හොඳ කුලී රථ සේවාවක් ආරක්ෂිත, විශ්වාසදායක සහ වේගවත් විය යුතුය. පරිශීලකයා විස්තර වෙත නොයනු ඇත: ඔහු "ඇණවුම" බොත්තම ක්ලික් කර හැකි ඉක්මනින් මෝටර් රථයක් ලබා ගැනීම ඔහුට වැදගත් වන අතර එමඟින් ඔහු A ලක්ෂ්‍යයේ සිට B දක්වා ගෙන යනු ඇත. අසල මෝටර් රථ නොමැති නම්, සේවාව කළ යුතුය. සේවාදායකයාට ව්‍යාජ අපේක්ෂාවන් ඇති නොවන පරිදි වහාම මේ පිළිබඳව දැනුම් දෙන්න. නමුත් “කාර් නැත” යන ලකුණ බොහෝ විට දිස්වන්නේ නම්, පුද්ගලයෙකු මෙම සේවාව භාවිතා කිරීම නවතා තරඟකරුවෙකු වෙත යාම තර්කානුකූල ය.
මෙම ලිපියෙන් මට කතා කිරීමට අවශ්ය වන්නේ යන්ත්‍ර ඉගෙනීම භාවිතා කරමින්, අඩු ඝනත්ව ප්‍රදේශවල මෝටර් රථ සෙවීමේ ගැටලුව අපි විසඳා ගත් ආකාරය ගැන කතා කිරීමට අවශ්‍යයි (වෙනත් වචන වලින් කිවහොත්, බැලූ බැල්මට මෝටර් රථ නොමැත). සහ එයින් සිදු වූ දේ.
මුදලටය
කුලී රථයක් ඇමතීමට, පරිශීලකයා සරල පියවර කිහිපයක් සිදු කරයි, නමුත් සේවාව තුළ සිදුවන්නේ කුමක්ද?
| පරිශීලක | අදියර | පසුපෙළ Yandex.Taxi |
|---|---|---|
| ආරම්භක ස්ථානය තෝරා ගනී | පින් | අපි අපේක්ෂකයින් සඳහා සරල සෙවුමක් දියත් කරන්නෙමු - පින් සෙවීම. සොයාගත් රියදුරන් මත පදනම්ව, පැමිණීමේ වේලාව පුරෝකථනය කර ඇත - පින් එකේ ETA. දී ඇති ලක්ෂ්‍යයේ වැඩිවන සංගුණකය ගණනය කෙරේ. |
| ගමනාන්තය, ගාස්තු, අවශ්‍යතා තෝරනවා | පිරිනැමීම | වැඩිවන සංගුණකය සැලකිල්ලට ගනිමින් අපි මාර්ගයක් ගොඩනඟා සියලු ගාස්තු සඳහා මිල ගණන් ගණනය කරමු. |
| "කුලී රථයක් අමතන්න" බොත්තම ඔබන්න | නියෝග | අපි මෝටර් රථය සඳහා සම්පූර්ණ සෙවීමක් දියත් කරමු. අපි වඩාත් සුදුසු ධාවකය තෝරා ඔහුට ඇණවුමක් ලබා දෙන්නෙමු. |
මත , и අපි දැනටමත් ලියා ඇත. ඒවගේම මේක රියදුරන් හොයන කතාවක්. ඇණවුමක් සාදන විට, සෙවීම දෙවරක් සිදු වේ: Pin මත සහ අනුපිළිවෙල මත. ඇණවුමක් සෙවීම අදියර දෙකකින් සිදු වේ: අපේක්ෂකයින් බඳවා ගැනීම සහ ශ්රේණිගත කිරීම. පළමුව, මාර්ග ප්‍රස්ථාරය දිගේ සමීපතම අපේක්ෂක රියදුරන් සොයා ගනු ලැබේ. එවිට බෝනස් සහ පෙරීම යොදනු ලැබේ. ඉතිරි අපේක්ෂකයින් ශ්රේණිගත කර ඇති අතර ජයග්‍රාහකයාට ඇණවුම් පිරිනැමීමක් ලැබේ. ඔහු එකඟ වන්නේ නම්, ඔහු ඇණවුමට පවරා ඇති අතර බෙදා හැරීමේ ස්ථානයට යයි. ඔහු ප්රතික්ෂේප කළහොත්, පිරිනැමීම ඊළඟ එකට පැමිණේ. තවත් අපේක්ෂකයින් නොමැති නම්, සෙවීම නැවත ආරම්භ වේ. මෙය මිනිත්තු තුනකට වඩා වැඩි කාලයක් පවතින අතර, පසුව ඇණවුම අවලංගු කර පුළුස්සා දමනු ලැබේ.
