Как предсказать время доставки в условиях неопределенного маршрута

Клиент: транспортная компания Gut https://gutlogistic.ru/

Запрос: сделать автоматизацию, позволяющую прогнозировать время, которое потратит водитель на доставку заказов от компании Hoff в Москве, Санкт-Петербурге и Московской области.

С клиентом мы работаем давно и кейс про него уже как-то писали (ссылка)

Несколько лет назад поступила новая задача мы её успешно решили, и наш аналитик Ольга Гончаровская собрала информацию о том, как мы решали задачу и о том, как это работает сейчас.

Задачи из области «вечный вопрос логистики и покупателя»:

  1. Покупателям нужно, чтобы их информировали о времени доставки, чтобы панировать своё время
  2. Службе логистики нужна информация для расчета маршрута

Чего хочет наш клиент:

  1. Сделать так чтобы, исходя из состава заказа и адреса, прогнозируемое время доставки выдавалось автоматически. При этом время должно отличаться от фактического не более, чем на 20 минут. И эта картина должна быть характерна для 100% заказов

1 этап прогноза. Услуги, дистанция и маршрут.

Можно отметить, что Ольгу, как аналитика, всегда интересовала сфера логистики и хотелось окунуться в нее поглубже. В арсенале было 2 подходящие модели: CatBoost и множественная линейная регрессия.

Немного о данных:

Данные – это состав заказа, позволяющий оценить его объем и выделить такие группы, как доставка кухни, мягкой мебели, прочей мебели, перечень услуг(например, подъем, вывоз, сборка на месте и т.п.), данные о желаемом интервале доставки. Фактическое время выполнения заказа – это разница между стартом заказа в приложении и его финишем. Время старта и финиша отмечают водители, и не всегда эти данные точные.

Уточнив детали у заказчика, Ольга приступила к прогнозу. В качестве переменных были использованы:

  1. Количество услуг по группам: доставка, подъем, сборка, вывоз
  2. Наличие лифта
  3. Этаж
  4. Интервал доставки, указанный клиентом
  5. Дистанция между адресами
  6. Фамилия водителя

В ходе обучения модели пришлось корректировать время, которое отмечали водители, на предмет пересекающихся по времени заказов, заказов, включающих друг друга и заказов, доставленных одному и тому же клиенту на один и тот же адрес.

В ходе обучения модель показывала точность 70-72% в зависимости от периода тестовых данных.

И Ольга приступила к сбору боевых данных для прогноза времени доставки на следующий день. И столкнулась с проблемой: оказывается, порядок объезда точек не закреплен в маршруте и невозможно использовать такой показатель, как дистанция между точками. Нужно отметить, что у дистанции был наибольший вес среди всех показателей (44%), соответственно, результат на 44% зависит от расстояния между точками. Что логично, т.к. основное время водитель тратит на переезд между адресами.

2 этап прогноза. Чем заменить дистанцию

Совместно с заказчиком приступили к поиску альтернатив. Были использованы:

  1. «Ручная модель прогноза». Было рассчитано среднее время, которое приходится на каждую услугу, результат складывался из объемов услуг для каждого заказа. Точность 60-65%, но наблюдались существенные отклонения при увеличении количества товаров в заказе.
  2. Разделение на время доставки и время на адресе. Точность так же не выросла.
  3. Множественная линейная регрессия (MLR) с использованием корректирующих коэффициентов объемов услуг. – точность 68-72%, но также наблюдались выбросы.

Исходя из этого, необходимо исключать выбросы, поэтому были совместно с заказчиком разработаны пороги минимального времени для каждой услуги, заказы, которые занимали меньше порогового значения, исключались из анализа.

3 этап. Зоны и кластеризация заказов

В декабре 2023 года заказчик разделил территорию Москвы и ближнего Подмосковья на 99 зон. Это позволило вывести прогноз на новый уровень, т. к. заказы на маршруте в основном находятся в одной зоне. Соответственно расстояния между адресами сравнимы между собой, а интенсивность движения зависит от зоны.

На сегодняшний день используется несколько моделей CatBoost. Рассчитываются модели отдельно для заказов, включающих услуги по подъему и сборке крупногабаритных товаров, модели отдельно по каждому водителю, используется кросс-валидация в процессе обучения, анализируются и исключаются при необходимости выбросы.

Затем по метрикам точности и среднего отклонения выбирается лучшая модель для каждого водителя и на ее основе строится прогноз.

Итоги для заказчика:

1) В личном кабинете заказчика появилась страничка с отображением ориентировочного времени доставки заказа.

Как предсказать время доставки в условиях неопределенного маршрута, изображение №1

2) Возросла точность прогнозирования по заказам с 44% до 82% по отдельным заказам и с 16% до 80% по маршруту в целом.

