راهکارهای جامع هوش مصنوعی برای اسنپ 🚖🤖
تیم توسعه هوش مصنوعی الف.با
با مشارکت شرکت سهامی خاص بانی اندیشه بایا ۱۳۸۳-ایران و شرکت Lanza SRL ۲۰۱۲-بلژیک
تماس با ما
خلاصه‌ی مدیریتی
ضرورت تحول دیجیتال با هوش مصنوعی
شرکت‌های پیشرو دنیا در حوزه‌ی حمل‌ونقل هوشمند (Uber و ...) نشان داده‌اند که به‌کارگیری گسترده‌ی هوش مصنوعی دیگر یک انتخاب لوکس نیست بلکه شرط بقا و پیشرفت است. اسنپ به‌عنوان بازیگر اصلی بازار ایران باید استراتژی جامع AI داشته باشد تا از رقبا جلو بماند.
شروع تدریجی با مقاومت سازمانی کم
پیشنهاد می‌کنیم اسنپ با راهکارهای کم‌ریسک و کم‌هزینه‌تر شروع کند که به‌صورت "AI به‌عنوان توانمندساز (Enabler)" عمل می‌کنند (مانند چت‌بات پشتیبانی، تحلیل هوشمند داده‌ها) و سپس به‌تدریج به سمت راهکارهای تحول‌آفرین‌تر و پیشرفته‌تر برود.
این رویکرد گام‌به‌گام، پذیرش داخلی را افزایش داده و ریسک را کاهش می‌دهد.
مزایا در تمامی ابعاد کسب‌وکار
کاهش زمان انتظار
زمان انتظار مسافران کاهش می‌یابد
افزایش بهره‌وری
بهره‌وری رانندگان بالا می‌رود
تحول پشتیبانی
پشتیبانی مشتریان متحول می‌شود
کاهش هزینه‌ها
هزینه‌ها به‌شدت کم می‌شود

برای نمونه: چت‌بات‌ها قادرند تا ۷۰٪ الی ۸۰٪ پرسش‌های رایج را خودکار پاسخ دهند و هزینه‌ی هر تعامل را از ~$6 به ~$0.5 کاهش دهند که معادل حدود ۳۰٪ صرفه‌جویی در هزینه‌های پشتیبانی است.
کیفیت تصمیم‌گیری مدیریتی
همچنین کیفیت تصمیم‌گیری مدیریتی ارتقاء یافته و اسنپ را برای آینده‌ی صنعت (از خودروهای خودران گرفته تا رقابت با ابرپلتفرم‌ها) آماده می‌سازد.
  • تحلیل داده‌های پیشرفته
  • پیش‌بینی روندهای بازار
  • بهینه‌سازی استراتژی
  • آمادگی برای آینده
مدل اجرای پیشنهادی
از API تا استقرار کامل
راهکارها ابتدا به‌صورت سرویس ابری/API ارائه می‌شوند تا سریع و کم‌هزینه پیاده‌سازی و آزموده شوند (Phase 1). در ادامه، در صورت موفقیت، این سرویس‌ها به‌طور کامل درون سازمان اسنپ یکپارچه و مستقر خواهند شد (Phase 2) تا چابکی و امنیت حداکثری تضمین گردد.
مدل دومرحله‌ای اجرا
Phase 1: API
سرویس ابری سریع و کم‌هزینه
آزمون و سنجش
ارزیابی مزایا و بازخوردها
Phase 2: استقرار
یکپارچه‌سازی کامل درون‌سازمانی
این مدل دومرحله‌ای امکان می‌دهد بدون اختلال در سرویس فعلی، مزایای AI سنجیده و سپس در مقیاس بزرگ اجرا شوند.
پیشنهاد ارزش و مدل همکاری
تیم هوش مصنوعی «الف.با» آمادگی دارد به‌عنوان شریک استراتژیک اسنپ در مسیر AI عمل کند. مدل همکاری می‌تواند ترکیبی از پروژه‌ی سفارشی با قیمت ثابت برای فازهای اصلی و ارائه به‌عنوان سرویس (اشتراک ماهانه یا برمبنای تراکنش) باشد.
برآورد سرمایه‌گذاری
5
میلیارد تومان
سرمایه‌گذاری فاز اول
20
میلیارد تومان
سرمایه‌گذاری فاز نهایی
10x
بازگشت سرمایه
ROI بسیار چشمگیر
برآورد اولیه ما سرمایه‌گذاری‌ای در حدود چند ده میلیارد تومان است که در قیاس با مقیاس کسب‌وکار اسنپ بسیار کوچک اما با ROI بسیار چشمگیر است – تنها در بخش پشتیبانی، صرفه‌جویی سالیانه می‌تواند چند برابر این رقم باشد.
