En los medios

Diario Perfil
15/07/17

Megaprocesamiento de datos, el secreto detrás de la 'tarifa dinámica' de Uber

El director del Master in Management + Analytics de la Di Tella analiza el 'surge pricing', el mecanismo por el que se asigna un precio a los viajes según la relación que haya en cada zona entre choferes disponibles y la demanda del público.

Por Gustavo Vulcano
En estos tiempos escuchamos hablar cotidianamente de ciencia de datos, lo que suele referirnos a minería de datos (data mining) y aprendizaje automático (machine learning). Sin embargo, estos términos abarcan una visión parcial en el contexto de lo que se denomina en sentido amplio business analytics.

Según Informs, la mayor sociedad científica y profesional a nivel mundial en investigación operativa y management science, el business analytics se define por tres categorías: 1) analytics descriptivo, que involucra la recolección y análisis de datos históricos, y la agrupación de datos a partir de alguna métrica de similitud; 2) analytics predictivo, que involucra la formulación de pronósticos en base a datos históricos, y comprende desde regresión a técnicas de minería de datos, y 3) analytics prescriptivo, que contempla la toma de decisiones en base a datos para alcanzar objetivos de negocios, teniendo en cuenta las restricciones de contorno.

La presencia de esta última categoría en la mención pública se ve acotada, aun cuando su expansión ha estado revolucionando las relaciones entre consumidores y proveedores en los últimos años. Una de las aplicaciones más disruptivas del analytics prescriptivo ha sido el surge pricing, o “pricing por oleadas”, cuyo ejemplo por excelencia a nivel global lo implementa Uber, con presencia en más de 600 ciudades.

Pero, ¿qué es el surge pricing? Según la explicación que hace Uber a sus conductores, consiste en ajustar el precio dinámicamente según dos parámetros: el volumen de demanda de pasajeros en una zona particular de la ciudad, y la cantidad de conductores disponibles en el área.

A tal efecto, la ciudad se divide en hexágonos abarcativos de unas pocas manzanas, y estos se tratan como un “mapa de calor”. El desbalance entre la cantidad de pedidos de servicio y la disponibilidad de conductores se colorea desde el rojo intenso (cuando el desbalance es grande) a un amarillo tenue (cuando el desbalance es pequeño).

Contrariamente a lo que podría suponerse, el objetivo del pricing de Uber no es aumentar los precios per se, sino minimizar el desbalance entre oferta y demanda en el sistema, lo que equivale a minimizar la presencia de rojos intensos en el mapa de calor.

Esto se logra a partir de un factor de precio, que multiplica la tarifa base por un número que se ajusta en incrementos de 10%. Así, la tarifa base podría multiplicarse por 1,8 en momentos de alto desbalance, y volver al valor base 1 cuando el desbalance se com- pensa. El factor multiplicativo le es anunciado al usuario al momento del pedido de servicio, y éste debe brindar su conformidad para que algún conductor acuda a su localización.
Efectos. A partir del surge pricing, Uber logra incrementar la eficiencia del sistema. De lo contrario, durante periodos desbalanceados, un conductor podría tardar unos 10 o 15 minutos en llegar a la ubicación del pasajero, lo que disminuiría la satisfacción de ambos.

Al incrementar los precios en un hexágono particular, Uber logra disminuir la demanda al mismo tiempo que aumenta la oferta con nuevos conductores que se activan en el sistema en ese momento, sumado a un rebalanceo de la oferta con la relocalización de los conductores presentes en otros hexágonos, restaurando la eficiencia del sistema, y manteniendo la espera típicamente por debajo de los 5 minutos.

Procesamiento. Por supuesto, este ajuste dinámico, casi instantáneo de los precios, requiere la recolección y procesamiento de datos en tiempo real a partir de las apps que tanto usuarios como conductores poseen en sus teléfonos móviles, y que emiten constantemente información de posicionamiento geográfico. Pero también requiere de un algoritmo extremadamente rápido que determine un factor multiplicativo óptimo para reestablecer el balance del sistema lo antes posible. Todo ésto, montado sobre una plataforma tecnológica acorde a estas necesidades.

Más allá de las controversias que la presencia de Uber en nuestro país ha generado, su modelo disruptivo de negocios apalancado en nuevas tecnologías y en la explotación de sofisticadas herramientas cuantitativas constituye apenas una muestra del rol del business analytics en la creación, diseño y optimización de nuevos mercados.

* Director del Master in Management + Analytics, UTDT