El sistema de recomendaciones en Lyft
Este artículo fue publicado originalmente el 3 de abril de 2023 en eng.lyft.com por Jinshu Niu y fue traducido por Elihu Cruz
Gracias al conocimiento de los pasajeros de Lyft, las recomendaciones juegan un rol importante permitiendo personalizar la experiencia en la aplicación y satisfacer mejor sus necesidades. En ocasiones, las recomendaciones también son usadas para gestionar el mercado, asegurando que exista un balance saludable entre demanda de viajes y oferta de conductores. Esto permite que los viajes solicitados por pasajeros tengan un mejor emparejamiento con conductores, por ejemplo, escogiendo al conductor más cercano.
Este artículo se enfoca en el alcance y objetivos del sistema de recomendación, además de explorar algunos de los cambios más recientes que el equipo (Rider team, equipo de Pasajeros) ha implementado para servir mejor a los pasajeros.
Introducción: Alcance del sistema de recomendación
El sistema de recomendación comprende las experiencias del usuario durante el trayecto del viaje.
Módulo de un toque en la pantalla de inicio: Al abrir la app, los pasajeros pueden saltar el flujo de solicitud de viaje presionando un botón. Esto está disponible para pasajeros frecuentes que tienen un historial de viaje extenso con Lyft. Esta es una adición conveniente a la pantalla de inicio y les ahorra tiempo y energía a usuarios con prisa.
Clasificación y preselección en la selección de modo: Después de que el usuario configuró su destino, la aplicación presenta una lista clasificada de ofertas de productos basada en las preferencias de viaje del usuario y las condiciones actuales del mercado. También se muestran algunos indicadores visuales para ayudar a aclarar los puntos importantes entre las diferentes opciones. Por ejemplo, Lyft resalta los tipos de viaje “Faster” (”Más rápido”) y “Your usual” (“Habitual”) para permitir tomar decisiones más fáciles y rápidas a los usuarios cuando evalúan sus opciones.
Mejoras posteriores a la solicitud: Las condiciones del mercado son dinámicas, y la disponibilidad de modo, precios y tiempo estimado de llegada pueden cambiar muy rápido. En sesiones seleccionadas, estos cambios pueden capturarse y beneficiar a los pasajeros en nuestra experiencia posterior a la solicitud, donde un aviso intersticial introduce opciones de mejora con un mejor tiempo estimado de llegada o precio.
Este artículo mayormente se enfoca en el seleccionador de modo para explicar cómo han evolucionado las clasificaciones de modo en los últimos años y aborda brevemente la venta cruzada en la solicitud posterior (post-request).
Hace años, cuando las opciones eran limitadas, la lista de opciones de viaje se organizaba simplemente por precio o tiempo estimado de llegada. Además, en algunas regiones, la lista de opciones de viaje era estática para observar el comportamiento de los usuarios como referencia.
Durante los dos últimos años, Lyft ha invertido en mejorar la personalización de las recomendaciones de modo. Desde entonces, el sistema de recomendaciones ha demostrado impulsar resultados más deseables en comparación con un sistema estático, al resolver problemas en tres áreas principales:
- El reto del exceso de opciones.
- El problema de arranque en frío (cold start) de nuevos modos.
- Dinámica de negocio y objetivos de experiencia de usuario.
El reto del exceso de opciones
En la siguiente imagen se muestra un subconjunto de las ofertas que Lyft pone a disposición de los usuarios en las distintas regiones. Es raro que aparezcan todas al mismo tiempo, pero en los mercados más grandes, como San Francisco o Nueva York, los usuarios pueden encontrarse fácilmente con al menos 8–10 opciones entre viajes compartidos, bicicletas, scooters y rentas. A medida que la cartera de Lyft crece, un usuario normal puede tener dificultades para descubrir y comprender la amplia variedad de productos que Lyft ofrece, lo que puede dar lugar a que los usuarios reserven accidentalmente el modo equivocado.
Para resolver este problema, el sistema de recomendación aprovecha un conjunto de modelos de aprendizaje automático para predecir qué tan propenso es un usuario a cambiar de modo y personaliza las clasificaciones basado en esto. Para la construcción de estos modelos se han considerado grandes y ricas cantidades de información, incluidas características temporales como información sobre la ubicación y la hora, señales de oferta y demanda, historiales de viajes y preferencias de los usuarios.
- Algoritmo: LightGBM (cada modalidad se considera una clase distinta, con pesos determinados mediante el análisis de métricas financieras específicas de cada modo)
- Objetivo del modelo: clasificación tipo lambda o multiclase, dependiendo de los distintos casos de uso.
- Hiperparámetros: Se necesita ajustar mucho los hiperparámetros típicos, como la profundidad máxima y la tasa de aprendizaje, para obtener los resultados deseados. Especialmente, Lyft utiliza su propio proceso de optimización de hiper parámetros distribuidos para la mayoría de sus modelos críticos de negocio.