مقدمه
اسنپ در نقطه‌ی عطف
با بیش از ۸۱ میلیون کاربر ثبت‌نام‌شده مسافر و ۷.۴ میلیون راننده تا سال ۱۴۰۳، اسنپ به بزرگ‌ترین پلتفرم تاکسی اینترنتی ایران بدل شده و حدود ۹۰٪ سهم بازار را در اختیار دارد.
فرصت و چالش توأمان
فرصت
داده‌های کلان (میلیاردها سفر) که گنجینه‌ای برای هوش مصنوعی است تا الگوهای پنهان را بیابد و بهره‌وری را بالا ببرد.
چالش
انتظارات فزاینده‌ی مشتریان و رقبا: مسافران خواهان سفرهای سریع‌تر، ایمن‌تر و پشتیبانی لحظه‌ای‌اند؛ رانندگان به درآمد و شرایط کاری بهتر می‌اندیشند؛ رقبا پیوسته در حال نوآوری‌اند.
درس‌آموخته از Uber و دیگران
"زمان بحث درباره اینکه آیا باید از AI استفاده کنیم یا نه گذشته است"
— رئیس محصولات هوش مصنوعی Uber
شرکت Uber به عنوان پیشتاز جهانی، هوش مصنوعی را در تمام ارکان کسب‌وکارش نهادینه کرده است و شرکت‌ها برای بقا باید AI را در هسته‌ی استراتژی خود قرار دهند.
دستاوردهای Uber با AI
01
تعادل بازار دوسویه
بهینه‌سازی مچینگ مسافر/راننده با الگوریتم‌های پیشرفته
02
قیمت‌دهی پویا
Surge Pricing بر پایه‌ی یادگیری ماشین برای بالانس عرضه و تقاضا
03
امنیت و اعتماد
تشخیص هویت راننده و تحلیل الگوی مسیر
04
کارایی عملیات
خودکارسازی پشتیبانی و بهبود کیفیت خدمات
چشم‌انداز آینده
اوبر به شدت در نسل بعدی فناوری‌ها سرمایه‌گذاری می‌کند – از پروژه‌های خودروهای خودران گرفته تا روبات‌تاکسی‌ها. برای نمونه، این شرکت در ۲۰۲۵ اعلام کرد قصد دارد طی ۶ سال، ۲۰٬۰۰۰ خودروی خودران (با همکاری شرکت Lucid و فناوری سطح ۴ Nuro) را به ناوگان خود اضافه کند و در همین راستا صدها میلیون دلار در این حوزه سرمایه‌گذاری می‌کند.

هرچند اجرای چنین پروژه‌هایی در ایران ممکن است با تأخیر بیشتری همراه باشد، اما جهت‌گیری صنعت روشن است: آینده‌ی حمل‌ونقل در خودکارسازی و هوشمندسازی حداکثری است. اسنپ باید از هم‌اکنون آمادگی مواجهه با این موج را ایجاد کند.
رقبای داخلی نیز بیکار نیستند
تپسی به‌عنوان رقیب اصلی داخلی، علیرغم سهم کوچک‌تر، روی برخی قابلیت‌های هوشمند متمرکز شده است:
پیشنهاد مقصد هوشمند
بر اساس عادت سفر مسافر و اعلان زمان مناسب درخواست خودرو
دسترسی به ChatGPT
امکان دسترسی مستقیم در اپلیکیشن برای جذب کاربران
بهبود تجربه رانندگان
اطلاع‌رسانی زودهنگام سفر بعدی قبل از پایان سفر جاری
خلاصه اینکه مزیت رقابتی امروز اسنپ – یعنی برند معتبر و حجم کاربران – در صورت عدم سرمایه‌گذاری در نوآوری، می‌تواند تضعیف شود.
آمادگی فرهنگی و زیرساختی اسنپ
خوشبختانه اسنپ خود به اهمیت فناوری‌های هوشمند واقف بوده و گام‌هایی نیز برداشته است. گروه اسنپ یک واحد جدید به نام «Snapp AI» یا مشابه آن راه‌اندازی کرده و اولین خروجی آن دستیار خرید هوشمند اسنپ‌اکسپرس است که به‌صورت آزمایشی فعال شده.
این دستیار مجهز به هوش مصنوعی با دریافت صوتی یا متنی درخواست‌های خرید سوپرمارکتی مشتری، اقلام مورد نیاز را تشخیص داده و به سبد خرید اضافه می‌کند.
رویکرد پیشنهادی
کوچک شروع کن
در مقیاس بزرگ اجرا کن
پیاده‌سازی AI در ابعاد بزرگ، اگر یکباره و بدون آزمون باشد، ممکن است با مقاومت پرسنل، اختلال در عملیات جاری یا عدم اطمینان از بازگشت سرمایه مواجه شود.
