Как поддерживать чистоту в 20 тысячах машин сразу

Спойлер: каршерингу с этим помогают ML-алгоритмы.

В каршеринге каждый хочет сесть в чистую машину. Но представьте: один и тот же автомобиль за день в среднем арендует 7 водителей. Кто-то забыл чашку от кофе, кто-то везёт питомца без переноски, а кто-то — мешок с дачной картошкой. И несмотря на всё это, наша задача — обеспечить комфорт и порядок для следующего клиента. Мы хотим, чтобы при каждой аренде машина Ситидрайва была чистой.

И этого хотят сами каршероводы — по данным наших исследований, для 32% пользователей состояние салона — ключевой показатель качества сервиса. Приятный запах, отсутствие мусора и грязи напрямую влияют на лояльность и повторные поездки. Но как обеспечить стабильную чистоту, когда у тебя 20 тысяч машин в 7 городах?

В этой статье расскажу, как мы переосмыслили подход к мойкам в каршеринге: почему алгоритмы, основанные только на цифрах, не работают, как мы начали учитывать обратную связь от пользователей, что изменилось после ночных дежурств всей командой и кто отвечает за чистую машину сегодня.

Спойлер: волшебства нет, только системная работа и немного упрямства.

Чистота — это не только мойка, но и аналитика. Узнать, что машина стала грязной — неплохо. Узнать об этом раньше клиента — критически важно. Если жалоба уже пришла, значит, мы опоздали: пользователь столкнулся с неприятным опытом, и обратно это не откатишь. Поэтому определить, что автомобиль стал грязным — нетривиальная, но очень важная задача.

Кто-то подумает, а в чём сложность? В идеале нужны фото состояния каждого автомобиля, внутри и снаружи, в реальном времени, и какую-нибудь ML модель, которая автоматически и регулярно оценивала бы эти фото. Обучить модельку распознавать загрязнения — задача выполнимая, мы уже рассказывали, как сделали это для внешних загрязнений. Но как нам получать фотографии состояния автомобиля каждые несколько часов? Наиболее частые касания с автомобилем совершают пользователи, и фотографии кузова у нас действительно есть после каждого заказа, но заставлять клиентов делать фото всех деталей салона — идея точно не ориентирована на клиентский опыт.

Поэтому мы пошли другим путём: стали искать закономерности. Вывели зависимость между количеством заказов, пробегом и вероятностью загрязнения. Чем больше поездок и километров — тем выше шанс, что салон или кузов требуют внимания.

На основе этих параметров мы построили алгоритм, который работает на упреждение: система заранее отправляет машину на мойку, ещё до того, как в поддержку напишет недовольный клиент. Так, мы держали цикл мойки в среднем на уровне раз в 7—10 дней, и это позволяло поддерживать баланс между затратами и качеством.

Вопросы к прежнему алгоритму появились в тот момент, когда в нашем приложении появилась механика пост-осмотра и теги — после каждой аренды пользователи снимают машину и оставляют комментарии о состоянии авто. Мы начали получать сигналы от пользователей о грязных машинах, которые по алгоритму ещё считались чистыми. И да, сначала это казалось исключениями. Но потом стало ясно: характер поездки может повлиять на салон больше, чем количество поездок. Например, один автомобиль может проехать 20 коротких поездок по городу и остаться в идеальном состоянии. Автомобиль чистый, следующему клиенту будет всё также приятно садиться в салон! А может быть одна поездка на дачу с горшками и мешками в багажнике — и всё, салон требует срочной химчистки. Наш старый алгоритм такого не предусматривал.

Мы начали переделывать систему. Сначала — внедрили пользовательские теги: «грязный салон», «грязный кузов», «неприятный запах». Теперь каждый такой тег приближает момент мойки и становится важным сигналом от тех, кто видит машину здесь и сейчас.

