Nirma: Universitas

KI NIRMA
UNIVERSITAS G
INSTITUT MANAJEMEN
KELAS 'A' TERAKREDITASI NAAC
Tugas individu
KECERDASAN BISNIS
Inovasi di Uber: Peluncuran Express POOL
Disampaikan oleh
K Parikeshith Nair
191229
MBA FT 19-21
Dikirim ke
Prof Balakrishnan Unny
Tanggal Pengajuan
21 September 2020
Ringkasan dan Poin Utama:
• Kasus tersebut berkaitan dengan bagaimana keputusan inovasi layanan – pool ekspres –
dilakukan dan diuji bersama dengan tantangan yang mereka hadapi saat
mengimplementasikannya.
• Express Pool pada dasarnya adalah Uber pool + berjalan ke titik tertentu dan turun di titik
tertentu (seperti yang diungkapkan di blog mereka, ini dapat dianggap sebagai layanan
bus sesuai permintaan)
• Beberapa pesaing utama termasuk Lyft , Ola, Taxify dll...
• Rentang layanan yang ditawarkannya adalah UberPool, UberX, UberXL, UberSelect,
UberBLACK, UberSUV, dan UberLUX.
• Di bawah CEO, tiga kategori besar dapat dipahami dalam struktur organisasi, segmen
Teknologi, Operasi, dan Sumber Daya Manusia.
• Divisi teknologi dibagi menjadi tiga vertikal yaitu driver (pelatihan rekrutmen driver dll),
Riders (customer service dll) dan marketplace (pola substitusi, back end support dll).
• Dalam banyak kasus ada kebutuhan untuk integrasi lintas fungsi dan berperan dalam
pengambilan keputusan.
• Uber melakukan banyak eksperimen seperti a/b tingkat pengguna, tes beralih kembali, dan
eksperimen kontrol sintetik untuk membantu inovasinya mencapai keunggulan kompetitif.
• Salah satu kekuatan terkuat Uber adalah investasi analitik data dan tim analitiknya yang
kuat.
• 2014 Uber meluncurkan kumpulan Uber. (algoritme yang digunakan: Algoritma serakah)
- pelanggan pergi ke arah yang sama dengan yang sudah dilalui penumpang sehingga
perjalanan dapat dibagi di antara mereka meningkatkan kursi yang diduduki - mengurangi
biaya bagi pelanggan dan meningkatkan efisiensi dan keuntungan bagi Uber.
• Waktu ekstra yang dibutuhkan untuk mencapai lokasi pelanggan dan penundaan
perjalanan menjadi masalah dengan versi ini. Untuk mengatasi hal tersebut mereka
memiliki ide untuk membiarkan pelanggan berjalan sedikit agar dapat dijemput di rute
perjalanan. (proyek kolam ekspres)
• Pada 2017 mereka mulai mengerjakannya dan pada 2018 mereka memulai tes 5 minggu
dalam waktu tunggu 2 menit untuk tes kontrol sintetik di 6 kota secara terkontrol.
Hasilnya bervariasi dari satu daerah ke daerah lain.
• Eksperimen switchback 2018 di boston dimulai.
• mereka ingin memutuskan waktu tunggu mana yang lebih baik 2 menit atau 5 menit.
Setiap opsi memiliki trade off seperti yang dijelaskan dalam analisis sebelumnya
berdasarkan data percobaan switchback Boston.
Pernyataan masalah:
Keputusan penting di sini adalah memutuskan waktu tunggu yang seharusnya - 2 menit atau 5
menit , opsi terakhir adalah opsi yang memiliki algoritme yang dioptimalkan lebih baik dan
keuntungan lebih baik, namun konsekuensinya adalah mungkin ada lebih banyak pembatalan.
Masalahnya adalah menentukan waktu tunggu yang optimal sesuai waktu dalam sehari untuk
pelanggan sehingga keuntungan dapat dimaksimalkan dengan menganalisis prioritas pemilihan
uberpool atau expresspool mereka atau membatalkan dari percobaan beralih kembali di boston.
Analisis:
Data memiliki variabel yang berbeda dan diklasifikasikan menjadi dua klaster - klaster 2 menit
dan klaster 5 menit yang diklasifikasikan lagi menjadi jam sibuk dan bukan jam sibuk. Dengan
menganalisis data kita melihat bahwa rata-rata variabel yang terlibat adalah sebagai berikut:
trips_express rider_cancell total_driver_ total_ganda