පින් එකක සෙවීම ඇණවුමක් මත සෙවීමට සමාන ය, ඇණවුම පමණක් නිර්මාණය නොවන අතර සෙවීම සිදු කරනු ලබන්නේ එක් වරක් පමණි. අපේක්ෂකයින් ගණන සහ සෙවුම් අරය සඳහා සරල කළ සැකසුම් ද භාවිතා වේ. එවැනි සරල කිරීම් අවශ්ය වන්නේ ඇණවුම් වලට වඩා විශාල ප්‍රමාණයේ අනුපිළිවෙලක් ඇති නිසා සහ සෙවීම තරමක් අපහසු මෙහෙයුමකි. අපගේ කතාවේ ප්‍රධාන කරුණ: මූලික සෙවීමේදී Pin මත සුදුසු අපේක්ෂකයින් හමු නොවූයේ නම්, අපි ඔබට ඇණවුමක් කිරීමට ඉඩ නොදෙමු. අඩුම තරමේ ඉස්සර එහෙමයි.
යෙදුමේ පරිශීලකයා දුටුවේ මෙයයි:
කාර් නැති කාර් සොයන්න
එක් දිනක් අපි උපකල්පනයක් ඉදිරිපත් කළෙමු: සමහර අවස්ථාවලදී ඇණවුම තවමත් සම්පූර්ණ කළ හැකිය, පින් මත මෝටර් රථ නොතිබුණද. සියල්ලට පසු, පින් සහ ඇණවුම අතර යම් කාලයක් ගත වන අතර, ඇණවුම සඳහා සෙවීම වඩාත් සම්පූර්ණ වන අතර සමහර විට කිහිප වතාවක් පුනරාවර්තනය වේ: මෙම කාලය තුළ, පවතින ධාවක දිස්විය හැකිය. අපි ප්‍රතිවිරුද්ධ දෙය ද දැන සිටියෙමු: පින් මත රියදුරන් හමු වූවා නම්, ඇණවුම් කිරීමේදී ඒවා සොයාගත හැකි බව සත්‍යයක් නොවේ. සමහර විට ඔවුන් අතුරුදහන් හෝ සෑම කෙනෙකුම ඇණවුම ප්රතික්ෂේප කරයි.
මෙම උපකල්පනය පරීක්ෂා කිරීම සඳහා, අපි අත්හදා බැලීමක් දියත් කළෙමු: පරිශීලකයින්ගේ පරීක්ෂණ කණ්ඩායමක් සඳහා Pin එකක සෙවීමේදී අපි මෝටර් රථ තිබේදැයි පරීක්ෂා කිරීම නැවැත්තුවා, එනම්, ඔවුන්ට “මෝටර් රථ නොමැතිව ඇණවුමක්” කිරීමට අවස්ථාව ලැබුණි. ප්රතිඵලය තරමක් අනපේක්ෂිත විය: මෝටර් රථය පින් එකේ නොතිබුනේ නම්, 29% කදී එය පසුව සොයා ගන්නා ලදී - ඇණවුම මත සෙවීමේදී! එපමනක් නොව, අවලංගු කිරීමේ ගාස්තු, ශ්රේණිගත කිරීම් සහ අනෙකුත් තත්ත්ව දර්ශක අනුව මෝටර් රථ නොමැතිව ඇණවුම් නිතිපතා ඇණවුම් වලින් සැලකිය යුතු ලෙස වෙනස් නොවීය. මෝටර් රථ නොමැතිව වෙන්කරවා ගැනීම් සියලුම වෙන් කිරීම් වලින් 5% ක් වූ නමුත් සාර්ථක සංචාර වලින් 1% කට වඩා වැඩිය.
මෙම ඇණවුම් ක්‍රියාත්මක කරන්නන් පැමිණෙන්නේ කොහෙන්ද යන්න තේරුම් ගැනීමට, Pin එකක සෙවීමේදී ඔවුන්ගේ තත්ත්වයන් බලමු:
- ඇත: ලබා ගත හැකි විය, නමුත් කිසියම් හේතුවක් නිසා අපේක්ෂකයින්ට ඇතුළත් කර නැත, උදාහරණයක් ලෙස, ඔහු ඉතා දුරින් සිටියේය;
- ඇණවුම මත: කාර්යබහුල වූ නමුත් නිදහස් වීමට හෝ ලබා ගැනීමට සමත් විය ;
- කාර්යබහුල: ඇණවුම් භාර ගැනීමේ හැකියාව අබල කර ඇත, නමුත් පසුව රියදුරු රේඛාවට ආපසු පැමිණියේය;
- ලද නොහැක: රියදුරු මාර්ගගතව නොසිටි නමුත් ඔහු පෙනී සිටියේය.