Phase 1 – یکپارچه‌سازی سبک با API
در این مرحله، راهکارهای هوشمند به‌صورت سرویس‌های ابری/API خارجی ارائه می‌گردند که با سیستم‌های فعلی اسنپ اتصال (Integration) پیدا می‌کنند.
چابکی در پیاده‌سازی
عدم نیاز به تغییرات بنیادی در کدبیس اسنپ در ابتدا
هزینه‌ی پایین‌تر
سرمایه‌گذاری اولیه کمتر و ریسک مالی محدود
ارزیابی سریع
سنجش نتایج و بازخوردها در زمان کوتاه
مدت این فاز بسته به راهکار (یا مجموعه راهکارها) بین ~۳ تا ۶ ماه قابل پیش‌بینی است که طی آن Pilot اولیه در محیط کنترل‌شده اجرا و شاخص‌های موفقیت اندازه‌گیری می‌شوند.
Phase 2 – استقرار درون‌سازمانی
پس از اثبات ارزش در فاز اول و دریافت بازخوردها، نوبت به بزرگ‌مقیاس کردن و بومی‌سازی می‌رسد. در این مرحله، راهکارهای AI به‌طور کامل در زیرساخت فناوری اسنپ ادغام (Deploy) می‌شوند.
استقرار در سرورها
میزبانی مدل‌ها در زیرساخت اسنپ
پردازش امن داده
دریافت و پردازش داده‌های خام به شکل ایمن
یکپارچه‌سازی کامل
اعمال خروجی‌ها بدون واسطه در سیستم‌ها
انتقال دانش
آموزش تیم‌های اسنپ برای نگهداری
مدت این فاز با توجه به پیچیدگی راهکار ممکن است ۶ تا ۱۲ ماه باشد. پایان این فاز به معنی نهادینه‌شدن AI در فرهنگ و سیستم‌های اسنپ است.
فاز ۱ – AI به‌عنوان توانمندساز
دستیار هوشمند پشتیبانی
Chatbot و Voicebot
مسئله: حجم عظیم تماس‌های پشتیبانی
مرکز تماس و پشتیبانی اسنپ حجم عظیمی از تماس‌ها و چت‌های ورودی را روزانه دریافت می‌کند. طبق آمار سال ۹۸، مرکز تماس اسنپ بیش از ۱۵ میلیون تماس در سال پاسخ داده که رکورد روزانه‌ی آن ۷۵ هزار تماس بوده است.
هزینه‌بر
صدها اپراتور شیفتی با هزینه‌ی پرسنلی بالا
زمان‌بر
میانگین زمان انتظار و رسیدگی بالا
کیفیت نامتوازن
پاسخ‌ها بسته به مهارت هر اپراتور متفاوت
راهکار: دستیار مجازی هوشمند چندکاناله
چت‌بات متنی
داخل اپلیکیشن و وب با NLP فارسی پیشرفته
  • درک زبان طبیعی
  • تشخیص مسأله
  • اقدامات مقتضی
  • ثبت و پیگیری
پاسخگوی صوتی
Voicebot برای تماس‌های تلفنی
  • تبدیل صوت به متن
  • تشخیص قصد کاربر
  • تولید پاسخ صوتی
  • انتقال به اپراتور در صورت نیاز
قابلیت‌های دستیار هوشمند
1
پشتیبانی مسافر
اطلاع از وضعیت سفر، ثبت شکایت، راهنمایی
2
درخواست سفر تلفنی
ثبت لوکیشن مبدأ/مقصد و ایجاد سفر
3
پشتیبانی راننده
پاسخ به سوالات و ثبت مشکلات
4
تماس‌های خروجی
نظرسنجی رضایت و اطلاع‌رسانی
این دستیار هوشمند ابتدا روی پرسش‌ها و درخواست‌های پرتکرار متمرکز می‌شود (که طبق قاعده‌ی ۸۰/۲۰ ممکن است ۸۰٪ حجم تماس‌ها مربوط به ۲۰٪ موضوعات رایج باشد).
مزایا و دستاوردهای مورد انتظار
70%
کاهش حجم کار
کاهش حجم کار اپراتورهای انسانی
30%
صرفه‌جویی هزینه
کاهش هزینه‌ی پشتیبانی
24/7
در دسترس بودن
پاسخگویی شبانه‌روزی
نمونه‌ی واقعی موفقیت
یکی از بزرگ‌ترین شرکت‌های تاکسی آنلاین در آمریکا با اجرای چت‌بات توانست ۶۹٪ از تیکت‌های پشتیبانی را کاهش دهد و زمان حل مشکل را از ۴ ساعت به ۱ دقیقه برساند.
این سطح از بهبود در اسنپ نیز دست‌یافتنی است.
