با مشارکت شرکت سهامی خاص بانی اندیشه بایا ۱۳۸۳-ایران و شرکت Lanza SRL ۲۰۱۲-بلژیک
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.
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.
زمان انتظار مسافران کاهش می‌یابد
بهره‌وری رانندگان بالا می‌رود
پشتیبانی مشتریان متحول می‌شود
هزینه‌ها به‌شدت کم می‌شود
همچنین کیفیت تصمیم‌گیری مدیریتی ارتقاء یافته و اسنپ را برای آینده‌ی صنعت (از خودروهای خودران گرفته تا رقابت با ابرپلتفرم‌ها) آماده می‌سازد.
There was an error generating this image
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.
سرویس ابری سریع و کم‌هزینه
ارزیابی مزایا و بازخوردها
یکپارچه‌سازی کامل درون‌سازمانی
این مدل دومرحله‌ای امکان می‌دهد بدون اختلال در سرویس فعلی، مزایای AI سنجیده و سپس در مقیاس بزرگ اجرا شوند.
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.
سرمایه‌گذاری فاز اول
سرمایه‌گذاری فاز نهایی
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.
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.
داده‌های کلان (میلیاردها سفر) که گنجینه‌ای برای هوش مصنوعی است تا الگوهای پنهان را بیابد و بهره‌وری را بالا ببرد.
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.
"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.
بهینه‌سازی مچینگ مسافر/راننده با الگوریتم‌های پیشرفته
Surge Pricing بر پایه‌ی یادگیری ماشین برای بالانس عرضه و تقاضا
تشخیص هویت راننده و تحلیل الگوی مسیر
خودکارسازی پشتیبانی و بهبود کیفیت خدمات
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.
تپسی به‌عنوان رقیب اصلی داخلی، علیرغم سهم کوچک‌تر، روی برخی قابلیت‌های هوشمند متمرکز شده است:
بر اساس عادت سفر مسافر و اعلان زمان مناسب درخواست خودرو
امکان دسترسی مستقیم در اپلیکیشن برای جذب کاربران
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.
There was an error generating this image
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.
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.
در این مرحله، راهکارهای هوشمند به‌صورت سرویس‌های ابری/API خارجی ارائه می‌گردند که با سیستم‌های فعلی اسنپ اتصال (Integration) پیدا می‌کنند.
عدم نیاز به تغییرات بنیادی در کدبیس اسنپ در ابتدا
سرمایه‌گذاری اولیه کمتر و ریسک مالی محدود
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.
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.
میزبانی مدل‌ها در زیرساخت اسنپ
دریافت و پردازش داده‌های خام به شکل ایمن
اعمال خروجی‌ها بدون واسطه در سیستم‌ها
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.
Chatbot و Voicebot
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.
صدها اپراتور شیفتی با هزینه‌ی پرسنلی بالا
میانگین زمان انتظار و رسیدگی بالا
پاسخ‌ها بسته به مهارت هر اپراتور متفاوت
داخل اپلیکیشن و وب با NLP فارسی پیشرفته
Voicebot برای تماس‌های تلفنی
اطلاع از وضعیت سفر، ثبت شکایت، راهنمایی
ثبت لوکیشن مبدأ/مقصد و ایجاد سفر
پاسخ به سوالات و ثبت مشکلات
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).
کاهش حجم کار اپراتورهای انسانی
کاهش هزینه‌ی پشتیبانی
پاسخگویی شبانه‌روزی
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.
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.
بدون معطلی پاسخ می‌دهد
پاسخ‌های آموزش‌دیده و استاندارد
حل سریع سوالات ساده
توصیه به دیگران
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.
There was an error generating this image
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.
تمام مکالمات ذخیره می‌شود
شناسایی مشکلات سیستماتیک
تشخیص عصبانیت و اضطرار
SDK در اپلیکیشن، پردازش در سرورهای ما، پایلوت ۳ ماهه
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.
امنیت سفر و اعتماد کاربران یکی از ارکان حیاتی پلتفرم‌هایی نظیر اسنپ است. هرگونه اتفاق ناگوار می‌تواند شهرت برند را مخدوش کند.
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:
چرخیدن‌های بیهوده، خروج از محدوده‌ی پرتردد
در میانه‌ی مسیر در مکانی غیرمنتظره
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.
"سیستم هوشمند اسنپ افزایش غیرعادی زمان سفر را تشخیص داده؛ اگر مشکلی وجود دارد از دکمه‌ی اضطراری استفاده کنید"
"لطفاً در صورت ایمن بودن، با تیم امنیت تماس بگیرید. مسیر شما غیرعادی تشخیص داده شده است"
این پیام‌ها جنبه‌ی بازدارندگی نیز دارند.
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.
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:
تشخیص خطرات جاده‌ای و هشدار تصادف
نظارت بر رفتار و ثبت وقایع
مسافر با خیال آسوده‌تری سفر می‌کند
کشف سفرهای صوری و مسیرهای عمدی طولانی
تشخیص تصادف و اقدامات امدادی فوری
رانندگی ایمن‌تر با نظارت هوشمند
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.
الگوریتم‌های آنالیز مسیر روی سرورهای ما، استفاده از API Location Tracking، خروجی به تیم امنیت
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.