අපි විශ්වසනීයත්වය එකතු කරමු
අතිරේක ඇණවුම් විශිෂ්ටයි, නමුත් සාර්ථක සෙවීම් වලින් 29% ක් අදහස් කරන්නේ පරිශීලකයා දිගු වේලාවක් බලා සිටි අතර 71% ක්ම කිසි තැනකට ගොස් නැති බවයි. පද්ධති කාර්යක්ෂමතාවයේ දෘෂ්ටි කෝණයෙන් මෙය නරක දෙයක් නොවූවත්, එය ඇත්ත වශයෙන්ම පරිශීලකයාට ව්‍යාජ බලාපොරොත්තුවක් ලබා දෙන අතර කාලය නාස්ති කරයි, ඉන් පසුව ඔවුන් කලබල වී (සමහර විට) සේවාව භාවිතා කිරීම නතර කරයි. මෙම ගැටළුව විසඳීම සඳහා, ඇණවුම මත මෝටර් රථයක් සොයා ගැනීමේ සම්භාවිතාව පුරෝකථනය කිරීමට අපි ඉගෙන ගත්තා.
යෝජනා ක්රමය මේ වගේ ය:
- පරිශීලකයා පින් එකක් දමයි.
- පින් මත සෙවීමක් සිදු කෙරේ.
- මෝටර් රථ නොමැති නම්, අපි පුරෝකථනය කරමු: සමහර විට ඒවා දිස්වනු ඇත.
- සහ සම්භාවිතාව මත පදනම්ව, අපි ඔබට ඇණවුමක් කිරීමට ඉඩ දෙන්නෙමු හෝ ඉඩ නොදෙන්නෙමු, නමුත් මෙම අවස්ථාවේදී මෙම ප්රදේශයේ මෝටර් රථවල ඝනත්වය අඩු බව අපි ඔබට අනතුරු අඟවන්නෙමු.
යෙදුමේ එය මෙසේ දිස් විය:
ආකෘතිය භාවිතා කිරීමෙන් ඔබට නව ඇණවුම් වඩාත් නිවැරදිව නිර්මාණය කිරීමට සහ නිෂ්ඵල මිනිසුන්ට සහතික කිරීමට ඉඩ සලසයි. එනම්, නිරවද්‍ය-ප්‍රතිචක්‍රීකරණ ආකෘතිය භාවිතයෙන් යන්ත්‍ර නොමැතිව විශ්වසනීයත්වයේ අනුපාතය සහ ඇණවුම් ගණන නියාමනය කිරීමයි. සේවාවේ විශ්වසනීයත්වය නිෂ්පාදනය දිගටම භාවිතා කිරීමට ඇති ආශාවට බලපායි, එනම් අවසානයේ ඒ සියල්ල සංචාර ගණනට පැමිණේ.
නිරවද්යතාව ගැන ටිකක් - නැවත කැඳවීමයන්ත්‍ර ඉගෙනීමේ මූලික කාර්යයක් වන්නේ වර්ගීකරණ කාර්යයයි: පන්ති දෙකෙන් එකකට වස්තුවක් පැවරීම. මෙම අවස්ථාවෙහිදී, යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතමයේ ප්රතිඵලය බොහෝ විට එක් පන්තියක සාමාජිකත්වය පිළිබඳ සංඛ්‍යාත්මක තක්සේරුවක් බවට පත්වේ, උදාහරණයක් ලෙස, සම්භාවිතා තක්සේරුවක්. කෙසේ වෙතත්, සිදු කරනු ලබන ක්රියාවන් සාමාන්යයෙන් ද්විමය වේ: මෝටර් රථය තිබේ නම්, අපි ඔබට එය ඇණවුම් කිරීමට ඉඩ දෙන්නෙමු, එසේ නොවේ නම්, අපි එසේ නොකරමු. නිශ්චිතව කිවහොත්, සංඛ්‍යාත්මක ඇස්තමේන්තුවක් නිපදවන ඇල්ගොරිතමයක් ආකෘතියක් ලෙසත්, වර්ගීකරණයක් පන්ති දෙකෙන් එකකට (1 හෝ -1) පවරන රීතියක් ලෙසත් හඳුන්වමු. ආදර්ශ තක්සේරුව මත පදනම්ව වර්ගීකරණයක් සෑදීමට, ඔබ තක්සේරු සීමාවක් තෝරාගත යුතුය. හරියටම කාර්යය මත රඳා පවතින්නේ කෙසේද යන්න.