صرفه‌جویی چشمگیر هزینه
هزینه‌ی هر تعامل چت‌بات ناچیز است (~چند صد تومان) در مقابل هزینه‌ی همان تعامل توسط نیروی انسانی (چند هزار تومان حداقل).
مطالعات جهانی نشان می‌دهد استفاده از چت‌بات می‌تواند حدود ۳۰٪ کاهش هزینه‌ی پشتیبانی به همراه داشته باشد و تا سال ۲۰۲۵ بالغ بر ۸ میلیارد دلار صرفه‌جویی برای صنایع ایجاد کند.
بهبود تجربه‌ی مشتری
۷×۲۴ در دسترس
بدون معطلی پاسخ می‌دهد
لحن یکدست
پاسخ‌های آموزش‌دیده و استاندارد
رضایت بالا
حل سریع سوالات ساده
افزایش NPS
توصیه به دیگران
مقیاس‌پذیری و عدم خستگی
چت‌بات هر تعداد کاربر را به‌صورت موازی پوشش می‌دهد، دچار خستگی یا خطای حواس‌پرتی نمی‌شود.
در اوج ترافیک (مثلاً شب‌های یلدا یا بارندگی شدید) که تماس‌ها ناگهان چندبرابر می‌شوند، AI بدون افت کیفیت پاسخ‌گویی می‌کند در حالی که مرکز تماس سنتی شاید اشباع شود.
مستندسازی و تحلیل بهتر
تمامی مکالمات بات (متنی و صوتی) ذخیره و تبدیل به لاگ‌های قابل‌تحلیل می‌شوند. این داده‌های غنی به تیم کیفیت اجازه می‌دهد الگوهای نارضایتی یا مشکلات سیستماتیک را استخراج و برای حل ریشه‌ای آنها اقدام کند.
ثبت خودکار
تمام مکالمات ذخیره می‌شود
تحلیل الگوها
شناسایی مشکلات سیستماتیک
هوش هیجانی
تشخیص عصبانیت و اضطرار
نحوه‌ی پیاده‌سازی
1
فاز ۱: API ابری
SDK در اپلیکیشن، پردازش در سرورهای ما، پایلوت ۳ ماهه
2
فاز ۲: استقرار داخلی
مدل‌های NLP روی سرورهای اسنپ، اتصال به پایگاه داده، Real-Time
در فاز ۲، قابلیت‌های پیشرفته‌تری مانند شخصی‌سازی پاسخ بر اساس پروفایل کاربر یا چندزبانه بودن (پشتیبانی از انگلیسی/عربی برای گردشگران) را می‌توان افزود.
راهکار دوم
سیستم هوشمند پایش و ایمنی سفر
اهمیت امنیت سفر
امنیت سفر و اعتماد کاربران یکی از ارکان حیاتی پلتفرم‌هایی نظیر اسنپ است. هرگونه اتفاق ناگوار می‌تواند شهرت برند را مخدوش کند.

در وضعیت فعلی، اسنپ اقداماتی انجام داده: قابلیت تشخیص انحراف مسیر فعال شده و ۹۹.۷٪ سفرها بدون مشکل گزارش شده‌اند. اما هنوز می‌توان با هوش مصنوعی، نظارت لحظه‌ای و اقدامات پیشگیرانه‌تری داشت.
تشخیص خودکار وضعیت‌های خطر
سیستم فعلی انحراف مسیر اگر زمان سفر خیلی بیش از حد پیش‌بینی شده طول بکشد، زنگ هشدار می‌دهد. می‌توان با مدل‌های یادگیری ماشین، الگوهای پیچیده‌تری را نیز شناسایی کرد:
حرکت‌های غیرمعمول
چرخیدن‌های بیهوده، خروج از محدوده‌ی پرتردد
توقف طولانی
در میانه‌ی مسیر در مکانی غیرمنتظره
انحراف از مسیر
با وجود نبود ترافیک
AI می‌تواند با درنظرگرفتن ده‌ها متغیر (ساعت شبانه‌روز، سابقه‌ی راننده، موقعیت مکانی محله و...) ریسک را نمره‌دهی کند و موارد پرریسک را سریع‌تر و با حساسیت بیشتر به تیم امنیت اعلام کند.
هشدار هوشمند به مسافر و راننده
پیام به مسافر
"سیستم هوشمند اسنپ افزایش غیرعادی زمان سفر را تشخیص داده؛ اگر مشکلی وجود دارد از دکمه‌ی اضطراری استفاده کنید"
پیام به راننده
"لطفاً در صورت ایمن بودن، با تیم امنیت تماس بگیرید. مسیر شما غیرعادی تشخیص داده شده است"
این پیام‌ها جنبه‌ی بازدارندگی نیز دارند.