Как предсказать время доставки в условиях неопределенного маршрута, изображение №2

3) Снизилось отклонение факта от плана с 18 минут в среднем в 4 квартале 2022 г., до 14 минут в 3 квартале 2024 г.

Как предсказать время доставки в условиях неопределенного маршрута

Интеграция CallForce и iqDialer: повышение эффективности контакт-центров

IQTEK уже больше 13-ти лет специализируется на разработке ПО для ip-телефонии.
Наши продукты нацелены на автоматизацию и облегчение жизни колл-центров, в основном для исходящих звонков. Так как с колл-центрами мы работаем много, часто приходят запросы на автоматизацию входящих вызовов.

Лет 10 назад на форуме Asterconf мы обсуждали эту тему с компанией Voxlink, которая специализируется в первую очередь на автоматизации входящих звонков. Тогда мы впервые задумались об объединении наших продуктов. И в скором времени претворили эту идею в жизнь.

С тех пор наши продукты, iqDialer IQTEK, автоматизирующий исходящие обзвоны, и CallForce Voxlink, автоматизирующий прием входящих вызовов и статистику по работе колл-центра, работают бок о бок у большого количества наших клиентов, закрывая 100% потребностей.

Расскажем подробнее о каждом из этих продуктов.

CallForce от Voxlink.

CallForce – система управления контакт-центрами на базе телефонии Asterisk. Исторические и реалтайм показатели, а также интерфейсы рабочих мест операторов, супервайзеров и администраторов. Голосовые и текстовые коммуникации в единой системе.
CallForce состоит из четырёх ключевых компонентов:

  1. Онлайн-мониторинг для супервайзеров – даёт возможность контролировать текущую ситуацию в колл-центре в режиме реального времени.
  2. Статистика и отчётность для супервайзеров – ключевой пункт системы CallForce по работе колл-центра в целом с различными отчетами. Предоставляет аналитику и отчёты по работе операторов и всему колл-центру, что позволяет оценивать выполнение планов и ключевых показателей эффективности.
  3. Дашборд для мониторинга операторов – с помощью данного инструмента можно выводить показатели на отдельный экран в колл центре, на котором будет отображаться общая картина происходящего в колл-центре, что помогает отслеживать прогресс в достижении целей.
  4. Рабочее место оператора – интуитивно понятный интерфейс для операторов, позволяющий отслеживать очереди звонков, статус коллег, а также ключевые показатели эффективности в реальном времени.

iqDialer от IQTEK

iqDialer – это приложение, которое автоматизирует процесс исходящих звонков. Его основной функцией является избавление операторов от рутинной работы по набору номеров. Оно позволяет распределять звонки на операторов только после того, как абонент поднял трубку, что значительно ускоряет работу контакт-центра.

Основные функции iqDialer включают:

  1. Автоматический обзвон базы – позволяет массово обзванивать базы данных клиентов с возможностью регулирования скорости и объёмов обзвона.
  2. Соединение только с ответившими абонентами – оператор получает вызов лишь после того, как клиент поднял трубку.
  3. Мониторинг показателей колл-центра – все ключевые данные выводятся в отчёты для оценки загрузки и эффективности операторов.
  4. Интеграция с CRM – информация о звонках сохраняется в системе управления взаимоотношениями с клиентами (CRM) после каждого разговора.

Одновременное использование CallForce и iqDialer даёт контакт-центрам ряд существенных преимуществ:

  1. Сокращение времени обработки вызовов. Благодаря автоматическому обзвону iqDialer и эффективному распределению вызовов операторы работают быстрее, уделяя больше времени общению с клиентами, а не набору номеров.
  2. Повышение прозрачности и управляемости. Системы мониторинга и отчётности CallForce дают супервайзерам возможность в реальном времени следить за эффективностью кампаний, оценивать нагрузку на операторов и моментально принимать управленческие решения.
  3. Автоматизация и снижение рутинных операций. iqDialer автоматизирует значительную часть работы операторов, избавляя их от необходимости вручную звонить клиентам, что позволяет сосредоточиться на качестве общения и повышении удовлетворённости клиентов.
  4. Централизованное управление данными. Информация о звонках и работе операторов синхронизируется с CRM и анализируется через CallForce, что позволяет создать целостную картину работы контакт-центра и принимать более обоснованные решения на основе данных.

В результате все колл-центры, которые приходят к нам или нашему партнеру Voxlink, получают эффективную и автоматизированную платформу для управления и контроля за операторами, входящими и исходящими кампаниями. Платформу, где каждое направление разработано профильными специалистами.