අපි යම් දුර්ලභ හා භයානක රෝග සඳහා පරීක්ෂණයක් (වර්ගකාරකයක්) කරනවා යැයි සිතමු. පරීක්ෂණ ප්රතිඵල මත පදනම්ව, අපි එක්කෝ රෝගියා වඩාත් සවිස්තරාත්මක පරීක්ෂණයක් සඳහා යවන්නෙමු, නැතහොත් “හොඳයි, ගෙදර යන්න” යැයි කියමු. අපට නම්, අසනීප පුද්ගලයෙකු ගෙදර යැවීම නිරෝගී පුද්ගලයෙකු අනවශ්‍ය ලෙස පරීක්ෂා කිරීමට වඩා නරක ය. එනම්, අපට අවශ්ය වන්නේ හැකි තරම් රෝගී පුද්ගලයින් සඳහා පරීක්ෂණය ක්‍රියාත්මක කිරීමයි. මෙම අගය recall = ලෙස හැඳින්වේ. කදිම වර්ගීකරණයකට 100% නැවත කැඳවීමක් ඇත. පරිහානියට පත්වෙන තත්වයක් තමයි හැමෝම විභාගෙට යවන්න, එතකොට ආපහු කැඳවීමත් 100% වෙනවා.
එය අනෙක් අතට ද සිදු වේ. උදාහරණයක් ලෙස, අපි සිසුන් සඳහා පරීක්ෂණ පද්ධතියක් සාදන අතර, එහි වංචා අනාවරකයක් ඇත. සමහර වංචාවන් සඳහා හදිසියේම චෙක්පත ක්රියා නොකරන්නේ නම්, මෙය අප්රසන්න, නමුත් විවේචනාත්මක නොවේ. අනෙක් අතට, සිසුන් නොකළ දෙයකට අසාධාරණ ලෙස චෝදනා කිරීම අතිශයින්ම නරක ය. එනම්, වර්ගීකරණයේ ධනාත්මක පිළිතුරු අතර, හැකි තරම් නිවැරදි ඒවා ඇති බව අපට වැදගත් වේ, සමහර විට ඔවුන්ගේ සංඛ්යාවට හානියක් විය හැකිය. මෙයින් අදහස් වන්නේ ඔබ නිරවද්යතාව උපරිම කිරීමට අවශ්ය බවයි = . සියලුම වස්තූන් මත ප්‍රේරක සිදුවේ නම්, නිරවද්‍යතාවය නියැදියේ අර්ථ දක්වා ඇති පන්තියේ සංඛ්‍යාතයට සමාන වේ.
ඇල්ගොරිතම සංඛ්‍යාත්මක සම්භාවිතා අගයක් නිපදවන්නේ නම්, විවිධ සීමාවන් තේරීමෙන්, ඔබට විවිධ නිරවද්‍යතා-මතකතා අගයන් ලබා ගත හැක.
අපගේ ගැටලුවේ තත්වය පහත පරිදි වේ. නැවත කැඳවීම යනු අපට පිරිනැමිය හැකි ඇණවුම් ගණනයි, නිරවද්‍යතාවය යනු මෙම ඇණවුම්වල විශ්වසනීයත්වයයි. අපගේ ආකෘතියේ නිරවද්‍ය-මතක වක්‍රය පෙනෙන්නේ මෙයයි:
ආන්තික අවස්ථා දෙකක් තිබේ: කිසිවෙකුට ඇණවුම් කිරීමට ඉඩ නොදෙන්න සහ සෑම කෙනෙකුටම ඇණවුම් කිරීමට ඉඩ දෙන්න. ඔබ කිසිවෙකුට ඉඩ නොදෙන්නේ නම්, නැවත කැඳවීම 0 වනු ඇත: අපි ඇණවුම් සාදන්නේ නැත, නමුත් ඒවා කිසිවක් අසාර්ථක නොවේ. අපි සෑම කෙනෙකුටම ඉඩ දෙන්නේ නම්, නැවත කැඳවීම 100% (අපට හැකි සියලුම ඇණවුම් ලැබෙනු ඇත), සහ නිරවද්‍යතාවය 29% වනු ඇත, එනම් ඇණවුම් වලින් 71% නරක වනු ඇත.
අපි ආරම්භක ලක්ෂ්‍යයේ විවිධ පරාමිතීන් සලකුණු ලෙස භාවිතා කළෙමු:
- වේලාව/ස්ථානය.
