Machine learning pour prédictif Uber

Uber veut anticiper et favoriser les courses en surcoût, et où la demande va s’accélérer sans raison évidente.

L’objectif de Uber est clair : disposer de plus de chauffeurs en place lors des pointes de demandes, celles où la tarification est la plus forte. Pour cela, Jeff Schneider, le patron de l’Advanced Technology Center de Uber, a indiqué qu’il souhaite exploiter le machine learning pour faire du prédictif.

Optimiser la tarification dynamique

Le service de taxi (qui n’en porte pas le nom) n’entend pas mettre fin à son système de tarification dynamique. Au moment où la charge est la plus forte, ou lorsqu’il décide que sa priorité mérite de payer un surcoût, le client continuera de payer le prix fort.

Disposer d’un système prédictif permettrait coté Uber d’anticiper les pics de demandes en mobilisant plus de chauffeurs, qui s’y retrouveront financièrement. Le surcoût est apprécié par ces derniers (ils y trouveraient une ‘prime’ équivalente à un quart des revenus générés par les courses classiques), comme par Uber qui y trouve un moyen de les mobiliser et de les fidéliser. Une alerte anticipant les tarifications de pointe attendues permettra très certainement de multiplier les chauffeurs en attente sur place.

Anticiper la demande

La réussite d’Uber repose en partie sur la capacité de ses chauffeurs à répondre rapidement à la demande. Eventuellement coté clients, une solution prédictive permettrait d’anticiper les pics pour programmer des déplacements hors ces périodes et ainsi payer un prix plus raisonnable.

En revanche, si la majorité de ces moments sont plus ou moins prévisibles, d’autres pics de charges ne le sont pas. Pourtant, la conjonction d’informations peut aboutir à une prévisibilité, comme l’anticipation d’une rencontre sportive par exemple. C’est là où le machine learning prend toute sa légitimité.

Un agenda prédictif

En effet, cette technologie repose sur deux étapes : la modélisation des situations reproductibles, et le test des scénarios qui en découlent pour validation qui aboutit à rendre les prédictions probables. En France, par exemple, les données accumulées lors des grandes manifestations sportives peuvent aboutir à modéliser la demande de taxis et autres moyens de transport lors de l’Euro qui approche.

Cet exemple est certainement le plus favorable. En revanche, il est autrement plus difficile d’anticiper ce qui à l’évidence ne semble pas prévisible. C’est là où le machine learning, reposant sur les milliards de données accumulées par la plateforme, devra donner toute sa puissance.

Rappelons que le modèle Uber repose aussi sur l’identification par les chauffeurs des groupes d’intérêts – les évènements, les clubs et leurs manifestations, ou encore les évènements sportifs – qui viennent alimenter leur agenda, et renforcer la base de connaissance du service.

Vers l’Uber autonome

Mais il faut voir plus loin lorsqu’un acteur du marché décide de déployer une technologie prédictive. UberEats en est un exemple concret. La plateforme exploite le machine learning pour anticiper les appels pour la livraison de repas.

Et le service évoque déjà le remplacement de ses chauffeurs par des véhicules autonomes. Uber va avoir besoin des analytiques et du prédictif pour optimiser un service qui déjà en lui même repose sur une totale automatisation.