое. Пользователю показываются задания, которые ему, скорее всего, больше понравятся, и одно из которых он с большой вероятностью возьмёт.

Например, студент Ваня по четвергам после учёбы подрабатывает сборщиком заказов, ему так удобно — объект находится через улицу от университета. Ваня ответственный и надёжный, не прогуливает смены — у него хороший рейтинг. Пауль покажет похожие задания ему в приоритете.

Удобство в выборе заданий — это вишенка на торте масштабного труда Пауля по совершенствованию UX-платформы. В конечном счёте анализ паттернов поведения исполнителей и обратной связи от них позволяет ежедневно улучшать пользовательский опыт. Благодаря этому исполнители дольше задерживаются на платформе, чаще возвращаются и стремятся лучше проявлять себя на проектах конкретных заказчиков.

Влияние Пауля на бизнес-показатели

Пауль — умный и эффективный алгоритм, который делает возможным неограниченное масштабирование платформы и работает на UX как для клиентов, так и для исполнителей.

Уже сейчас Пауль — неотъемлемая «умная» часть нашей платформы. Он проводит аналитику больших данных и каждый день учится — точность прогностической модели повышается. Больше информации → выше качество прогнозов.