- පද්ධති තත්ත්වය (සියලු තීරුබදු සහ අවට ඇති අල්ෙපෙනතිවල වාඩිලාගෙන සිටින යන්ත්‍ර ගණන).
- සෙවුම් පරාමිතීන් (අරය, අපේක්ෂකයින් සංඛ්යාව, සීමා කිරීම්).
සංඥා ගැන වැඩි විස්තර
සංකල්පමය වශයෙන්, අපට අවස්ථා දෙකක් අතර වෙනස හඳුනා ගැනීමට අවශ්‍යය:
- “ගැඹුරු වනාන්තරය” - මේ අවස්ථාවේ මෙහි කාර් නොමැත.
- “අවාසනාවන්ත” - මෝටර් රථ ඇත, නමුත් සෙවීමේදී සුදුසු ඒවා නොතිබුණි.
"Unlucky" හි එක් උදාහරණයක් නම් සිකුරාදා සවස් වන විට කේන්ද්රයේ විශාල ඉල්ලුමක් තිබේ නම්. බොහෝ ඇණවුම් ඇත, බොහෝ අය කැමැත්තෙන් සිටින අතර සෑම කෙනෙකුටම ප්‍රමාණවත් රියදුරන් නොමැත. එය මෙසේ විය හැකිය: පින් එකේ සුදුසු ධාවක නොමැත. නමුත් වචනාර්ථයෙන් තත්පර කිහිපයකින් ඒවා දිස්වේ, මන්ද මේ අවස්ථාවේ මෙම ස්ථානයේ රියදුරන් විශාල ප්‍රමාණයක් සිටින අතර ඔවුන්ගේ තත්ත්වය නිරන්තරයෙන් වෙනස් වේ.
එබැවින්, A ලක්ෂ්‍යය ආසන්නයේ විවිධ පද්ධති දර්ශක හොඳ ලක්ෂණ බවට පත් විය:
- මුළු කාර් ගණන.
- ඇණවුම් කර ඇති කාර් ගණන.
- "කාර්යබහුල" තත්ත්වය තුළ ඇණවුම් කිරීම සඳහා ලබා ගත නොහැකි මෝටර් රථ ගණන.
- පරිශීලකයින් සංඛ්යාව.
ඇත්ත වශයෙන්ම, මෝටර් රථ වැඩි වන තරමට, ඒවායින් එකක් ලබා ගැනීමට ඇති ඉඩකඩ වැඩිය.
ඇත්ත වශයෙන්ම, මෝටර් රථ පිහිටා ඇති බව පමණක් නොව, සාර්ථක චාරිකා ද සිදු කිරීම අපට වැදගත් වේ. එබැවින්, සාර්ථක සංචාරයක සම්භාවිතාව පුරෝකථනය කිරීමට හැකි විය. නමුත් අපි මෙය නොකිරීමට තීරණය කළෙමු, මන්ද මෙම අගය බොහෝ දුරට පරිශීලකයා සහ ධාවකය මත රඳා පවතී.
ආදර්ශ පුහුණු ඇල්ගොරිතම විය . පරීක්ෂණයෙන් ලබාගත් දත්ත පුහුණුව සඳහා භාවිතා කරන ලදී. ක්‍රියාත්මක කිරීමෙන් පසු, පුහුණු දත්ත රැස් කිරීමට සිදු විය, සමහර විට කුඩා පරිශීලකයින් සංඛ්‍යාවක් ආකෘතියේ තීරණයට එරෙහිව ඇණවුම් කිරීමට ඉඩ සලසයි.
ප්රතිඵල
අත්හදා බැලීමේ ප්රතිඵල අපේක්ෂා කළ පරිදි: මොඩලය භාවිතා කිරීමෙන් ඔබට මෝටර් රථ නොමැතිව ඇණවුම් හේතුවෙන් සාර්ථක චාරිකා සංඛ්යාව සැලකිය යුතු ලෙස වැඩි කිරීමට ඉඩ සලසයි, නමුත් විශ්වසනීයත්වයට හානි නොකරයි.
මේ මොහොතේ, යාන්ත්‍රණය සියලුම නගර සහ රටවල දියත් කර ඇති අතර එහි ආධාරයෙන් සාර්ථක චාරිකා වලින් 1% ක් පමණ සිදු වේ. එපමණක් නොව, මෝටර් රථවල අඩු ඝනත්වයක් ඇති සමහර නගරවල එවැනි චාරිකාවල කොටස 15% දක්වා ළඟා වේ.
ටැක්සි තාක්ෂණය පිළිබඳ වෙනත් පෝස්ට්
මූලාශ්රය: www.habr.com