Lyft: kpi’s e metodologia de precificação

Daniel Noce da Silva

29/07/19

A Lyft fornece uma plataforma que conecta usuários buscando uma corrida
e motoristas disponı́veis. Uma das ambições da plataforma é substituir o
carro particular através da economia compartilhada. A seguir, iremos propor
(1) kpi’s para monitorar a saúde desta plataforma e (2) uma metodologia de
precificação escalável.

1 Key Performance Indicators

Do ponto de vista usuário, a plataforma deve ter zero downtime, preços
justos, motoristas disponı́veis, o comportamento dos motoristas deve ser
adequado, o veı́culo deve estar em boas condições de forma que a corrida
chegue ao fim sem imprevistos e a viagem seja confortável.

Seguem algumas possibilidades de kpi’s nessa linha. Todos os kpi’s devem

ser quebrados por região, dia da semana, faixa horária:

• núm. de erros 5XX, núm. de servidores saldáveis, estatı́sticas de

requests.

• receita por usuário ativo, núm de usuários ativos, núm de downloads x

ativação, churn, tempo entre corridas por usuário, receita por corrida.

• núm. de motoristas disponı́veis por usuário, tempo do motorista ao

usuário.

• rating dos motoristas, núm. de viagens interrompidas por quebra do

veı́culo, viagens com desvios do trajeto ótimo.

1
 Já para o motorista, a plataforma deve oferecer corridas com frequência,
o tempo até o usuário deve ser idealmente curto, os usuários devem se
comportar adequadamente e a remuneração deve compensar as horas de
trabalho e os custos com o veı́culo. Seguem exemplos de kpi’s nessa linha:

• tempo ocioso, tempo até corrida, avaliação dos usuários.

• núm. de motoristas ativos, churn, núm. de novos downloads x ativação

de motoristas.

• razão entre receita e custo estimado (kilometragem, combustı́vel, depreciação,

seguro).

Já a Lyft, depois de cumprir o seu papel, deve obter um resultado operacional
que mostre ao mercado a viabilidade de seu negócio no médio prazo.

• receita total e custos operacionais.

• mapa das cidades onde não há presença de motoristas Lyft.

• comparação de tarifa Uber x Lyft e o mesmo para remuneração de

motoristas.

2 Metodologia de precificação
Segundo a Lyft, a remuneração dos motoristas r é proporcional à kilometragem,
tempo de viagem e possui um valor mı́nimo que independe do tamanho da
corrida.

r = α + β ∗ ∆s + γ ∗ ∆t

As constantes α, β, γ são tabeladas por região e podem ser consideradas

constantes no tempo. O preço final é obtido somando-se a diferença l cobrada
pela Lyft

p = α + β ∗ ∆s + γ ∗ ∆t + l

2
 O objetivo da Lyft é maximizar a receita. A receita total R, em um periodo
discreto de tempo t, pode ser descrita como:

Qt
X
R= pi ∗ δi (pi )
i=1

Onde δi (pi ) é a probabilidade de o usuário i aceitar a corrida pelo preço

pi e Qt a quantidade de usuários que fizeram buscas por corrida.

Assintoticamente, preços altos levam a baixa probabilidade de o usuário

aceitar a corrida e preços mais baixos do que o preço justo levam a prejuı́zo
para Lyft (com l < 0). Logo, uma forma escalável de determinar os preços
pi , seria fazer um processo de modelagem e otimização em etapas:

1. Com um histórico de pelo menos 1 ano, estimar δi (pi ) como um modelo

de machine learning, que tenha como inputs o preço, horário da corrida,
região, e outros fatores que sejam comuns aos usuários em determinada
região, como o tempo e eventos.

2. De forma paralelizável, assim que uma nova corrida é buscada pelo

usuário, com o já estimado δi (pi ) e os parâmetros de preço α, β, γ,
utilizar o gradient descent para encontrar o parâmetro l que otimiza a
receita individual pi ∗ δi (pi ).

3. Caso os 31MM de usuários façam em média uma corrida por dia,

teremos da ordem de 1k requests de precificação por segundo. O
gradient descent seria calculado em tempos menores do que milisegundos,
logo um servidor seria capaz de calcular o preço em menos de 1 segundo.
Caso for necessário a paralelização é imediata.

4. Para medir performance, é necessário monitorar δi (pi ) com métricas

adequadas: F-Score, Precision, Recall.