تطبیق هویت و هوشیاری راننده
اجرای Real-Time ID (مشابه اوبر) برای اطمینان از اینکه در طول روز شخص دیگری غیر از راننده‌ی تأییدشده پشت فرمان نیست. راننده‌ها به‌طور تصادفی در اپلیکیشن از خود عکس می‌گیرند و AI تطبیق چهره انجام می‌دهد.
همچنین سنجش هوشیاری: با تحلیل ویدئوی سلفی می‌توان علائم خستگی (پلک‌زدن کند، قرمزی چشم‌ها) را تشخیص داد و به راننده قبل از شروع شیفت هشدار استراحت داد.
دستیار ویدئویی داخل خودرو
در فاز پیشرفته، پیشنهاد می‌شود اسنپ به‌صورت آزمایشی به برخی رانندگان منتخب، دوربین هوشمند داخل خودرو (dashcam مجهز به AI) ارائه کند که دو منظوره عمل می‌کند:
روبه‌جلو
تشخیص خطرات جاده‌ای و هشدار تصادف
داخل خودرو
نظارت بر رفتار و ثبت وقایع
مزایای سیستم پایش ایمنی
افزایش احساس امنیت
مسافر با خیال آسوده‌تری سفر می‌کند
جلوگیری از تقلب
کشف سفرهای صوری و مسیرهای عمدی طولانی
واکنش سریع
تشخیص تصادف و اقدامات امدادی فوری
بهبود رفتار
رانندگی ایمن‌تر با نظارت هوشمند
تجربه‌ی Uber با Driving Insights
Uber با معرفی داشبورد Driving Insights که با کمک حسگرهای گوشی نمره‌ی رانندگی ایمن را به راننده می‌داد، موارد سرعت غیرمجاز و شتاب/ترمز خشن کاهش یافت.
در اسنپ هم می‌توان چنین داشبوردی فعال کرد: AI با داده‌های گوشی (GPS و ژیروسکوپ) میزان رعایت سرعت مجاز، عدم استفاده حین رانندگی و ... را می‌سنجد و بازخورد به راننده می‌دهد. نتیجه، افزایش ایمنی سفرها و تصویر حرفه‌ای‌تر از ناوگان اسنپ است.
پیاده‌سازی سیستم ایمنی
فاز ۱
الگوریتم‌های آنالیز مسیر روی سرورهای ما، استفاده از API Location Tracking، خروجی به تیم امنیت
فاز ۲
استقرار مدل‌ها در سرورهای اسنپ، Real-Time با جریان GPS، هشدارهای خودکار، dashboard مانیتورینگ
تصور کنید یک اتاق مانیتورینگ که AI لیستی از ۱۰ سفر «نیازمند توجه» را هر لحظه نمایش می‌دهد.
راهکار سوم
شخصی‌سازی تجربه‌ی کاربر با AI
مسئله: تجربه‌ی یکسان برای همه
درحال‌حاضر اپلیکیشن اسنپ برای همه‌ی کاربران تقریباً رفتار یکسانی دارد؛ در صورتی که می‌توان از آموخته‌های رفتاری هر کاربر برای ارائه‌ی خدمات متمایز استفاده کرد.
الگوهای تکراری
برخی مسافران مقاصد ثابت دارند (خانه به محل کار)
عادت‌های کاری
برخی رانندگان در زمان‌ها و مکان‌های خاص کار می‌کنند
ترجیحات متفاوت
کاربران در مورد نوع خودرو، موسیقی، تهویه و ... ترجیحات مختلف دارند
راهکار: موتور توصیه‌گر هوشمند
01
پیشنهاد مقصد و زمان
پیش‌بینی مقاصد احتمالی بر اساس سابقه و زمان
02
مشوق‌های هوشمند
پیشنهادات شخصی‌سازی‌شده بر اساس رفتار کاربر
03
تنظیمات تجربه
یادگیری و اعمال ترجیحات کاربر
پیشنهاد مقصد هوشمند
همان‌طور که تپسی پیاده‌سازی کرده، اسنپ نیز می‌تواند هر بار که کاربر اپ را باز می‌کند مقاصد احتمالی او را (بر اساس سابقه‌ی روز و ساعت مشابه) پیش‌بینی و با یک کلیک به او پیشنهاد دهد.
مثال: ساعت 8 صبح روز کاری: "محل کار: شرکت X – ۱۵ دقیقه، ۲۳٬۰۰۰ تومان"
این کار هم راحتی کاربر را افزایش می‌دهد، هم احتمال درخواست سفر را.
مشوق‌های هوشمند شخصی‌سازی‌شده
به‌جای ارائه‌ی یکنواخت کد تخفیف یا طرح‌های پاداش به همه، یک مدل AI می‌تواند پیش‌بینی کند کدام مسافر در خطر رها کردن پلتفرم است یا کدام راننده ممکن است فعالیتش کم شود.