waktu _
asi pembayaran _cocok
kolam
tunggu trips_pool total_matches -
2 1377.177419 2653.790323 168.016129 29763.67826 2675.677419 1307.919355
5 1460.698413 2419.380952 190.1269841 27183.20239 2438.301587 1357.730159
• Kami melihat bahwa kumpulan ekspres masih memiliki permintaan yang cukup besar
dalam kedua kasus tersebut.
• Kami melihat bahwa ada lebih banyak pembatalan sebagai bagian dari cluster 5 menit,
namun pembayarannya sangat rendah.
• Peningkatan pertandingan ganda hampir sama dengan jumlah perjalanan yang hilang.
• Selanjutnya kami memperhatikan tren berikut:
5 menit tren waktu tidak
terburu-buru kolam
perjalanan
Di waktu yang tidak terburu-buru, kami melihat bahwa ada sedikit perbedaan antara
preferensi
pelanggan.
2 menit tren waktu tidak
terburu-buru
Pada cluster 2 menit kita melihat bahwa ada lebih banyak perbedaan jika dibandingkan
dengandalam
waktu menunggu 5 menit
preferensi pelanggan.
43164.06944
tren pembatalan
periode_mulai
Kecocokan ganda jumlahnya lebih sedikit dan pembayaran meningkat ketika jumlah
perjalanan meningkat namun tren dan jumlah pelanggan tidak teratur sehingga model dinamis
untuk memprediksi dan menerapkan waktu tunggu akan lebih baik. Juga perhatikan lebih
banyak kecocokan, lebih banyak pelanggan yang hilang dan ketika mereka kalah dari pesaing
itu adalah hal yang buruk.
Saran dan Rekomendasi/Solusi:
Uber harus menghasilkan model waktu tunggu yang dinamis yang juga akan memasukkan
riwayat waktu tunggu pelanggan sebagai faktor untuk melihat bahwa algoritme dioptimalkan
pada saat yang sama pelanggan tidak hilang karena hal yang sama. Saat ini, karena bisnis
masih dalam tahap pertumbuhan layanan berbasis produk khusus ini, kami perlu melihat
bahwa mengumpulkan pangsa pasar dan membuat pelanggan lebih nyaman dalam
menggunakan menjadi prioritas yang lebih besar dengan fokus pada keuntungan dan tidak
membuat mereka terbiasa dengan hal ini. berjalan ekstra akan mengakibatkan hilangnya
pangsa pasar dan peningkatan persaingan yang tidak perlu. Jadi jendela 2 menit harus lebih
disukai.
Namun dalam kasus di mana jumlah pengemudi yang tersedia kurang, jendela 5 menit akan
lebih baik karena pelanggan tahu karena UI Uber bahwa jumlah pengemudi lebih sedikit
sehingga siap secara mental untuk menunggu lebih lama.
Dari blog Uber kita tahu ini adalah proses dengan banyak potensi dan di lokasi geografis
tertentu berdampak lebih besar seperti misalnya: bandara.

Nirma: Universitas

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Nirma: Universitas

Uploaded by

Copyright:

Available Formats

KI NIRMA

trips_express rider_cancell total_driver_ total_ganda

2 1377.177419 2653.790323 168.016129 29763.67826 2675.677419 1307.919355

5 1460.698413 2419.380952 190.1269841 27183.20239 2438.301587 1357.730159

Saran dan Rekomendasi/Solusi:

You might also like