Tweet

Follow us on instagram: @pacmannai

10 Apr, 33 tweets, 6 min read

Harga ojol tiba-tiba naik drastis? Gara gara dynamic pricing sih!🚕💸
Bagaimana machine learning membantu menyeimbangkan pasar.
.
.
.
A thread

Malem minggu gini, siapa yang keluar rumah naik ojol? Kalo diliat-liat, harganya pasti lebih mahal ya daripada weekdays?

Ga cuma pas malem minggu aja, ada waktu-waktu tertentu harga transportasi online lebih mahal daripada biasanya. Misal nih, jam berangkat sama pulang kerja, pas lagi cuaca buruk kaya hujan deres, dan pas ada acara-acara tertentu kaya tahun baruan

Nah, sebenarnya kenapa sih harga transportasi online itu bisa berubah-ubah? Kenapa platform transportasi online ga netapin harga yang fix aja dari rute A ke rute B?

Jadi gini guys, namanya sebuah pasar, pasti kan ada permintaan dan ada juga penawaran. Kalau dalam pasar transportasi online, berarti permintaannya berasal dari penumpang, sedangkan penawarannya berasal dari pengemudi (driver).

Misal ada sejumlah M driver dengan sejumlah M penumpang, ya berarti aman dong, ga ada masalah, setiap penumpang bisa dapet driver. Tapi, gimana kalau ceritanya ada sejumlah M driver dengan N penumpang?

Atau mungkin sebaliknya, ada sejumlah N driver dengan M penumpang? Kan jadi ga seimbang jumlah driver dengan penumpangnya. Biar masalah ini terselesaikan dan semua orang senang, transportasi online harus mencari cara nih agar permintaan dan penawaran seimbang.

Ketika driver sama penumpang menggunakan platform transportasi online, mereka bakal ter insentif sama harga. Kalau harga ojol tinggi, driver bakal terinsentif buat ‘turun’ ke jalan, dan sebaliknya banyak penumpang yang mikir 2x buat naik ojol.

Intinya adalah, harga ojol bisa mempengaruhi permintaan dan penawaran di pasar transportasi online. Maka dari itu, ga heran kalau dynamic pricing banyak digunakan oleh platform transportasi online buat menyeimbangkan pasar.

Singkatnya, dynamic pricing ini membawa 3 perubahan ke pasar: (1) menurunkan permintaan penumpang (karena semakin tinggi harga, semakin sedikit penumpang yang bersedia membayar di harga tersebut)

(2) meningkatkan supply driver (driver lebih ter insentif untuk ‘turun’ ke jalan dibandingkan misal ngerayain tahun baru), dan (3) mengarahkan driver ke area yang permintaannya tinggi biar driver di area yang sepi tuh ga muter muter doang nungguin penumpang

Lalu gimana caranya transportasi online menetapkan dynamic pricing untuk setiap penumpangnya? Yang pasti, ga mungkin kan platform transportasi online netapin secara manual, bakal buang waktu dan tenaga banget. Nah, disinilah machine learning berperan.

Sebagai contoh, kita lihat apa yang dilakukan oleh Uber yaa.

Uber sendiri bergantung sama machine learning buat membangun dynamic pricing system yang dapat diandalkan. Dengan bantuan machine learning, Uber bisa membuat prediksi berbagai kondisi pasar yang akan berujung ke dynamic pricing.

Untuk memetakan area mana yang permintaannya lagi tinggi dan yang engga, Uber mengubah peta suatu daerah ke dalam bentuk heksagonal. Nah, nanti, area heksagonal nya itu memiliki warna dari orange muda sampai merah tua.

Warna ini selalu berubah, bergantung dari jumlah permintaan akan transportasi online. Daerah berwarna oranye muda menandakan permintaan yang rendah sedangkan area berwarna merah tua menandakan permintaan yang tinggi.

Nah, buat memprediksi kira kira daerah mana yang demandnya bakal tinggi dan mana yang engga, Uber menggunakan data dari berbagai sumber, misalnya data cuaca, hari libur nasional, waktu, kemacetan, historical data, acara lokal, dll.

Setelah tau daerah mana yg permintaannya tinggi, harga di daerah tsb akan dikalikan dengan ‘X’ (biar mudah kita sebut saja setelah dikalikan dengan ‘X’ harga yang berlaku adalah harga lonjakan). Penumpang yg bersedia buat membayar di harga lonjakan akan segera mendapatkan driver

Oh iya, yang dikalikan dengan ‘X’ itu adalah harga dasar ya, jadi harga toll, harga pembatalan, dan harga tambahan lainnya ga dikalikan alias tetap normal. Tapii, ‘X’ ini tuh bisa berbeda di setiap pengguna.

Uber nge prediksi ‘willingness to pay’ atau ‘kesediaan membayar’ penggunanya buat nentuin kira kira berapa jumlah ‘X’ yang cocok untuk si pengguna A, pengguna B, dst. Informasi ini didapatkan dari user history dan real time data pengguna

Coba kita contohin ya. Misal nih ada festival musik di pantai dan udah bubaran, orang orang yang non festival mau mesen uber buat pulang ke rumah. Di sisi lain, permintaan nya ini ga tercukupi sama jumlah driver yang ada di daerah pantai. Nah, harga uber akhirnya meningkat.

Dengan harga lonjakan ini, driver yang tadinya jauh dari pantai rela buat pergi ke daerah pantai, penawaran pun naik. Terus, ga semua penumpang rela bayar di harga lonjakan, jadi ada beberapa yang nunggu untuk harga kembali normal atau pakai transportasi lain.

Alias, jumlah permintaan jadi berkurang dan keseimbangan pasar dapat tercipta di harga lonjakan. Simple kan?

Tau ga sih, pas tahun baru 2012, harganya sampai meningkat hingga 7x lipat loh!

Ga cuma itu aja, Uber juga bisa mengetahui kira kira penumpang mana yang bakal oke dengan harga lonjakan yang telah ditetapkan. Nah loh, gimana tuh caranya?

Tenang tenang, Uber ga ngehack kamera hp buat nganalisis raut muka dan meramalkan kira kira kamu bakal oke apa engga sama harga lonjakan, cara ini terlalu creepy. Uber cukup tau apakah aplikasi Uber pengguna itu dalam keadaan saving mode atau engga.

Kalau baterai hp penggunanya lowbat, aplikasi Uber langsung ke switch ke saving mode. Ya kalo hp udah lowbat dan otw mati, pengguna cenderung langsung iyaiin aja sama harga lonjakan karena harus buru buru pesen kan, kalau hp nya keburu mati ntar dia mau mesen uber pake apa dong

Oke, jadi apa yang bisa kita simpulin dari dynamic pricing ini?

Dengan adanya dynamic pricing ini, penumpang jadi punya banyak pilihan, nerima dengan harga lonjakan, nunggu harga kembali normal, atau milih uber sharing (jadi bareng dengan penumpang lain gitu guys).

Kalau driver, jelas, pendapatan mereka jadi meningkat. Dan tentunya, dynamic pricing ini juga ngasih sinyal ke driver kapan sih mereka harus ‘turun’ ke jalan.

Nah, masih banyak penerapan machine learning lain yang bisa kalian ulik. Kalau mau mendalami lebih lanjut, kalian bisa banget nih ikutan non degree program nya Pacmann.AI.