Появилась и новая логика приоритизации: если одна машина прошла 30 поездок и собрала 1 тег, а другая — всего 10 поездок, но с 7 жалобами, на мойку первым делом поедет вторая. Так, мы постепенно уходим от универсальных формул к учёту контекста.

Более того, алгоритм теперь строится на основе ML-модели, которая, анализируя различные факторы (например, количество аренд и продолжительность времени нахождения в аренде), прогнозирует появление очередного тега на автомобиль и вовремя ставит задачу на мойку. Работа с алгоритмом — процесс не быстрый, но уже даёт результаты. И это только начало: у нас в планах более гибкая модель, которая будет учитывать сезонность, типы маршрутов и другие сигналы. Новую механику будем обкатывать итерациями и развивать на основе обратной связи от пользователей.

Иногда слова — хорошо, но цифры говорят громче:

Так что когда вы садитесь в чистую машину, это не совпадение, это — система.

В разные сезоны погода диктует нам новые условия в работе над чистотой. Каждые 3—4 месяца мы меняем фокусы и стратегию в управлении проектом моек так, чтобы клиентам было максимально комфортно пользоваться нашим каршерингом в любое время года.

Это время, когда даже только что вымытая машина через два дня выглядит так, будто сражалась на бездорожье. Это самый сложный период для поддержания чистоты авто не только в каршеринге, поэтому в эти сезоны мы:

Летом наши машины работают на максимум: больше заказов, больше длительных поездок, больше следов после пикников, дач, собак и кофе навынос. Больше касаний клиентов, а значит, и салоны будут пачкаться быстрее. Поэтому к лету мы готовимся основательно.

В нашем парке есть автомобили, которые за время эксплуатации приобрели сложные или застарелые загрязнения. Они требуют проведения тщательных глубоких химчисток специальными средствами. Как правило, это авто с большим накопленным пробегом, а также модели с наибольшей утилизацией, например, Kia Rio и Nissan Qashqai. Перед летом мы отвозим их на специальную обработку и доводим до состояния новых! Мы стремимся к тому, чтобы клиенты чувствовали себя комфортно и могли наслаждаться приятными поездками в любой машине, вне зависимости от модели или класса.

Проект чистоты автопарка объёмный и сложный: включает в себя много команд и много этапов, поэтому и пространство для постоянных изучений и улучшений довольно обширно. Совместно с командой мы регулярно ищем узкие места в наших процессах, чиним и придумываем, как сделать лучше.

Недавно — ушли в «гембу». Так, у нас прижился термин из бережливого производства, означающий «погружение в процессы на месте». Что это значит на практике? Команда офисных сотрудников — включая руководителей направлений, операционного директора и продуктовых менеджеров — выехала в ночную смену, чтобы своими руками провести машины через все этапы мойки.

Такие выезды — не ради галочки. Это возможность увидеть всю систему глазами исполнителя и быстрее находить решения, которые реально работают.

За последние 5 кварталов один из главных драйверов NPS — «внешний вид и состояние автомобиля» — вырос на 7 пунктов. Это значит, что всё больше людей рекомендуют Ситидрайв именно за чистоту. И это лучшая обратная связь, которую мы можем получить.

Но мы не останавливаемся:

Для одной цели слаженно работают десятки людей: от менеджеров на местах до аналитиков и продуктовых команд. И каждый положительный комментарий про чистую машину мы читаем с радостью. А каждый тег о грязной — с полной ответственностью.

Очень радуемся вашим положительным комментариям, когда машина вам попадается чистая! И ответственно отрабатываем все теги и комментарии в случаях, если автомобиль попался с недостатками.

Чистый автомобиль — это не только про нас. Это про всех нас. Между мойками машина может пройти десятки заказов, и именно в эти промежутки особенно важна культура использования.

Простой принцип: оставляйте авто в таком состоянии, в каком сам хотел бы его получить. Забрал бутылку, выкинул салфетку — сделал поездку приятнее для следующего 💚