Как разные поколения относятся к руководителям и критике
Каждый второй зумер в России воспринимает частую критику в свой адрес, с которой сталкивается на работе, как з...
16.10.2024
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.
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.
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:
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.
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.
Каждый второй зумер в России воспринимает частую критику в свой адрес, с которой сталкивается на работе, как з...
16.10.2024
Объясняем не/страшные термины из мира временной занятости
04.10.2024
С 8 октября 2024 обязательным условием выхода на задания в Перекресток является СНИЛС!
04.10.2024
Каждый второй зумер в России воспринимает частую критику в свой адрес, с которой сталкивается на работе, как знак личной неприязни и считает ее поводом задуматься об увольнении
16.10.2024 • 3 мин
Объясняем не/страшные термины из мира временной занятости
04.10.2024 • 12 мин
С 8 октября 2024 обязательным условием выхода на задания в Перекресток является СНИЛС!
04.10.2024 • 2 мин
Более 40% молодых работников в России нуждаются в похвале руководства. Но главным критерием выбора места подработки все еще являются деньги.
01.10.2024 • 2 мин
Ventra Go! стала победителем сразу в двух номинациях, заняв первое место как самый быстрорастущий бизнес, а также получив награду Product Market Fit.
30.09.2024 • 1 мин
Рассказываем, как работает модель Uber и почему она легла в основу платформы Ventra Go!
03.07.2024