مسافر غیرفعال
کد تخفیف ۳۰٪ برای سفر بعدی
راننده در زمان خاص
Bonus تشویقی در بازه‌های کم‌کاری
مشتری وفادار
پاداش ویژه برای استفاده مداوم
تنظیمات تجربه‌ی سفر
با اجازه‌ی کاربر، سیستم می‌تواند ترجیحات او را یاد بگیرد و به رانندگان اعلام کند:
مثال ۱
اگر مسافری همیشه کولر را خاموش می‌کند، دفعه‌ی بعد پیش از سوار شدن به راننده اطلاع داده شود "این مسافر ترجیح می‌دهد کولر خاموش باشد"
مثال ۲
اگر کاربری در ساعات شلوغ ترجیح می‌دهد کمی پیاده‌روی کند، سیستم می‌تواند پیشنهاد دهد "۵۰ متر قدم بزن تا سوار شوی و ۲ دقیقه انتظار کمتر"
مزایای شخصی‌سازی
بهبود رضایت
کاربر حس می‌کند اپلیکیشن او را می‌شناسد و برایش ارزش قائل است
افزایش تقاضا
پیشنهاد هوشمند زمان سفر تقاضای نهفته را فعال می‌کند
بهره‌وری رانندگان
توصیه‌های هوشمند زمان مرده را کاهش می‌دهد
کاهش لغو
تطبیق ترجیحات طرفین احتمال نارضایتی را کم می‌کند
پیاده‌سازی موتور توصیه‌گر
فاز ۱: مدل‌های آفلاین
ساخت مدل‌های ML بر مبنای داده‌های تاریخی، سرویس توصیه از طریق API
فاز ۲: Real-Time
استقرار موتورها در اکوسیستم اسنپ، خروجی آنی، یکپارچه‌سازی با اپ
A/B Testing
سنجش اثربخشی و بهینه‌سازی مداوم
فاز ۲ – بهینه‌سازی فرآیندها
بهینه‌سازی مچینگ مسافر و راننده
اهمیت مچینگ بهینه
تخصیص سریع و بهینه‌ی نزدیک‌ترین راننده به مسافر درخواست‌دهنده شاهرگ پلتفرم تاکسی آنلاین است. الگوریتم فعلی اسنپ احتمالاً بر اساس فاصله‌ی جغرافیایی و ظرفیت رانندگان کار می‌کند.
با AI می‌توان این فرآیند را هوشمندتر کرد.
قابلیت‌های مچینگ هوشمند
پیش‌بینی تقاضا
محل‌های داغ در دقایق آینده
احتمال قبول
تخمین احتمال قبول توسط راننده
سفرهای هم‌مسیر
تخصیص بهینه برای کاهش مسافت
پیش‌بینی محل‌های داغ تقاضا
با تحلیل داده‌های تاریخی و بلادرنگ، پیش‌بینی می‌کنیم ۱۵ دقیقه بعد در خیابان X تعداد درخواست‌ها زیاد خواهد شد. Uber همین کار را با مدل‌های ML انجام می‌دهد.
در نظر گرفتن احتمال قبول
به جای صرفاً پینگ کردن نزدیک‌ترین راننده، مدل ML می‌تواند احتمال قبول کردن سفر توسط هر راننده‌ی اطراف را (با توجه به مقصد، ترافیک، سابقه‌ی رفتار راننده) تخمین بزند و درخواست را به مناسب‌ترین فرد که هم نزدیک است هم احتمال قبولش بیشتر، بدهد.

این باعث می‌شود نرخ «لغو توسط راننده» افت کند.
تخصیص بهینه سفرهای هم‌مسیر
دو مسافر مختلف تقریباً هم‌مسیر درخواست داده‌اند و دو راننده در اطراف هستند. به‌جای اینکه تصادفی تخصیص دهیم، AI می‌تواند طوری مچ کند که مجموع مسافت پیموده شده حداقل شود.
یا اگر سرویس‌هایی مثل اشتراک سفر (کارپول) فعال شود، الگوریتم AI بتواند دو درخواست هم‌مسیر را تشخیص داده و به یک راننده اختصاص دهد.
دستاورد مورد انتظار
30
ثانیه
کاهش زمان انتظار هر سفر
90%
زمان مشغول
رانندگان بیش از ۹۰٪ زمان مشغول
100
ساعت
صرفه‌جویی روزانه وقت جمعی
کاهش حتی چند درصدی در میانگین زمان انتظار مسافر و میانگین زمان بدون مسافر راننده، در مقیاس میلیون‌ها سفر، بسیار باارزش است.
