Eres Marivic Ocampo, la primera directora de analítica de Daloy Mobility, una plataforma de transporte con conductor y reparto de paquetes en Metro Manila. A las cuatro de esta tarde el consejo financiará una sola iniciativa de aprendizaje automático, y antes de esa hora tienes que decir cuál de tres predicciones va a construir tu equipo.
La situación
Daloy coordina a unos 46.000 conductores y completa cerca de 1,9 millones de viajes por semana. Mueve 24.000 millones de pesos filipinos (PHP) en reservas al año, se queda con una comisión del 18 % y está cerca del punto de equilibrio; sus inversores quieren beneficios, no crecimiento. Tiene uno de los conjuntos de datos de movilidad urbana más ricos del país, y casi ninguno entra en una decisión: el despacho funciona con reglas escritas a mano en una pizarra.
En los últimos siete días, el 14 % de los viajes reservados acabó cancelado. Desde enero, un rival con capital riesgo anuncia tiempos de llegada que los usuarios consideran más fiables que los de Daloy. El consejo te dará PHP 90 millones y noventa días, unas trece semanas, para mover 2 puntos el indicador operativo que tú elijas, algo que el comité financiero valora en unos PHP 70 millones al año. Si a los noventa días no hay nada en producción, la analítica se externaliza y tu equipo de cuatro personas se disuelve.
Tu revisión de preparación deja tres candidatas: prever la demanda por zona y hora para colocar conductores antes de que llegue; prever el tiempo de llegada de cada viaje, la cifra que se le anuncia al usuario al reservar; o prever qué viajes reservados se van a cancelar, para que despacho actúe a tiempo. Cada una tiene defensores dentro de la empresa, datos en distinto estado y un camino distinto hasta una decisión real.