Los modos arriba del pliegue y la preselección se alimentan en parte de los resultados del modelo. Cuando los usuarios acceden por primera vez al selector de modos, el número de modos mostrados se limita a 3–4 por encima del pliegue (observa la imagen de arriba). Esto es para reducir la sobrecarga cognitiva de los usuarios y que se centren en los modos que mejor representen sus necesidades de transporte. Por supuesto, deslizando el dedo hacia arriba, los usuarios seguirán teniendo la posibilidad de explorar otras opciones debajo del pliegue, clasificadas en función de las categorías y los precios.
Además de la clasificación, la preselección ayuda a reducir pasos en nuestro flujo de solicitud de viajes. En 2019, el último modo utilizado por el usuario era preseleccionado. Esto causó la adherencia de los usuarios en algunos casos, pero introdujo un sesgo de exploración natural. Dicho esto, en 2020, Lyft avanzó hacia un enfoque más centrado en el usuario, preseleccionando el “modo más utilizado por el usuario”. Esto era más robusto ante valores anormales, pero podía ser inestable, especialmente para los usuarios poco frecuentes. En 2022, Lyft se propuso resolver este problema adoptando un enfoque basado en modelos, preseleccionando el modo con la puntuación de probabilidad pronosticada más alta. Esta solución es de tiempo real por diseño, es dinámica y ha demostrado ser más precisa y eficaz.
El problema de arranque en frío de nuevos modos
La clasificación de las opciones influye significativamente en la elección del modo de transporte por parte del pasajero. Por lo tanto, las nuevas ofertas con puntos de interacción limitados aún podrían ser recomendados adecuadamente para ganar visibilidad y habituación. Cuando “Wait & Save” (esperar y ahorrar) y “Shared” (viaje compartido) fueron introducidos, obtuvieron una visibilidad bastante limitada por encima del pliegue, debido a que no contábamos con información o era limitada para informar a nuestra clasificación. En el sistema de recomendación actual, un postprocesador fue introducido como una capa adicional para ajustar los resultados del modelo de aprendizaje automático, mitigando el sesgo natural creado por la falta de información de entrenamiento suficiente. De esta forma, el sistema de recomendación de Lyft puede tomar de forma adecuada y eficaz las decisiones estratégicas para promover determinadas opciones sin realizar cambios sustanciales en el sistema.
Negocio dinámico y objetivos de experiencia de usuario
Los viajes y las conversiones — que se reflejan en el aumento de los índices de precisión en las predicciones de los modelos — no siempre son los mejores objetivos al optimizar el sistema de recomendación. Para crear una experiencia de solicitud fluida y garantizar un mercado más equilibrado, es necesario supervisar activamente otros parámetros, como la fiabilidad de los viajes y el equilibrio entre oferta y demanda. Esto puede lograrse de muchas maneras. Un ejemplo es la experiencia de venta cruzada selectiva tras una solicitud de viaje. La activación de esta experiencia no es muy común, pero puede ser una palanca eficaz para elevar la eficiencia de emparejamiento y suavizar la demanda. Sin embargo, esto no significa que la experiencia del usuario pase a un segundo plano: la predisposición del usuario, el precio y el tiempo de espera siguen siendo factores críticos a la hora de determinar la elegibilidad para estas ventas cruzadas.
En resumen, el sistema de recomendación utiliza un enfoque híbrido para personalizar las clasificaciones y las sugerencias de modo. La predisposición de los modelos de aprendizaje automático sirven para cerca del 90% de los casos de uso y se aplican otras capas de ajustes para optimizar otros objetivos del negocio y de usuario nuestros usuarios.
Mejoras a futuro
Reimaginando el flujo de solicitudes
A finales de 2022, Lyft introdujo los módulos de un solo toque (one-tap), una experiencia transparente para los pasajeros que destaca las mejores opciones (tanto destinos como modos) al abrir la aplicación, agilizando la experiencia de solicitud. La cobertura de “un solo toque” será expandida para incluir casos de uso más relevantes y hacerla más accesible a un amplio abanico de usuarios.
Introducción de aprendizaje por refuerzo
El sistema contextual interno (contextual bandit system) de Lyft permitirá interacciones más dinámicas entre el usuario y el sistema, además de reaccionar en tiempo real (visita este blog [post en inglés] para saber más sobre su primera aplicación en la fijación de precios). Los comportamientos de interacción de los usuarios a largo plazo pueden ser considerados para resolver cualquier efecto a largo plazo que no fuera capturado por los modelos de entrenamiento manuales que existen.
¿Estás tan emocionado como nosotros?
¿Estás interesado en aplicar la ciencia a gran escala y aprender más sobre cómo se toman las decisiones basadas en datos en Lyft? Echa un vistazo a más blogs interesantes en Lyft Data Science. Si este blog te ha resultado útil y quieres saber más, no dudes en ponerte en contacto con nosotros.