روش پیاده‌سازی مچینگ
1
شبیه‌سازی آفلاین
تست الگوریتم با داده‌های واقعی یک هفته، مقایسه با الگوریتم سنتی
2
A/B تست محدود
اجرای آزمایشی در یک شهر یا بازه‌ی زمانی
3
استقرار کامل
جایگزینی الگوریتم قبلی پس از اثبات بهبود
راهکار پنجم
بهبود سیستم قیمت‌گذاری پویا
وضعیت فعلی قیمت‌گذاری
اسنپ از یک سیستم قیمت‌دهی استفاده می‌کند که عوامل مختلفی (مسافت، زمان تقریبی، ترافیک، نوع سرویس و عرضه/تقاضا) را لحاظ می‌کند. در ساعات اوج یا شرایط خاص، تعرفه‌ی پویای اسنپ فعال می‌شود که مشابه Surge Pricing اوبر است.
اما آیا این سیستم کاملاً بهینه است؟
چالش‌های قیمت‌گذاری
نقطه‌ی بهینه
پیدا کردن نقطه‌ی بهینه‌ی افزایش قیمت برای جذب کافی راننده بدون راندن مسافران
تخمین دقیق
تخمین دقیق‌تر زمان و هزینه‌ی سفر پیش از درخواست برای افزایش اعتماد
قیمت‌گذاری شخصی
اجرای قیمت‌گذاری شخصی‌سازی‌شده منصفانه
راهکار AI در قیمت‌دهی
01
پیش‌بینی تقاضا و عرضه
شبکه عصبی پیش‌بینی می‌کند طی ۳۰ دقیقه آینده چند درخواست و چند راننده خواهد بود
02
بهینه‌سازی قیمت لحظه‌ای
یادگیری‌تقویتی برای یافتن بهترین سطح قیمت در هر لحظه
03
تخمین‌گر دقیق
مدل ML برای تخمین دقیق مدت زمان و هزینه‌ی سفر
مزایای قیمت‌گذاری هوشمند
رضایت مسافر
احتمال یافتن خودرو حتی در شلوغ‌ترین زمان‌ها بیشتر می‌شود
  • شفاف‌سازی دلایل افزایش قیمت
  • کاهش شکایت از بی‌ماشین ماندن
درآمد رانندگان
Surge هوشمند رانندگان بیشتری را تشویق می‌کند
  • جبران سریع کمبود عرضه
  • افزایش درآمد در ساعات پیک
کاهش اختلاف کرایه
اگر کرایه اولیه خیلی کم برآورد شود و بعد راننده مسیر طولانی‌تری برود، کاربر احساس نارضایتی می‌کند. با مدل تخمین بهتر، اختلاف کرایه‌ی نهایی با برآورد اولیه حداقل خواهد شد و اعتماد شکل می‌گیرد.
انعطاف‌پذیری استراتژیک
شرکت می‌تواند سیاست‌های قیمت‌گذاری را سریع‌تر تست و اعمال کند (مثلاً تخفیف منطقه‌ای یا افزایش قیمت موقت) و نتایج را ببیند، چون AI سریعاً اثر را در عرضه/تقاضا منعکس می‌کند.
این شبیه داشتن یک کنسول مدیریت اقتصاد پلتفرم است که با اهرم‌های مبتنی بر داده کار می‌کند.
پیاده‌سازی قیمت‌گذاری هوشمند
فاز ۱
پیش‌بینی عرضه/تقاضا، گزارش به تیم عملیات، مدل تخمین زمان در کنار سیستم فعلی
پایلوت منطقه‌ای
اجرا در یک شهر کوچک‌تر یا بازه‌ی زمانی، مقایسه با کنترل
فاز ۲
حلقه‌ی بسته‌ی قیمت‌گذاری، rollout به کل سیستم
راهکار ششم
نگهداری پیشگیرانه و مدیریت ناوگان
پایش سلامت خودرو از طریق اپ
اپلیکیشن راننده می‌تواند به OBD-II خودرو متصل شود (از طریق بلوتوث) و داده‌های موتور را جمع‌آوری کند. AI روی سرور با تحلیل این داده‌ها و سبک رانندگی، پیش‌بینی می‌کند:
"احتمالاً باتری این خودرو ۳۰ روز دیگر مشکل پیدا می‌کند"
"لاستیک‌ها نیاز به تعویض دارند"
"نزدیک‌ترین تعمیرگاه‌های طرف قرارداد"
مدیریت هوشمند ناوگان اختصاصی
اگر اسنپ ناوگان اختصاصی برای اسنپ باکس (موتورها) یا اسنپ‌اکسپرس داشته باشد، مدل‌های Predictive Maintenance می‌توانند زمان بهینه‌ی سرویس هر وسیله را بر اساس میزان کارکرد و الگوی خرابی‌های قبلی تعیین کنند.