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.
برخی مسافران مقاصد ثابت دارند (خانه به محل کار)
برخی رانندگان در زمان‌ها و مکان‌های خاص کار می‌کنند
کاربران در مورد نوع خودرو، موسیقی، تهویه و ... ترجیحات مختلف دارند
پیش‌بینی مقاصد احتمالی بر اساس سابقه و زمان
پیشنهادات شخصی‌سازی‌شده بر اساس رفتار کاربر
یادگیری و اعمال ترجیحات کاربر
There was an error generating this image
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.
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.
کد تخفیف ۳۰٪ برای سفر بعدی
Bonus تشویقی در بازه‌های کم‌کاری
پاداش ویژه برای استفاده مداوم
با اجازه‌ی کاربر، سیستم می‌تواند ترجیحات او را یاد بگیرد و به رانندگان اعلام کند:
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"
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"
کاربر حس می‌کند اپلیکیشن او را می‌شناسد و برایش ارزش قائل است
پیشنهاد هوشمند زمان سفر تقاضای نهفته را فعال می‌کند
توصیه‌های هوشمند زمان مرده را کاهش می‌دهد
تطبیق ترجیحات طرفین احتمال نارضایتی را کم می‌کند
ساخت مدل‌های ML بر مبنای داده‌های تاریخی، سرویس توصیه از طریق API
استقرار موتورها در اکوسیستم اسنپ، خروجی آنی، یکپارچه‌سازی با اپ
سنجش اثربخشی و بهینه‌سازی مداوم
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.
محل‌های داغ در دقایق آینده
تخمین احتمال قبول توسط راننده
تخصیص بهینه برای کاهش مسافت
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.
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.
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.
کاهش زمان انتظار هر سفر
رانندگان بیش از ۹۰٪ زمان مشغول
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.
تست الگوریتم با داده‌های واقعی یک هفته، مقایسه با الگوریتم سنتی
اجرای آزمایشی در یک شهر یا بازه‌ی زمانی
جایگزینی الگوریتم قبلی پس از اثبات بهبود
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.
پیدا کردن نقطه‌ی بهینه‌ی افزایش قیمت برای جذب کافی راننده بدون راندن مسافران
تخمین دقیق‌تر زمان و هزینه‌ی سفر پیش از درخواست برای افزایش اعتماد
اجرای قیمت‌گذاری شخصی‌سازی‌شده منصفانه
شبکه عصبی پیش‌بینی می‌کند طی ۳۰ دقیقه آینده چند درخواست و چند راننده خواهد بود
یادگیری‌تقویتی برای یافتن بهترین سطح قیمت در هر لحظه
مدل ML برای تخمین دقیق مدت زمان و هزینه‌ی سفر
احتمال یافتن خودرو حتی در شلوغ‌ترین زمان‌ها بیشتر می‌شود
Surge هوشمند رانندگان بیشتری را تشویق می‌کند
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.
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.
پیش‌بینی عرضه/تقاضا، گزارش به تیم عملیات، مدل تخمین زمان در کنار سیستم فعلی
اجرا در یک شهر کوچک‌تر یا بازه‌ی زمانی، مقایسه با کنترل
حلقه‌ی بسته‌ی قیمت‌گذاری، rollout به کل سیستم
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"
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.
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).
جلوگیری از خرابی وسط راه
جلوگیری از خرابی‌های پرهزینه
کاهش احتمال تصادف
توجه به زیست‌محیط
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.
Fixed-Price Project با محدوده‌ی معین، خروجی‌ها و معیارهای موفقیت تعریف‌شده
Subscription/Usage-Based، پرداخت به ازای مصرف یا اشتراک ماهانه
Gain Sharing، بخشی از صرفه‌جویی یا درآمد اضافی
مدل اشتراک ماهانه
مبلغ ثابت ماهانه یا فصلی برای دسترسی به سرویس‌های API
هزینه‌های نسبتاً پایین برای ارزیابی بدون ریسک
پروژه‌ی تعریف‌شده
مبلغ مقطوع یا سرمایه‌گذاری مشترک
پرداخت در اقساط در چند مرحله‌ی تحویل
فاز ۱ (۶-۹ ماه اول)
فاز ۲ (یکسال پس از فاز ۱)
نگهداشت سالیانه
کلیه‌ی مدل‌های AI پس از تسویه به اسنپ منتقل می‌شوند، داده‌ها کاملاً محرمانه
سطح دقت و کارایی مشخص، دوره‌ی آزمایشی و گارانتی
کارگاه‌ها و مستندات آموزشی برای تیم‌های اسنپ
KPIs مشترک و گزارش پیشرفت ماهیانه
Workshop بین تیم ما و مدیران مرتبط اسنپ
انتخاب پروژه‌ی پایلوت برای شروع
تنظیم قرارداد با شرح خدمات و مدل مالی
پیاده‌سازی سریع و ارائه‌ی گزارش‌های منظم
در صورت موفقیت، نقشه‌ی راه یک‌ساله‌ی بعدی
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 🌱
راهکارهای جامع هوش مصنوعی برای اسنپ 🚖🤖