رویکرد سنتی
  • سرویس دوره‌ای ثابت
  • تعمیر پس از خرابی
  • هزینه‌های غیرقابل پیش‌بینی
رویکرد پیشگیرانه
  • سرویس بر اساس نیاز واقعی
  • جلوگیری از خرابی
  • کاهش هزینه و downtime
بهینه‌سازی مصرف سوخت
AI می‌تواند از روی داده‌های رانندگی هر راننده (دور موتور، ترمزها، سرعت متوسط) توصیه‌های صرفه‌جویانه ارائه کند:
"در هفته‌ی گذشته ۲۰٪ زمان را با سرعت بالاتر از حد بهینه رانندگی کرده‌اید که ۱۰ لیتر سوخت اضافی مصرف شده."
ایجاد یک گیمیفیکیشن برای رانندگان برتر از نظر رانندگی اقتصادی نیز ممکن است (هم اقتصادی هم زیست‌محیطی مفید است).
مزایای نگهداری پیشگیرانه
کاهش لغو سفر
جلوگیری از خرابی وسط راه
کاهش هزینه‌ها
جلوگیری از خرابی‌های پرهزینه
امنیت و ایمنی
کاهش احتمال تصادف
مسئولیت اجتماعی
توجه به زیست‌محیط
مدل کسب‌وکاری و پیشنهاد قیمت
در این بخش، نحوه‌ی همکاری تیم الف.با با اسنپ و ساختار قیمت‌گذاری پیشنهادی را شرح می‌دهیم. هدف ما ارائه‌ی انعطاف‌پذیرترین و منصفانه‌ترین مدل برای یک شراکت برد-برد بلندمدت است.
مدل‌های همکاری پیشنهادی
1
پروژه‌ی مشخص
Fixed-Price Project با محدوده‌ی معین، خروجی‌ها و معیارهای موفقیت تعریف‌شده
2
ارائه به عنوان سرویس
Subscription/Usage-Based، پرداخت به ازای مصرف یا اشتراک ماهانه
3
مشارکت در سود
Gain Sharing، بخشی از صرفه‌جویی یا درآمد اضافی
ترکیب پیشنهادی
فاز ۱
مدل اشتراک ماهانه
مبلغ ثابت ماهانه یا فصلی برای دسترسی به سرویس‌های API
هزینه‌های نسبتاً پایین برای ارزیابی بدون ریسک
فاز ۲
پروژه‌ی تعریف‌شده
مبلغ مقطوع یا سرمایه‌گذاری مشترک
پرداخت در اقساط در چند مرحله‌ی تحویل
برآورد قیمتی تفصیلی
5-6
میلیارد تومان
فاز ۱ (۶-۹ ماه اول)
15-20
میلیارد تومان
فاز ۲ (یکسال پس از فاز ۱)
3-5
میلیارد تومان
نگهداشت سالیانه

باید تأکید کنیم که ROI (نرخ بازگشت سرمایه) این مبالغ بسیار بالاست. تنها با کاهش هزینه‌های پشتیبانی ناشی از چت‌بات، اسنپ می‌تواند سالانه شاید ۱۰ میلیارد تومان صرفه‌جویی کند.
سایر شرایط همکاری
مالکیت فکری و داده‌ها
کلیه‌ی مدل‌های AI پس از تسویه به اسنپ منتقل می‌شوند، داده‌ها کاملاً محرمانه
تضمین‌ها
سطح دقت و کارایی مشخص، دوره‌ی آزمایشی و گارانتی
آموزش و انتقال دانش
کارگاه‌ها و مستندات آموزشی برای تیم‌های اسنپ
شاخص‌های کلیدی
KPIs مشترک و گزارش پیشرفت ماهیانه
گام‌های پیشنهادی بعدی
1
جلسه‌ی هم‌اندیشی
Workshop بین تیم ما و مدیران مرتبط اسنپ
2
شناسایی پایلوت
انتخاب پروژه‌ی پایلوت برای شروع
3
موافقت‌نامه فاز ۱
تنظیم قرارداد با شرح خدمات و مدل مالی
4
اجرای چابک
پیاده‌سازی سریع و ارائه‌ی گزارش‌های منظم
5
عقد قرارداد فاز ۲
در صورت موفقیت، نقشه‌ی راه یک‌ساله‌ی بعدی
در پایان
آماده برای آینده
اسنپ با بهره‌گیری از هوش مصنوعی می‌تواند یک سر و گردن بالاتر از رقبا بایستد و استانداردهای جدیدی در صنعت حمل‌ونقل هوشمند کشور تعریف کند. ما مشتاقانه منتظر شروع این همکاری برد-برد و ثبت یک داستان موفقیت دیگر در اکوسیستم استارتاپی ایران هستیم.
از وقتی که برای مطالعه‌ی این گزارش صرف کردید سپاسگزاریم 🌱